Ekonometria – Cvičenie 4

Dátová analýza pre udržateľnú energetiku

Autor

Branislav Stríž

Publikované

26. októbra 2026

1 Úvod

V tomto cvičení pokračujem v téme Dátová analýza pre udržateľnú energetiku.

Cieľom práce je pomocou ekonometrických metód preskúmať vzťahy medzi výrobou elektrickej energie z obnoviteľných, fosílnych a jadrových zdrojov.

Používam databázu Global Data on Sustainable Energy (2000–2020) dostupnú na platforme Kaggle.

Analýza sa zameriava na rok 2020, pričom jednotlivé pozorovania predstavujú krajiny. Výsledky dopĺňam porovnaním Slovenska s vybranými krajinami Európskej únie.

Dôležité rozlíšenie: V práci analyzujem výrobu elektrickej energie, nie jej konečnú spotrebu. Výroba a spotreba nie sú totožné, pretože krajiny môžu elektrinu dovážať alebo vyvážať.

2 1. Načítanie a príprava databázy

Kód 
knitr::opts_chunk$set(
  echo = TRUE,
  warning = FALSE,
  message = FALSE
)

# Vyhľadanie databázy CSV

priecinky <- unique(c(
  ".",
  "..",
  "data",
  "udaje",
  file.path(path.expand("~"), "Downloads"),
  file.path(path.expand("~"), "Desktop"),
  file.path(path.expand("~"), "Documents")
))

subory <- unlist(
  lapply(priecinky, function(p) {
    if (dir.exists(p)) {
      list.files(
        p,
        pattern = "\\.csv$",
        full.names = TRUE,
        ignore.case = TRUE
      )
    } else {
      character(0)
    }
  }),
  use.names = FALSE
)

subory <- unique(subory)

kandidati <- subory[
  grepl(
    "global.data.on.sustainable.energy",
    basename(subory),
    ignore.case = TRUE
  )
]

povinne <- c(
  "Entity",
  "Year",
  "Electricity from renewables (TWh)",
  "Electricity from fossil fuels (TWh)",
  "Electricity from nuclear (TWh)"
)

energia <- NULL

for (subor in kandidati) {

  pokus <- tryCatch(
    read.csv(
      subor,
      check.names = FALSE,
      stringsAsFactors = FALSE,
      na.strings = c("", "NA", "N/A")
    ),
    error = function(e) NULL
  )

  if (!is.null(pokus) &&
      all(povinne %in% names(pokus))) {
    energia <- pokus
    break
  }
}

if (is.null(energia)) {
  stop(
    "CSV databáza sa nenašla. ",
    "Vlož súbor global-data-on-sustainable-energy (1).csv ",
    "do rovnakého priečinka ako QMD súbor."
  )
}

# Výber a premenovanie stĺpcov

udaje <- energia[, povinne]

names(udaje) <- c(
  "Krajina",
  "Rok",
  "Obnovitelna",
  "Fosilna",
  "Jadrova"
)

for (p in names(udaje)[-1]) {
  udaje[[p]] <- suppressWarnings(
    as.numeric(as.character(udaje[[p]]))
  )
}

# Výber roku 2020

udaje2020_povodne <- subset(
  udaje,
  Rok == 2020
)

# Odstránenie úplne zhodných duplicitných riadkov

udaje2020_povodne <- unique(
  udaje2020_povodne
)

# Kontrola krajín s úplnými údajmi

udaje2020 <- udaje2020_povodne[
  complete.cases(
    udaje2020_povodne[, c(
      "Obnovitelna",
      "Fosilna",
      "Jadrova"
    )]
  ),
]

rownames(udaje2020) <- NULL

if (nrow(udaje2020) < 10) {
  stop(
    "Nedostatok úplných pozorovaní ",
    "na regresnú analýzu."
  )
}

cat(
  "Počet krajín použitých v analýze:",
  nrow(udaje2020)
)
Počet krajín použitých v analýze: 169

2.1 Ukážka databázy

Kód 
knitr::kable(
  head(udaje2020, 10),
  digits = 2,
  caption = "Ukážka údajov o výrobe elektriny v roku 2020"
)
Ukážka údajov o výrobe elektriny v roku 2020
Krajina Rok Obnovitelna Fosilna Jadrova
Afghanistan 2020 0.68 0.12 0.00
Albania 2020 5.31 0.00 0.00
Algeria 2020 0.72 72.01 0.00
Angola 2020 12.10 4.49 0.00
Antigua and Barbuda 2020 0.02 0.31 0.00
Argentina 2020 37.05 91.58 10.06
Armenia 2020 1.92 2.98 2.55
Aruba 2020 0.15 0.73 0.00
Australia 2020 63.99 186.92 0.00
Austria 2020 55.42 13.77 0.00

Poznámka: Každý riadok predstavuje krajinu. Obnovitelna je výroba elektriny z obnoviteľných zdrojov, Fosilna z fosílnych palív a Jadrova z jadrovej energie. Všetky tri ukazovatele sú vyjadrené v TWh (terawatthodinách).

3 2. Kontrola a čistenie údajov

3.1 Chýbajúce hodnoty

Pred vytvorením regresných modelov skontrolujem chýbajúce hodnoty.

Kód 
chybajuce <- data.frame(
  Premenna = names(udaje2020_povodne),
  Pocet_NA = colSums(
    is.na(udaje2020_povodne)
  )
)

knitr::kable(
  chybajuce,
  caption = "Chýbajúce hodnoty v databáze za rok 2020"
)
Chýbajúce hodnoty v databáze za rok 2020
Premenna Pocet_NA
Krajina Krajina 0
Rok Rok 0
Obnovitelna Obnovitelna 1
Fosilna Fosilna 1
Jadrova Jadrova 6

Poznámka: Pocet_NA predstavuje počet chýbajúcich hodnôt v jednotlivých premenných pred odstránením neúplných pozorovaní. Nejde o počet elektrární ani o množstvo vyrobenej elektriny.

3.2 Odstránenie neúplných pozorovaní

Kód 
kontrola <- data.frame(
  Ukazovatel = c(
    "Pozorovania pred čistením",
    "Pozorovania po čistení",
    "Vyradené pozorovania"
  ),
  Pocet = c(
    nrow(udaje2020_povodne),
    nrow(udaje2020),
    nrow(udaje2020_povodne) -
      nrow(udaje2020)
  )
)

knitr::kable(
  kontrola,
  caption = "Výsledok čistenia databázy"
)
Výsledok čistenia databázy
Ukazovatel Pocet
Pozorovania pred čistením 175
Pozorovania po čistení 169
Vyradené pozorovania 6

Poznámka: Pocet označuje počet riadkov databázy. Pri tejto analýze ide o počet pozorovaní krajín v roku 2020.

Chýbajúce hodnoty automaticky nenahrádzam nulou. Nulová výroba jadrovej elektriny a chýbajúci údaj totiž nemusia znamenať to isté.

4 3. Opisná štatistika

Vypočítam základné štatistiky výroby elektriny podľa jednotlivých zdrojov.

Kód 
premenne <- c(
  "Obnovitelna",
  "Fosilna",
  "Jadrova"
)

statistiky <- data.frame(
  Zdroj = c(
    "Obnoviteľná energia",
    "Fosílne palivá",
    "Jadrová energia"
  ),
  Pocet = sapply(
    udaje2020[premenne],
    function(x) sum(!is.na(x))
  ),
  Priemer = sapply(
    udaje2020[premenne],
    mean
  ),
  Median = sapply(
    udaje2020[premenne],
    median
  ),
  SD = sapply(
    udaje2020[premenne],
    sd
  ),
  Minimum = sapply(
    udaje2020[premenne],
    min
  ),
  Maximum = sapply(
    udaje2020[premenne],
    max
  )
)

rownames(statistiky) <- NULL

knitr::kable(
  statistiky,
  digits = 3,
  caption = "Opisná štatistika výroby elektriny v roku 2020"
)
Opisná štatistika výroby elektriny v roku 2020
Zdroj Pocet Priemer Median SD Minimum Maximum
Obnoviteľná energia 169 40.482 2.57 188.665 0 2184.94
Fosílne palivá 169 79.962 3.11 450.738 0 5184.13
Jadrová energia 169 13.187 0.00 72.754 0 789.88

Vysvetlivky: Pocet je počet dostupných pozorovaní krajín. Priemer predstavuje aritmetický priemer, Median prostrednú hodnotu a SD smerodajnú odchýlku. Výroba je vyjadrená v TWh.

Rozdiely medzi krajinami môžu byť ovplyvnené ich veľkosťou, počtom obyvateľov, priemyselnou štruktúrou a energetickou politikou.

5 4. Grafické zobrazenie údajov

5.1 Vzťah obnoviteľnej a fosílnej výroby

Kód 
plot(
  udaje2020$Fosilna,
  udaje2020$Obnovitelna,
  pch = 19,
  col = "steelblue",
  xlab = "Fosílna výroba (TWh)",
  ylab = "Obnoviteľná výroba (TWh)",
  main = "Vzťah obnoviteľnej a fosílnej výroby"
)

Poznámka: Každý bod predstavuje jednu krajinu v roku 2020. Obe osi vyjadrujú výrobu elektriny v TWh. Graf nezobrazuje spotrebu elektriny.

5.2 Porovnanie troch zdrojov výroby

Kód 
boxplot(
  udaje2020[, c(
    "Obnovitelna",
    "Fosilna",
    "Jadrova"
  )],
  names = c(
    "Obnoviteľná",
    "Fosílna",
    "Jadrová"
  ),
  col = c(
    "lightgreen",
    "orange",
    "lightblue"
  ),
  ylab = "Výroba elektriny (TWh)",
  main = "Rozdelenie výroby elektriny podľa zdroja"
)

Poznámka: Boxplot zobrazuje medián, kvartily a odľahlé hodnoty. Rozdiely sú ovplyvnené aj veľkosťou jednotlivých krajín.

6 5. Jednoduchá lineárna regresia

6.1 Definovanie modelu

Cieľom je preskúmať štatistický vzťah medzi výrobou elektriny z fosílnych palív a výrobou elektriny z obnoviteľných zdrojov.

Model má tvar:

\[ REN_i = \beta_0 + \beta_1 FOS_i + u_i \]

Kde:

  • \(REN_i\) predstavuje obnoviteľnú výrobu elektriny v TWh,
  • \(FOS_i\) predstavuje fosílnu výrobu elektriny v TWh,
  • \(\beta_0\) je konštanta,
  • \(\beta_1\) je regresný koeficient,
  • \(u_i\) je náhodná chyba.

6.2 Odhad modelu

Kód 
model1 <- lm(
  Obnovitelna ~ Fosilna,
  data = udaje2020
)

summary(model1)

Call:
lm(formula = Obnovitelna ~ Fosilna, data = udaje2020)

Residuals:
    Min      1Q  Median      3Q     Max 
-171.76   -9.32   -8.61   -2.55  479.06 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 8.633561   4.546038   1.899   0.0593 .  
Fosilna     0.398291   0.009959  39.992   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 58.18 on 167 degrees of freedom
Multiple R-squared:  0.9055,    Adjusted R-squared:  0.9049 
F-statistic:  1599 on 1 and 167 DF,  p-value: < 2.2e-16

6.3 Regresné koeficienty

Kód 
koeficienty1 <- data.frame(
  Premenna = names(coef(model1)),
  Koeficient = as.numeric(
    coef(model1)
  )
)

knitr::kable(
  koeficienty1,
  digits = 5,
  caption = "Koeficienty jednoduchej regresie"
)
Koeficienty jednoduchej regresie
Premenna Koeficient
(Intercept) 8.63356
Fosilna 0.39829

Poznámka: Koeficient pri premennej Fosilna vyjadruje zmenu predikovanej obnoviteľnej výroby pri rozdiele 1 TWh vo fosílnej výrobe. Nejde o dôkaz, že fosílna výroba priamo spôsobuje zmenu obnoviteľnej výroby.

6.4 Regresná priamka

Kód 
plot(
  udaje2020$Fosilna,
  udaje2020$Obnovitelna,
  pch = 19,
  col = "steelblue",
  xlab = "Fosílna výroba (TWh)",
  ylab = "Obnoviteľná výroba (TWh)",
  main = "Jednoduchá lineárna regresia"
)

abline(
  model1,
  col = "red",
  lwd = 2
)

Poznámka: Modré body predstavujú krajiny a červená priamka odhadnutý lineárny vzťah. Model je zjednodušený, pretože nezohľadňuje veľkosť krajín ani ďalšie faktory.

7 6. Viacnásobná lineárna regresia

Jednoduchý model rozšírim o výrobu elektriny z jadrovej energie.

Model má tvar:

\[ REN_i = \beta_0 + \beta_1 FOS_i + \beta_2 JAD_i + u_i \]

Kde \(JAD_i\) predstavuje výrobu jadrovej elektriny v TWh.

Kód 
model2 <- lm(
  Obnovitelna ~ Fosilna + Jadrova,
  data = udaje2020
)

summary(model2)

Call:
lm(formula = Obnovitelna ~ Fosilna + Jadrova, data = udaje2020)

Residuals:
    Min      1Q  Median      3Q     Max 
-171.23   -9.29   -8.59   -2.51  479.06 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 8.609213   4.574379   1.882   0.0616 .  
Fosilna     0.397661   0.013779  28.859   <2e-16 ***
Jadrova     0.005667   0.085369   0.066   0.9472    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 58.36 on 166 degrees of freedom
Multiple R-squared:  0.9055,    Adjusted R-squared:  0.9043 
F-statistic: 794.9 on 2 and 166 DF,  p-value: < 2.2e-16

7.1 Regresné koeficienty

Kód 
koeficienty2 <- data.frame(
  Premenna = names(coef(model2)),
  Koeficient = as.numeric(
    coef(model2)
  )
)

knitr::kable(
  koeficienty2,
  digits = 5,
  caption = "Koeficienty viacnásobnej regresie"
)
Koeficienty viacnásobnej regresie
Premenna Koeficient
(Intercept) 8.60921
Fosilna 0.39766
Jadrova 0.00567

Poznámka: Koeficient pri fosílnej výrobe vyjadruje štatistický vzťah k obnoviteľnej výrobe pri rovnakej hodnote jadrovej výroby. Analogicky sa interpretuje koeficient pri jadrovej výrobe.

Model stále nezohľadňuje viaceré dôležité faktory, napríklad veľkosť ekonomiky, spotrebu elektriny, energetickú politiku či štruktúru priemyslu.

8 7. Porovnanie regresných modelov

8.1 Koeficient determinácie

Kód 
porovnanie_modelov <- data.frame(
  Model = c(
    "Jednoduchá regresia",
    "Viacnásobná regresia"
  ),
  R2 = c(
    summary(model1)$r.squared,
    summary(model2)$r.squared
  ),
  Upraveny_R2 = c(
    summary(model1)$adj.r.squared,
    summary(model2)$adj.r.squared
  ),
  Pocet = c(
    nobs(model1),
    nobs(model2)
  )
)

knitr::kable(
  porovnanie_modelov,
  digits = 4,
  caption = "Porovnanie regresných modelov"
)
Porovnanie regresných modelov
Model R2 Upraveny_R2 Pocet
Jednoduchá regresia 0.9055 0.9049 169
Viacnásobná regresia 0.9055 0.9043 169

Vysvetlivky: R2 predstavuje koeficient determinácie, Upraveny_R2 jeho upravenú hodnotu zohľadňujúcu počet vysvetľujúcich premenných a Pocet počet pozorovaní použitých pri odhade modelu.

Vyššia hodnota R² znamená, že model opisuje väčšiu časť variability závislej premennej. Sama osebe však neznamená, že model je správne špecifikovaný.

9 8. Predikované hodnoty a rezíduá

9.1 Výpočet rezíduí

Rezíduum predstavuje rozdiel medzi skutočnou a modelom predikovanou hodnotou.

\[ e_i = y_i - \widehat{y}_i \]

Kód 
porovnanie <- data.frame(
  Krajina = udaje2020$Krajina,
  Skutocna = udaje2020$Obnovitelna,
  Predikovana = fitted(model2),
  Reziduum = residuals(model2)
)

knitr::kable(
  head(porovnanie, 15),
  digits = 3,
  caption = "Skutočné a predikované hodnoty výroby"
)
Skutočné a predikované hodnoty výroby
Krajina Skutocna Predikovana Reziduum
Afghanistan 0.68 8.657 -7.977
Albania 5.31 8.609 -3.299
Algeria 0.72 37.245 -36.525
Angola 12.10 10.395 1.705
Antigua and Barbuda 0.02 8.732 -8.712
Argentina 37.05 45.084 -8.034
Armenia 1.92 9.809 -7.889
Aruba 0.15 8.900 -8.750
Australia 63.99 82.940 -18.950
Austria 55.42 14.085 41.335
Azerbaijan 1.22 17.819 -16.599
Bahamas 0.00 9.401 -9.401
Bahrain 0.01 20.479 -20.469
Bangladesh 1.31 38.199 -36.889
Barbados 0.07 8.979 -8.909

Vysvetlivky: Skutocna je pozorovaná výroba obnoviteľnej elektriny, Predikovana je hodnota odhadnutá modelom a Reziduum je ich rozdiel. Hodnoty sú v TWh.

9.2 Graf rezíduí

Kód 
plot(
  fitted(model2),
  residuals(model2),
  pch = 19,
  col = "darkblue",
  xlab = "Predikovaná výroba (TWh)",
  ylab = "Rezíduum (TWh)",
  main = "Rezíduá viacnásobného regresného modelu"
)

abline(
  h = 0,
  col = "red",
  lwd = 2
)

Poznámka: Body predstavujú jednotlivé krajiny. Červená čiara označuje nulové rezíduum. Výrazné vzory alebo odľahlé hodnoty môžu upozorniť na nedostatky modelu.

10 9. Predikcia pomocou regresného modelu

Na základe odhadnutého modelu vypočítam predikované hodnoty obnoviteľnej výroby pre vybrané kombinácie fosílnej a jadrovej výroby.

Kód 
nove_udaje <- data.frame(
  Fosilna = c(10, 50, 100),
  Jadrova = c(5, 10, 20)
)

nove_udaje$Predikcia <- predict(
  model2,
  newdata = nove_udaje
)

knitr::kable(
  nove_udaje,
  digits = 3,
  caption = "Predikcia obnoviteľnej výroby elektriny"
)
Predikcia obnoviteľnej výroby elektriny
Fosilna Jadrova Predikcia
10 5 12.614
50 10 28.549
100 20 48.489

Poznámka: Všetky hodnoty sú v TWh. Predikcie predstavujú výsledky štatistického modelu, nie skutočné budúce hodnoty. Model môže pri niektorých kombináciách vstupov poskytovať aj nereálne predikcie.

11 10. Porovnanie Slovenska s krajinami EÚ

Na základe pripomienky vyučujúceho doplním porovnanie Slovenska s vybranými krajinami Európskej únie.

Zameriam sa na Slovensko, Česko, Rakúsko, Nemecko a Poľsko.

11.1 Výber krajín

Kód 
krajiny_eu <- c(
  "Slovakia",
  "Czechia",
  "Czech Republic",
  "Austria",
  "Germany",
  "Poland"
)

porovnanie_eu <- subset(
  udaje2020,
  Krajina %in% krajiny_eu
)

# Súčet sledovaných zdrojov výroby

porovnanie_eu$CelkovaVyroba <-
  porovnanie_eu$Obnovitelna +
  porovnanie_eu$Fosilna +
  porovnanie_eu$Jadrova

# Podiel obnoviteľnej výroby

porovnanie_eu$PodielObnovitelnej <- ifelse(
  porovnanie_eu$CelkovaVyroba > 0,
  100 * porovnanie_eu$Obnovitelna /
    porovnanie_eu$CelkovaVyroba,
  NA_real_
)

# Podiel jadrovej výroby

porovnanie_eu$PodielJadrovej <- ifelse(
  porovnanie_eu$CelkovaVyroba > 0,
  100 * porovnanie_eu$Jadrova /
    porovnanie_eu$CelkovaVyroba,
  NA_real_
)

knitr::kable(
  porovnanie_eu[, c(
    "Krajina",
    "Obnovitelna",
    "Fosilna",
    "Jadrova",
    "PodielObnovitelnej",
    "PodielJadrovej"
  )],
  digits = 2,
  caption = "Porovnanie energetického mixu vybraných krajín EÚ"
)
Porovnanie energetického mixu vybraných krajín EÚ
Krajina Obnovitelna Fosilna Jadrova PodielObnovitelnej PodielJadrovej
10 Austria 55.42 13.77 0.00 80.10 0.00
42 Czechia 10.39 39.72 30.04 12.96 37.48
61 Germany 251.48 251.40 64.38 44.33 11.35
123 Poland 28.23 128.91 0.00 17.96 0.00
139 Slovakia 6.85 6.22 15.44 24.03 54.16

Vysvetlivky: Výroba elektriny je v TWh. PodielObnovitelnej a PodielJadrovej predstavujú percentuálny podiel príslušného zdroja na súčte výroby z troch sledovaných zdrojov. Nejde o podiel na konečnej spotrebe energie.

11.2 Graf energetického mixu

Kód 
if (nrow(porovnanie_eu) > 0) {

  matica <- t(as.matrix(
    porovnanie_eu[, c(
      "Obnovitelna",
      "Fosilna",
      "Jadrova"
    )]
  ))

  colnames(matica) <- porovnanie_eu$Krajina

  barplot(
    matica,
    beside = FALSE,
    col = c(
      "darkgreen",
      "darkorange",
      "steelblue"
    ),
    main = "Energetický mix vybraných krajín EÚ v roku 2020",
    ylab = "Výroba elektriny (TWh)",
    las = 2,
    legend.text = c(
      "Obnoviteľná",
      "Fosílna",
      "Jadrová"
    ),
    args.legend = list(
      x = "topright",
      bty = "n",
      cex = 0.8
    )
  )

} else {
  plot.new()
  title("Pre vybrané krajiny nie sú dostupné údaje.")
}

Poznámka: Graf zobrazuje absolútnu výrobu elektriny, nie jej spotrebu. Preto krajiny s väčšími ekonomikami môžu mať výrazne vyššie hodnoty. Pri hodnotení štruktúry energetiky je vhodné sledovať aj percentuálne podiely.

12 11. Slovensko a tretí blok Mochoviec

Slovensko má špecifickú štruktúru výroby elektrickej energie, v ktorej významnú úlohu zohráva jadrová energetika.

Pri interpretácii historických údajov je potrebné zohľadniť aj zmeny vo výrobnej kapacite.

Tretí blok jadrovej elektrárne Mochovce začal dodávať elektrinu do siete v roku 2023.

Použitá databáza však obsahuje údaje iba za roky 2000 až 2020. Preto v nej nie je možné priamo sledovať vplyv spustenia tretieho bloku Mochoviec.

Táto skutočnosť predstavuje jedno z obmedzení práce. Na vyhodnotenie vplyvu nového jadrového bloku by bolo potrebné rozšíriť databázu o novšie roky.

13 12. Obmedzenia ekonometrickej analýzy

Pri interpretácii výsledkov je potrebné zohľadniť niekoľko obmedzení.

Po prvé, analýza využíva údaje o výrobe elektriny, nie o spotrebe. Tieto ukazovatele nie sú totožné.

Po druhé, jednotlivé krajiny sa výrazne líšia svojou veľkosťou, počtom obyvateľov, ekonomickou aktivitou a energetickou štruktúrou.

Po tretie, použité regresné modely nezohľadňujú všetky faktory, ktoré môžu ovplyvňovať výrobu elektriny. Výsledky preto nemožno interpretovať ako príčinné vzťahy.

Po štvrté, model je odhadnutý na prierezových údajoch za rok 2020. Neopisuje teda automaticky dlhodobý vývoj ani vplyv novších energetických zmien.

Regresné modely používam predovšetkým na precvičenie ekonometrických postupov, výpočtu koeficientov, rezíduí a predikcií.

14 Záver

V tomto cvičení som analyzoval vlastnú databázu Global Data on Sustainable Energy (2000–2020) pomocou ekonometrických metód.

Najskôr som načítal údaje, skontroloval chýbajúce hodnoty a pripravil databázu na regresnú analýzu.

Následne som vypočítal opisné štatistiky, vytvoril grafy a odhadol jednoduchý a viacnásobný regresný model.

Porovnal som koeficienty determinácie, vypočítal predikované hodnoty a rezíduá.

Na základe pripomienok vyučujúceho som doplnil vysvetlivky k tabuľkám a grafom, porovnanie Slovenska s vybranými krajinami Európskej únie a upozornenie na rozdiel medzi výrobou a spotrebou elektriny.

Zohľadnil som tiež skutočnosť, že databáza končí rokom 2020 a nezachytáva spustenie tretieho bloku Mochoviec.

Výsledky ukazujú možnosti využitia ekonometrických metód pri analýze energetiky, zároveň však upozorňujú na potrebu opatrnej interpretácie jednoduchých regresných modelov.

15 Použitý zdroj

Tanwar, A. Global Data on Sustainable Energy (2000–2020). Kaggle.

https://www.kaggle.com/datasets/anshtanwar/global-data-on-sustainable-energy