| dc.description.abstract | I det såkalte Klimaforliket har Stortinget, med utgangspunkt i Stortingsmelding nr. 34, vurdert det som et realistisk mål at de nasjonale utslippene av CO2 skal reduseres med 15 – 17 millioner tonn CO2-ekvivalenter i forhold til referansebanen innen 2020. Klimakur 2020 er navnet på etatsgruppen som fikk i oppdrag å vurdere virkemidler og tiltak som må til for å oppfylle dette klimamålet. I transportsektoren er det beregnet et utslippsreduksjonspotensial på 2,5-4 millioner tonn CO2 innen 2020.
Målet med denne oppgaven er å estimere en rensekostnadsfunksjon for CO2-reduksjon i transportsektoren. Det er foreslått ulike teknologiske omlegginger innenfor transportsektoren for å nå CO2-utslippsmålene. For å estimere rensekostnadsfunksjonen vil jeg ta utgangspunkt i beregninger av potensielle utslippsreduksjoner gjennom følgende tiltak i vare- og personbiltransport:
- Effektivisering av bensin- og dieseldrevne personbiler og varebiler
- Elektrifisering av personbiler; elbiler og ladbare hybridbiler
- Hydrogen i personbiler
- Effektivisering av bildekkene til personbiler
- Innblanding av biodrivstoff
Beregningene er gjennomført av etatsgruppene bak Klimakur 2020 og presentert i klimakurrapportene, Klimakur 2020 (2010b og c) og Kanenergi og INSA (2009).
Statistisk Sentralbyrå har tidligere gjennomført en liknende estimering av en rensekostnadsfunksjon for transportsektoren (Fæhn mfl., 2010). Denne kostnadsfunksjonen er estimert i Excel, noe som begrenser hvilke typer regresjoner det er mulig å gjøre. I denne oppgaven har jeg derfor valgt å bruke statistikkprogrammet STATA for å kunne gjøre regresjoner også basert på paneldata, samt gjennomføre residualanalyser i forbindelse med estimeringen av forskjellige rensekostadsfunksjoner. Jeg vil dessuten gå et skritt videre ved å forsøke å tallfeste hvordan rensekostnadene endrer seg over tid, etter hvert som ny teknologi blir utviklet.
I oppgaven har jeg estimert både totalkostnadsfunksjoner og marginalkostnadsfunksjoner. I tillegg til å være estimert for ett år av gangen, er de estimert basert på paneldata, der kostnadsfunksjonene avhenger av både utslippsreduksjon og tid. I arbeidet med å estimere sammenhengen mellom kostnader og utslippsreduksjon, har jeg forsøkt med forskjellige funksjonsformer. Jeg har utført en “Regression Specification Error Test” (RESET) for å sammenlikne de ulike funksjonsformenes evne til å beskrive sammenhengen mellom kostnader og utslippsreduksjon. I tillegg har jeg testet modellene for heteroskedastisitet.
For å estimere kostnadsfunksjoner basert på paneldata, er det nødvendig å gjøre et valg når det gjelder hvilken rekkefølge tiltakene skal fases inn i. Her legger jeg kostnadseffektivitet til grunn, slik at tiltakene rangeres etter kostnader per enhet redusert utslipp. Jeg vil rangere tiltakene på følgende to måter:
a) Året 2020 brukes som referanseår i den forstand at jeg har rangert de ulike tiltakene etter hvilke som var mest kostnadseffektive i 2020. Denne rekkefølgen beholdes også for de andre måleårene.
b) Tiltakene blir rangert etter kostnadseffektivitet i hvert måleår for seg. Dette innebærer at tiltakene vil være rangert i forskjellig rekkefølge for hvert av måleårene.
Estimeringsresultatene basert på disse to metodene, gir forskjellige estimater av koeffisientene. Generelt gir metode a) lavere absoluttverdier på koeffisientene, både med hensyn på utslippsreduksjon og tidsvariabelen. I én av de gjennomførte regresjonene basert på metode a), viser resultatet en positiv sammenheng mellom totalkostnader og tid. Alle de andre paneldataregresjonene, viser en negativ sammenheng.
De ulike regresjonene gir ikke noe klart svar på hvorvidt totalkostnadsfunksjonen er konkav eller konveks med hensyn på utslippsreduksjon. For regresjonene med signifikante koeffisienter, viser halvparten tegn på en konveks sammenheng mellom totalkostnader og utslippsreduksjon, mens den andre halvparten viser tegn på en konkav sammenheng. På grunn av høy korrelasjon mellom utslippsreduksjon og tid, bærer estimeringene preg av sterk grad av kollinearitet mellom variablene. Dette fører i flere tilfeller til at jeg ikke får signifikante verdier på koeffisientene. Spesielt gjelder dette regresjonene basert på metode a). Problemet med kollinearitet blir forsterket av at jeg har svært få observasjoner å basere regresjonene mine på. Jeg har også gjennomført en robusthetstest av regresjonsmodellene. Resultatet viser tegn på heteroskedastisitet og at residualene ikke er normalfordelte. Følgelig kan konfidensintervallene til koeffisientene være misvisende. Alle disse faktorene betyr at det er stor usikkerhet rundt resultatene mine. Dette er det viktig å ta hensyn til når resultatene skal tolkes og eventuelt anvendes som del av en større modell. | nor |