Kaya Decomposition: Rozklad emisí CO₂ pro vybrané státy
1 Úvod
Emise oxidu uhličitého (CO₂) patří mezi hlavní příčiny probíhající změny klimatu. Jejich vývoj je ovlivňován řadou faktorů, mezi které patří populační růst, ekonomická úroveň, energetická náročnost výroby i uhlíková náročnost využívaných zdrojů energie. Pochopení významu jednotlivých faktorů je důležité nejen pro interpretaci minulého vývoje, ale také pro návrh účinných klimatických a energetických politik.
Cílem této práce je analyzovat vývoj emisí CO₂ ve světě v letech 1990–2024 pomocí Kaya identity, která umožňuje rozložit změny emisí na příspěvky populace, HDP na obyvatele, energetické náročnosti ekonomiky a emisní náročnosti energie. Součástí analýzy je také srovnání různých skupin zemí, posouzení míry oddělení ekonomického růstu od emisí (decoupling) a identifikace typických emisních trajektorií pomocí shlukové analýzy.
1.1 Kaya dekompozice
Kaya dekompozice (tzv. Kaya identita) je matematický vzorec vyvinutý japonským energetickým ekonomem Joičim Kayou. Používá se k analýze a vyčíslení hlavních faktorů ovlivňujících celkové emise skleníkových plynů (zejména CO₂) z lidské činnosti. Vzorec rozkládá celkové emise CO₂ rozkládá celkové emise na součin čtyř základních faktorů:
\[\text{CO}_2 = P \times \frac{\text{HDP}}{P} \times \frac{E}{\text{HDP}} \times \frac{\text{CO}_2}{E}\]
| Faktor | Označení proměnné | Interpretace |
|---|---|---|
| \(\text{CO}_2\) | co2 |
Množství vyprodukovaného CO₂ (v mil.) |
| \(P\) | population |
Populace - celkový počet obyvatel |
| \(\text{HDP}\) | gdp |
Hrubý domácí produkt |
| \(\text{HDP}/P\) | HDP na obyvatele – úroveň ekonomické vyspělosti a blahobytu | |
| \(E/\text{HDP}\) | energy_per_gdp |
Energetická náročnost – množství energie potřebné k vytvoření jednotky HDP |
| \(\text{CO}_2/E\) | co2_per_unit_energy |
Uhlíková náročnost – množství vyprodukovaného CO₂ na jednotku vyrobené energie |
Pokles emisí nastává, pokud pokles energetické nebo emisní intenzity převáží nad růstem populace a bohatství.
1.1.1 Log-lineární dekompozice (LMDI)
Kaya dekompozice poskytuje pouze účetní rozpad. Pro určení toho, jakou měrou se každý faktor podílel na změně emisí v čase, se používá log-lineární dekompozice. Log-lineární přístup (indexová dekompozice pomocí logaritmického průměru neboli LMDI) transformuje multiplikativní vztah na aditivní.
Zlogaritmováním Kaya identity získáme:
\[\ln \text{CO}_2 = \ln P + \ln\frac{\text{HDP}}{P} + \ln\frac{E}{\text{HDP}} + \ln\frac{\text{CO}_2}{E}\]
Změna emisí za určité období (\(\Delta \text{CO}_2\)) se pak rozkládá na sumu jednotlivých efektů, přičemž logaritmické průměry hodnot na začátku a na konci období představují váhy dílčího efektu. Meziroční změna se pak vyjádří jako:
\[\underbrace{ \ln \text{CO}_2}_{\approx\,\%\Delta\text{CO}_2} \;=\; \underbrace{\Delta \ln\Delta P}_{\text{populace}} + \underbrace{\Delta \ln\frac{\text{HDP}}{P}}_{\text{bohatství}} + \underbrace{\Delta \ln\frac{E}{\text{HDP}}}_{\text{en. intenzita}} + \underbrace{\Delta \ln\frac{\text{CO}_2}{E}}_{\text{em. intenzita}}\]
kde \(\Delta \ln X_t = \ln X_t - \ln X_{t-1} = \ln (X_t / X_{t-1})\). Pro malé změny platí \(\Delta \ln X \approx \frac{X_t - X_{t-1}}{X_{t-1}}\), tedy přibližně procentní změna. Výsledky jsou vynásobeny 100 a zobrazovány v jednotkách % / rok.
Součet čtyř faktorů se přesně nerovná skutečné změně CO₂ – rozdíl tvoří člen interakcí (vícerozměrné nelinearity). U přesné LMDI metody interakce zmizí, ale vyžaduje iterativní výpočet. Pro explorativní účely jsou výsledky srovnatelné.
Níže uvedený kód provádí výpočet dekompozice emisí CO₂ podle identity Kaya na úrovni jednotlivých zemí:
Zobrazit kód
# Výpočet Kaya dekompozice na úrovni jednotlivých zemí
# Emise CO₂ jsou rozloženy na vliv populace, HDP na obyvatele,
# energetické náročnosti ekonomiky a uhlíkové náročnosti energie.
kaya <- owid |>
arrange(iso_code, year) |>
group_by(iso_code, country) |>
mutate(
# HDP na obyvatele
gdp_pc = gdp / population,
# Meziroční logaritmické změny jednotlivých faktorů (v %)
d_pop = (log(population) - log(lag(population))) * 100,
d_gdp_pc = (log(gdp_pc) - log(lag(gdp_pc))) * 100,
d_ei = (log(energy_per_gdp) - log(lag(energy_per_gdp))) * 100,
d_ci = (log(co2_per_unit_energy) - log(lag(co2_per_unit_energy))) * 100,
# Skutečná meziroční změna emisí CO₂
d_co2_actual = (log(co2) - log(lag(co2))) * 100,
# Změna emisí vysvětlená identitou Kaya
d_co2_sum = d_pop + d_gdp_pc + d_ei + d_ci,
# Nevysvětlená část způsobená numerickou aproximací
interactions = d_co2_actual - d_co2_sum
) |>
ungroup() |>
# První rok nemá k dispozici meziroční změnu
filter(year >= 1990) |>
# Doplnění ekonomických, energetických a kulturních charakteristik zemí
left_join(
klasifikace |> select(iso_code, income_group, fossil_role, gdp_pc_mean),
by = "iso_code"
) |>
left_join(klasifikace_kultura, by = "iso_code")Níže je uveden kód funkce pro vykreslení grafu dekompozice emisí CO₂ podle identity Kaya:
Zobrazit kód
# Funkce na vykreslení grafu kaya dekompozice
plot_kaya <- function(data, nazev_statu, interaktivni = FALSE) {
df <- data |>
filter(country == nazev_statu, !is.na(d_co2_actual)) |>
select(year, d_pop, d_gdp_pc, d_ei, d_ci, interactions, d_co2_actual) |>
pivot_longer(c(d_pop, d_gdp_pc, d_ei, d_ci, interactions),
names_to = "faktor", values_to = "hodnota") |>
mutate(faktor = preloz_faktory(faktor),
faktor = factor(faktor, levels = names(barvy_kaya)[1:5]))
co2_pts <- data |>
filter(country == nazev_statu, !is.na(d_co2_actual)) |>
select(year, d_co2_actual)
p <- ggplot() +
geom_col(data = df,
aes(x = year, y = hodnota, fill = faktor,
text = paste0(faktor, ": ", round(hodnota, 2),
" %/rok<br>Rok: ", year)),
position = "stack", width = 0.7) +
geom_point(data = co2_pts,
aes(x = year, y = d_co2_actual, color = "Fosilní CO₂",
text = paste0("Fosilní CO₂: ", round(d_co2_actual, 2),
" %/rok<br>Rok: ", year)),
size = 1.8) +
geom_line(data = co2_pts, aes(x = year, y = d_co2_actual),
color = '#222222') +
geom_hline(yintercept = 0, color = "gray40", linewidth = 0.4) +
scale_fill_manual(values = barvy_kaya[1:5], name = NULL) +
scale_color_manual(values = c("Fosilní CO₂" = "#222222"), name = NULL) +
guides(fill = guide_legend(order = 1),
color = guide_legend(order = 2,
override.aes = list(size = 2, linetype = 0,
fill = NA))) +
scale_x_continuous(breaks = seq(1990, 2024, by = 5)) +
scale_y_continuous(labels = scales::label_percent(scale = 1)) +
labs(title = nazev_statu, x = NULL, y = "Přírůstek/rok") +
theme(legend.position = "bottom",
legend.key.size = unit(0.4, "cm"),
plot.title = element_text(face = "bold"))
if (interaktivni) {
p_ly <- ggplotly(p, tooltip = "text") |>
config(displayModeBar = TRUE, displaylogo = FALSE,
modeBarButtonsToRemove = c("pan2d", "select2d", "lasso2d",
"hoverClosestCartesian", "hoverCompareCartesian", "toggleSpikelines"))
seen <- character()
for (i in seq_along(p_ly$x$data)) {
nm <- p_ly$x$data[[i]]$name
if (!is.null(nm) && nzchar(nm)) {
clean <- gsub("^\\((.+),\\s*\\d+\\)$", "\\1", nm)
clean <- gsub("CO2", "CO₂", clean)
p_ly$x$data[[i]]$name <- clean
if (clean %in% seen) {
p_ly$x$data[[i]]$showlegend <- FALSE
} else {
seen <- c(seen, clean)
}
}
}
p_ly
} else {
p
}
}1.2 Zdroje dat
| Datová sada | Proměnné | Odkaz | Časové pokrytí |
|---|---|---|---|
| Our World in Data (OWID) – CO₂ and GHG Emissions | CO₂ z fosilních paliv, energetická intenzita, emisní intenzita, HDP (PPP, kons. USD 2011), populace | github.com/owid/co2-data | 1990–2023 |
| Global Carbon Project | Teritoriální emise CO₂ (základ OWID datasetu) | globalcarbonproject.org | 1990–2023 |
| IEA World Energy Balances | Primární spotřeba energie (základ OWID datasetu) | iea.org | 1990–2023 |
| World Bank WDI | HDP, populace (základ OWID datasetu) | databank.worldbank.org | 1990–2023 |
| Our World in Data (OWID) – Energy data | Produkce a spotřeba ropy, plynu a uhlí (klasifikace exportérů FF) | github.com/owid/energy-data | 2010–2019 (průměr) |
| World Bank WDI | Míra terciárního vzdělání (SE.TER.ENRR) | databank.worldbank.org | 2010–2019 (průměr) |
| Ethnologue / CIA World Factbook | Jazyková rodina (hlavní úřední jazyk) | manuální lookup | |
| Pew-Templeton Global Religious Futures Project | Náboženský okruh | manuální lookup |
1.2.1 OWID - CO₂ Data
Kompiluje Our World in Data; hodnoty CO₂ pocházejí primárně z Global Carbon Project (GCP). Dataset je průběžně aktualizován při vydání nové edice GCP – URL vždy stahuje nejnovější verzi.
Z datasetu byly vyřazeny všechny agregátní záznamy (kódy začínající ^OWID_) a ponechány pouze suverénní státy s ISO kódem. Dataset zahrnuje pozorování ze všech kontinentů. Největší zastoupení mají Afrika (25 %), Asie (23 %), Amerika (21 %) a Evropa (21 %), zatímco Oceánie (9 %) a Antarktida (<1 %) jsou zastoupeny méně.
Časový rozsah byl omezen na roky 1989–2024, přičemž rok 1989 je nutný pro výpočet první diference (změna v roce 1990). Hodnoty CO₂ jsou v původním datasetu uvedeny v megatunách, proto byly přepočteny na tuny vynásobením hodnotou 1 000 000.
| Unique | Missing Pct. | Mean | SD | Min | Median | Max | Histogram | |
|---|---|---|---|---|---|---|---|---|
| co2 | 5762 | 2 | 1,367000e+02 | 6,702000e+02 | 0,0 | 7,200000e+00 | 1,228900e+04 |  |
| gdp | 5574 | 29 | 4,826724e+11 | 1,686532e+12 | 257172000,0 | 5,997782e+10 | 2,696602e+13 |  |
| population | 7758 | 1 | 3,110474e+07 | 1,246639e+08 | 501,0 | 5,493399e+06 | 1,450936e+09 |  |
| energy_per_gdp | 2597 | 30 | 1,600000e+00 | 1,500000e+00 | 0,1 | 1,200000e+00 | 2,300000e+01 |  |
| co2_per_unit_energy | 7005 | 8 | 2,300000e+02 | 1,851000e+02 | 0,0 | 2,142000e+02 | 1,068890e+04 |  |
Dataset obsahuje několik tisíc unikátních hodnot pro všechny sledované proměnné. Počet chybějících hodnot je ve vztahu k velikosti datového souboru zanedbatelný – nejvíce (0,4 %) jich obsahují proměnné HDP a energetická náročnost ekonomiky. Histogramy naznačují široké rozpětí hodnot a přítomnost několika extrémních pozorování, což odpovídá značným rozdílům mezi zeměmi z hlediska velikosti ekonomiky, populace i emisí CO₂.
| income_group | N | % |
|---|---|---|
| Nizky prijem | 6 | 3,7 |
| Nizsi stredni prijem | 36 | 22,0 |
| Vysoky prijem | 82 | 50,0 |
| Vyssi stredni prijem | 40 | 24,4 |
Příjmová skupina byla odvozena z průměrného HDP na obyvatele za roky 2010–2019 (konstantní USD 2011, PPP). Použité hranice – 12 000, 4 000 a 1 000 USD – jsou vlastní kategorizací a nepřebírají přímo metodiku Světové banky, která pracuje s HNP na obyvatele v běžných USD. V analyzovaném souboru převažují země s vysokými příjmy (50 %) a vyššími středními příjmy (24 %). Země s nižšími středními příjmy tvoří přibližně pětinu souboru, zatímco nízkopříjmové země jsou zastoupeny pouze okrajově (4 %).
1.2.2 OWID - Energy Data
Kompiluje Our World in Data z BP Statistical Review of World Energy a dalších zdrojů. Obsahuje produkci a spotřebu podle komodit v TWh. Země následně byly klasifikovány jako čistí exportéři fosilních paliv na základě průměrného salda produkce a spotřeby v letech 2010–2019 zvlášť pro ropu, zemní plyn a uhlí (v TWh). Země je označena jako exportér, pokud produkce přesáhla spotřebu alespoň u jedné z těchto komodit. Průměrování zakrývá strukturální zlomy – země, která přešla z exportéra na importéra (nebo naopak) uprostřed dekády, dostane průměrné saldo blízké nule a může být chybně zařazena. Například GBR bylo čistým exportérem do ~2005, od té doby je čistým importérem.
| Unique | Missing Pct. | Mean | SD | Min | Median | Max | Histogram | |
|---|---|---|---|---|---|---|---|---|
| net_ropa | 118 | 2 | 3,9 | 703,7 | -4083,7 | 0,0 | 4517,0 |  |
| net_plyn | 107 | 2 | 4,2 | 235,2 | -1133,8 | 0,0 | 1885,6 |  |
| net_uhli | 103 | 2 | 4,6 | 312,3 | -1366,7 | 0,0 | 2823,0 |  |
Zprůměrované proměnné čistého exportu ropy, zemního plynu a uhlí obsahují přibližně jen 0,9 % chybějících hodnot. U dostupných pozorování je patrná vysoká variabilita a výrazná asymetrie rozdělení, což odráží existenci několika málo významných exportérů vedle převahy zemí s nízkým nebo záporným čistým exportem.
| N | % | ||
|---|---|---|---|
| vyvoz_ropa | FALSE | 158 | 71,8 |
| TRUE | 58 | 26,4 | |
| NA | 4 | 1,8 | |
| vyvoz_plyn | FALSE | 165 | 75,0 |
| TRUE | 51 | 23,2 | |
| NA | 4 | 1,8 | |
| vyvoz_uhli | FALSE | 179 | 81,4 |
| TRUE | 37 | 16,8 | |
| NA | 4 | 1,8 | |
| fossil_role | Exporter FF | 87 | 39,5 |
| Importer / neutralni | 129 | 58,6 | |
| NA | 4 | 1,8 |
Výsledný dataset obsahuje 220 zemí. Většina zemí je čistými dovozci nebo energeticky neutrálními státy. Čistý export ropy byl identifikován u 26 %, zemního plynu u 23 % a uhlí u 17 % zemí. Celkem bylo jako exportéři alespoň jednoho fosilního paliva klasifikováno 40 % zemí. 11 zemí (6,7 %) slouží jako čistí vývozci všech uvažovaných složek fosilních paliv, jendá se o Albánii, Kanadu, Kolumbii, Gruzii, Kazachstán, Kyrgyzstán, Myanmar, Nigérii, Rusko, Srbsko a Tádžikistán.
Chybějící údaje se týkají pouze 4 zemí (1,8 %; Antarktida, Curaçao, Federativní státy Mikronésie a Tuvalu), tedy převážně malých nebo specifických územních jednotek s omezenou dostupností dat o produkci a spotřebě fosilních paliv. Tento nedostatek by neměl mít na výsledky analýzy významný vliv, protože po vyřazení zemí s chybějícími údaji o HDP a populaci obsahuje hlavní analytický dataset pouze 164 zemí a žádná z uvedených čtyř jednotek v něm již není zastoupena.
1.2.3 World Bank WDI
Světová banka shromažďuje data od národních statistických úřadů a ministerstev školství. Indikátor SE.TER.ENRR = hrubá míra zápisu do terciárního vzdělávání (% relevantní věkové skupiny).
| Unique | Missing Pct. | Mean | SD | Min | Median | Max | Histogram | |
|---|---|---|---|---|---|---|---|---|
| tertiarni_vzdelanost | 148 | 9 | 40,7 | 29,1 | 1,2 | 40,2 | 122,3 |  |
Proměnná podílu obyvatel s terciárním vzděláním vykazuje poměrně široké rozpětí hodnot (1–122 %), což naznačuje značné rozdíly mezi zeměmi. Chybějících hodnot je málo (9 pozorování) a medián (40 %) je velmi blízký průměru (41 %), takže rozdělení není výrazně asymetrické. Hodnoty převyšující 100 % pravděpodobně souvisejí s odlišnou metodikou ukazatele nebo s mezinárodní mobilitou studentů.
1.2.4 Jazyková rodina
Manuální lookup sestavený z Ethnologue a CIA World Factbook; přiřazuje každé zemi hlavní úřední jazyk a jeho jazykovou rodinu. Nejvíce jsou zastoupeny země subsaharské Afriky (21 %), románské jazykové skupiny (17 %) a arabské jazykové skupiny (12 %). Významné zastoupení mají také slovanské (8 %) a germánské jazyky (11 %). Ostatní jazykové skupiny jsou zastoupeny pouze jednotlivými zeměmi nebo malými skupinami států. Chybějící klasifikace se vyskytuje pouze u 2 zemí (1 %), což svědčí o velmi dobrém pokrytí dat.
1.2.5 Náboženský okruh
Manuální lookup na základě Pew-Research Center Global Religious Futures; přiřazuje majoritní náboženství nebo sekularismus. V analyzovaném souboru převažují země s dominantním křesťanstvím (52 %), následované státy s převahou islámu (26 %). Ostatní náboženské skupiny jsou zastoupeny podstatně méně. Chybějící údaje se týkají pouze 6 zemí (4 %), takže proměnná vykazuje velmi dobrou datovou pokrytost.
2 Reprodukce grafů Kaya dekompozice emisí CO₂
2.1 Spojené státy americké
Zobrazit kód
plot_kaya(kaya, "United States", interaktivni = TRUE)Emise CO₂ v USA byly dlouhodobě ovlivňovány růstem populace a ekonomické aktivity, zatímco energetická a uhlíková náročnost působily převážně ve směru jejich snižování. Výrazné poklesy jsou patrné během finanční krize v letech 2008–2009 a zejména během pandemie COVID-19 v roce 2020, po níž následovalo rychlé ekonomické oživení a návrat emisí k předchozím úrovním. Krátkodobý propad lze pozorovat také po teroristických útocích z 11. září 2001, které vedly ke zpomalení ekonomiky.
Dlouhodobý pokles energetické a emisní náročnosti souvisí mimo jiné s offshoringem průmyslu (2000–2008) a postupným přechodem od uhlí k zemnímu plynu, tzv. břidlicová revoluce (přechod odstartoval v roce 2005). Po přijetí Pařížské klimatické dohody v roce 2015 začal být patrný pokles emisní náročnosti americké ekonomiky. Po zvolení Donalda Trumpa prezidentem v roce 2016 však tempo tohoto poklesu postupně sláblo a trend se prakticky zastavil obchodní válkou mezi USA a Čínou v roce 2018, která byla spojena se zvýšenou ekonomickou aktivitou v některých odvětvích a oslabením důrazu na klimatickou politiku.
2.2 Vybrané státy
Výběr 14 zemí reprezentuje klíčové dimenze analýzy: největší emitenty (USA, Čína, Indie, Rusko), různé příjmové skupiny, odlišné energetické struktury (uhlí – Polsko, jádro – Francie, obnovitelné – Norsko, ropa – Saúdská Arábie) a kontrastní dekouplingové trajektorie napříč všemi světovými regiony (podrobnějí k dekouplingu viz Sekce 5).
vybrane <- c(
"United States", "China", "Germany", "Japan", "India",
"United Kingdom", "France", "Poland",
"Brazil", "South Africa", "Indonesia",
"Russia", "Saudi Arabia", "Norway"
)Zobrazit kód
y_vals <- kaya |>
filter(country %in% vybrane, !is.na(d_co2_actual)) |>
select(d_pop, d_gdp_pc, d_ei, d_ci, interactions, d_co2_actual) |>
unlist() |>
range(na.rm = TRUE)
plots <- map(vybrane, \(s)
plot_kaya(kaya, s, interaktivni = FALSE) +
coord_cartesian(ylim = y_vals)
)
legenda <- cowplot::get_legend(
plots[[1]] + theme(legend.position = "bottom", legend.direction = "horizontal")
)
grid_plots <- map(plots, \(p) p + theme(legend.position = "none"))
cowplot::plot_grid(
cowplot::plot_grid(plotlist = grid_plots, ncol = 2),
legenda, ncol = 1, rel_heights = c(1, 0.05)
)
Vývoj emisí ve sledovaných zemích odráží především rozdílné fáze ekonomického rozvoje. Nejvýraznější růst emisí zaznamenaly rozvíjející se ekonomiky, zejména Čína a Indie, kde industrializace, urbanizace a růst životní úrovně převážily nad zlepšováním energetické účinnosti. V případě Číny byl růst dále podpořen vstupem do WTO v roce 2001 a masivním přesunem výroby ze západních zemí v období vrcholící globalizace a offshoringu.
Naopak ve většině vyspělých ekonomik, jako jsou Spojené království, Německo, Francie a USA, je patrný dlouhodobý pokles emisní a energetické náročnosti. Ten souvisí s technologickým pokrokem, modernizací průmyslu, rozvojem nízkoemisních zdrojů a částečně také přesunem energeticky náročné výroby do zahraničí. Významným příkladem jsou USA, kde po roce 2008 přispěla ke snižování emisí také břidlicová revoluce a přechod od uhlí k zemnímu plynu. Německo navíc po roce 2011 urychlilo energetickou transformaci v rámci politiky Energiewende, zatímco Spojené království dosáhlo výrazného poklesu emisí díky rychlému útlumu uhlí.
U některých zemí je vývoj emisí výrazně ovlivněn strukturou energetiky. Francie, Norsko a Brazílie těží z vysokého podílu nízkoemisních zdrojů energie (jaderné, vodní či biopaliv), zatímco v Jihoafrické republice zůstává dekarbonizace brzděna vysokou závislostí na uhlí.
Ve většině zemí jsou zároveň dobře patrné dopady významných globálních událostí. Finanční krize v letech 2008–2009 vedla k dočasnému poklesu emisí v důsledku propadu průmyslové výroby a hospodářské aktivity. Ještě výraznější byl pandemický rok 2020, kdy omezení dopravy a ekonomické činnosti způsobilo historicky mimořádné poklesy emisí napříč všech států.
Některé země vykazují specifický vývoj spojený s geopolitickými nebo energetickými událostmi. Japonsko po havárii elektrárny Fukušima v roce 2011 dočasně zvýšilo využívání fosilních paliv, zatímco Rusko vedle transformačního propadu po rozpadu Sovětského svazu ovlivnily také sankce po anexi Krymu v roce 2014 a po invazi na Ukrajinu v roce 2022. V Polsku se po vstupu do EU v roce 2004 postupně snižovala energetická náročnost ekonomiky, avšak vysoká závislost na uhlí nadále omezuje tempo dekarbonizace.
Naopak u významných exportérů energií, jako jsou Saúdská Arábie a Norsko, jsou změny emisí více navázány na vývoj světových energetických trhů a cen fosilních paliv než na domácí hospodářský cyklus.
2.3 Podle příjmové skupiny
Graf ukazuje výrazné rozdíly v dynamice emisí mezi příjmovými skupinami zemí. Zatímco ve vysokopříjmových zemích jsou změny emisí relativně malé a dlouhodobě tlumené poklesem energetické a uhlíkové náročnosti, v zemích s nižšími příjmy jsou meziroční výkyvy podstatně vyšší. Růst emisí je zde tažen především populačním růstem a růstem HDP na obyvatele.
Nejstabilnější vývoj vykazují vysokopříjmové země, zatímco nízkopříjmové země se vyznačují největší volatilitou a nejvyššími meziročními přírůstky i poklesy emisí. Vyšší středně příjmové země představují přechodnou skupinu, ve které se kombinuje rychlý ekonomický růst s postupným zlepšováním energetické efektivity.
2.4 Exportéři vs. importéři fosilních paliv
Exportéři fosilních paliv jsou státy, které jsou čistými vývozci ropy, zemního plynu nebo uhlí. Patří mezi ně např. Saúdská Arábie, Rusko, Norsko, Austrálie, Kanada nebo Nigérie. Ostatní státy jsou klasifikovány jako importéři / neutrální.
Rozdíly mezi exportéry fosilních paliv a dovozci či neutrálními zeměmi nejsou výrazné, přesto lze pozorovat několik odlišností. U exportérů je růst emisí častěji spojen s růstem HDP na obyvatele a celkově vykazuje vyšší volatilitu. Naopak u dovozců a neutrálních zemí hraje významnější roli snižování energetické a uhlíkové náročnosti, které dlouhodobě tlumí růst emisí. Obě skupiny vykazují výrazný propad kolem roku 2020 v důsledku pandemie COVID-19, po němž následovalo rychlé oživení.
Celkově se však ukazuje, že postavení země v mezinárodním obchodu s fosilními palivy má na dynamiku emisí menší vliv než úroveň ekonomického rozvoje.
3 Emise CO₂ na obyvatele
Absolutní emise zakrývají demografické rozdíly – velké země emitují více jednoduše proto, že mají více lidí. Emise na obyvatele ukazují, jak “uhlíkově náročný” je průměrný životní standard v dané příjmové skupině.