Identyfikacja przyczyn ubóstwa energetycznego w Polsce przy wykorzystaniu modelowania miękkiego

• Autorzy: Izabela Szamrej-Baran

Warianty tytułu

Identification of Fuel Poverty Causes in Poland Using Soft Modelling

• Języki publikacji: PL

Abstrakty

Ubóstwo energetyczne jest zjawiskiem niełatwo kwantyfikowalnym. Za pod-stawowe przyczyny występowania tego zjawiska uznaje się niewystarczające dochody gospodarstw domowych, wysokie ceny energii oraz niską efektywność energetyczną budyn-ków, dodatkowo na ubóstwo energetyczne wpływają niekorzystne warunki klimatyczne. W pracy zaproponowano koncepcję modelu miękkiego, ujmującą te przyczyny oraz ubó-stwo energetyczne jako zmienne ukryte, w badaniu empirycznym poszukiwano dla woje-wództw Polski adekwatnego zestawu indykatorów (zmiennych obserwowalnych), odzwier-ciedlających owe zjawiska.(abstrakt oryginalny)

EN

Fuel poverty is a phenomenon which is not easy to quantify. Households' insuf-ficient income, high prices of energy and low energy efficiency of dwellings as well as adverse climate conditions are commonly considered the main causes of fuel poverty. The paper presents a soft model concept in which those causes and fuel poverty are considered as latent variables. In the empirical survey a set of adequate indicators (observables) for Polish voivodeships reflecting these phenomena has been searched.(original abstract)

Słowa kluczowe

PL

Energia; Modelowanie miękkie; Ubóstwo energetyczne

EN

Energy; Soft modelling; Fuel poverty

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2014
• Tom: 23
• Numer: nr 328 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 343--352

Twórcy

autor

Izabela Szamrej-Baran

• Uniwersytet Szczeciński

Bibliografia

• Boardman B. (1991), Fuel Poverty: From Cold Homes to Affordable Warmth, Belhaven, London.
• Dopke J. (2013), Różnice w zużyciu energii na ogrzewanie budynków w wybranych polskich miastach w sezonie grzewczym 2012/13, www.cire.pl (26.06.2013).
• Falk R.F., Tonkin P. (2001), Soft Modelling the Predictors of Drug Treatment Use, "Social Research Update", nr 32, University of Surrey.
• Gil-García CJ., Rigol A., Vidal M. (2011), The use of hard- and soft-modelling to predict radiostron-tium solid-liquid distribution coefficients in soils, Chemosphere, 85/8.
• Hancock R., Isherwood B. (1979), Household Expenditure on Fuel: Distributional Impacts, DHSS, London (raport niepublikowany).
• Hills J. (2011), Fuel poverty: the problem and its measurement. CASEreport, 69. Department for Energy and Climate Change, London.
• Korol J. (2008), Modelowanie równań strukturalnych w identyfikacji przyczynowej struktury regio-nalnego ładu zrównoważonego, "Przegląd Statystyczny" 3.
• Korol J., Szczuciński P. (2005), Modele równań strukturalnych i sieci neuronowe w modelowaniu rozwoju zrównoważonego, Akademickie Wydawnictwo Ekonomiczne, Gorzów Wielkopolski.
• Korol J., Szczuciński P. (2011), Sektor małych i średnich przedsiębiorstw w przestrzeni regionalnej Polski, Wydawnictwo Adam Marszałek, Toruń.
• Monecke A., Leisch F. (2012), semPLS: Structural Equation Modeling Using Partial Least Squares, "Journal of Statistical Software", 48/3.
• Rocki M. (2008), Miękkie wskaźniki stanu gospodarki, [w:] Koniunktura gospodarcza - 20 lat do-świadczeń Instytutu Rozwoju Gospodarczego SGH, E. Adamowicz (red.), "Prace i Materiały In-stytutu Rozwoju Gospodarczego", IRG SGH, Warszawa.
• Tirado-Herrero S. (2013), Fuel poverty alleviation as a co-benefit of climate investments: evidence from Hungary, Central European University, Budapest.