Gospodarcze znaczenie słomy

Transkrypt

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
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
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
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
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
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
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
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”.
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
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
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
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.
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
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,
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
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
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
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.
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
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
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
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
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
(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
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
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
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
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
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
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-
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
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
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
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)
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
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
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
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
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
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)
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
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
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
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,
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
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
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
55
56
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.
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
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
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
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).
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
(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”.
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
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
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
Analitical moisture
Wilgoć całkowita;
Total moisture
Popiół; Ash
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
cd. tab. 8
Parametr; Parameter
Węgiel; Carbon
Wodór; Hydrogen
Azot; Nitrogen
Siarka; Sulphur
Chlor; Chlorine
Fluor; Fluorine
Analitical moisture
Wilgoć całkowita;
Total moisture
Popiół; Ash
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
Analitical moisture
Wilgoć całkowita;
Total moisture
Popiół; Ash
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
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
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
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
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
– 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).
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
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
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
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
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
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
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
6. WYNIKI BADAŃ I DYSKUSJA
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
Y1 – zbiory słomy zbóż podstawowych z mieszankami;
harvest of cereals straw with mixtures
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
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
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
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
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.
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
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
26,470
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)
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
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
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
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
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
19,974
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
Reszty modelu trendu;
model residuals
1000
500
1980
1985
1990
1995
2000
2005
2010
–500
funkcja autokorelacji Reszt;
funkcja autokorelacji cząstkowej Reszt;
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
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
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
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)
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)
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)
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
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
3,728
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
0,093
0,134
93
model residuals
4000
2000
1990
1985
1995
2000
2005
2010
–2000
–4000
–6000
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
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
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.
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
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-
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).
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
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
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
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
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
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
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
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
16,274
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)
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
model residuals
400
200
1980
1985
1990
2000
1995
2005
2010
–200
–400
0,4
0,4
0,2
0,2
2
4
6
–0,2
8
10
2
4
6
8
10
–0,2
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
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
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)
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
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
12,296
0,015
Tabela 36
dla powierzchni zasiewów rzepaku (X21)
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
model residuals
400
200
1980
1985
1990
2000
1995
2005
2010
–200
–400
0,4
0,4
0,2
0,2
2
4
6
–0,2
8
10
2
4
6
8
10
–0,2
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).
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
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)
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
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
29,421
0,000006
Tabela 39
dla powierzchni zasiewów kukurydzy (X31)
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
model residuals
200
100
1980
1985
1990
2000
1995
2005
2010
–100
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
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)
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
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)
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
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)
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
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
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)
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
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
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
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
16,274
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)
–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
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
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
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
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
5,364
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
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
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
Rys. 54. Reszty modelu trendu kwadratowego dla plonów słomy rzepakowej (X22) oraz ich funkcje
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
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
Rys. 55. Plony słomy rzepakowej (X22 ) – symulacja stochastyczna na podstawie modelu trendu
Straw yields of rape (X22) – stochastic simulation based on the trend and residual process AR(1)
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
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
11,344
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
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
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
Rys. 57. Reszty modelu trendu kwadratowego dla plonów słomy kukurydzianej (X32) oraz ich funkcje
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
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
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)
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)
–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
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)
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
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
120
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
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
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
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)
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
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
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
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
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)
Test; Test
Ljung-Box
20,477
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
model residuals
1000
500
1980
1985
1990
2000
1995
2010
2005
–500
–1000
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
Rys. 65. Reszty modelu trendu nieliniowego dla zużycia słomy na ściółkę (X42) oraz ich funkcje
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
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
Rys. 66. Zużycie słomy na ściółkę (X42) – symulacja stochastyczna na podstawie modelu trendu
Use of straw for bedding (X42) – stochastic simulation based on the trend and residual process AR(1)
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
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
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
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),
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
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
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
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)
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
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
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
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% 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
20000
15000
10000
5000
0
0
5000
10000
15000
20000
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
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
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:
X42 – zużycie słomy na ściółkę (tys. t).
Parametry otrzymanego modelu przedstawiono w tabeli 62.
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
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
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
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
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
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
150
200
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
model residuals
400
200
100
50
200
150
–200
–400
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
Rys. 77. Reszty oraz autokorelacja i autokorelacja cząstkowa Reszt modelu panelowego
Residuals and autocorrelation and partial autocorrelation of residuals of model panel
120
139
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
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
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
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
estimate of a1
200
5
10
15
20
25
confidence interval
–200
–400
20
5
10
15
20
25
estimate of a2
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
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
40000
30000
20000
10000
0
1990
2010
2000
2020
2030
rok; year
Y5
trend; trend
prognoza; forecast
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
pomorskie
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
5
10
15
20
–10000
confidence interval
–20000
–30000
9000
–40000
–50000
6000
parametr estymatora; parameter estimation
8
estimate of a1
confidence interval
4
confidence interval
8000
7000
6
estimate of a4
10000
estimate of a0
5
10
15
20
15
20
0,5
5
10
–0,5
estimate of a5
–1,0
–1,5
2
confidence interval
–2,0
5
10
15
20
6
–2,5
estimate of a2
confidence interval
4
5
10
15
20
–0,5
estimate of a6
–1,0
confidence interval
2
–1,5
5
10
15
20
20
–2,0
estimate of a3
15
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:
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
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
parametr Reszt; parameter residuals
1,5
8000
6000
4000
2000
0
1980
1990
2000
2010
2020
2030
rok; year
X11
trend; trend
prognoza; forecast
Rys. 85. Prognoza powierzchni zasiewów zbóż podstawowych z mieszankami (X11)
Forecast for sown area of cereals with mixtures (X11)
147
2000
1500
1000
500
0
1980
1990
2000
2010
2020
2030
rok; year
X21
prognoza; forecast
trend; trend
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
Rys. 87. Prognoza powierzchni zasiewów kukurydzy (X31)
Forecast for sown area of maize (X31)
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
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
Rys. 89. Prognoza zużycia słomy na paszę (X41)
Forecast for feeding straw (X41 )
149
zużycie słomy (tys. t);
wear straw (thous. t)
15000
10000
5000
0
1980
1990
2000
2010
2020
2030
rok; year
X42
trend; trend
prognoza; forecast
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
17228*
18369**
16457
17622
16076
17264
15844
17059
15643
16898
15424
16732
13362
14770
14873
16306
12712
14278
12311
13966
13688
15348
150
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
13184
14937
12626
14482
12014
13982
11347
13438
10623
12847
7968
10505
20000
15000
10000
5000
0
1990
2000
2010
2020
2030
rok; year
Y5
prognoza; forecast
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
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
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
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
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
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
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
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
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
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-
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
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-
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
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.
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
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.
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
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.
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
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.
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
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.
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
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.
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
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.
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
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
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
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
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.

Gospodarcze znaczenie słomy

Transkrypt

Podobne dokumenty

DPD Dodatkowe zalecenia - elektronika i sprzęt RTV AGD

Rysunek architektoniczno

Magazyn Wytwórcy nr 2 – artykuł „Perma co

The Orthos Letter nr 3 - Koło naukowe