Blåser vindkraft en i nat uren? Et krit isk blikk på konsesjonsordningen
Tor Håkon Jackson Inder ber g
Senior f or sker , Fr idt j of Nansens inst it ut t
FNI, 24. april 2019
Com p et i n g l an d -u se p r essu r es i n Nor w ay
Undersøke int egreringen av nat urvernhensyn i vindkraft konsesjoner
Finansiert av NFR, 2016-2020 Fokuseres på:
– Avveininger mellom ut bygging og nat urvern – Hvordan det t e løses i praksis
– Hvilk e akt ører påvirk er k onsesjonsprosessene
Kvantitat ive og kvalit at ive analyser
Kon sesj on sp r osessen
Public hearing Setting EIA programme
Notification
Public hearing Objections from public
bodies
Application including
EIA Decision by Appeals
NVE
Final decision by
OED
Kv an t i t at i v t : For el øp i g e f u n n
Alle (fullendt e) konsesjonsprosesser i Norge
– Over 10MW – NVE OED
Kodet manuelt fra søknadsdokum ent ene
Særlig Konsek vensut redningene (KU) vikt ige Begrensninger i dat am at erialet
– 102 caser i analysene
– Vanskelig å finne dat a f or noen case – Foreløpig mest enk le sammenhenger
– Logist isk regresjon – regner ut sammenheng og
sannsynlighet f or ut f all
Kom m u n en s h ol d n i n g k on sesj on
VARIABLES Model 1.
Logist ic regression
(OR)
Model 2.
Logist ic regression
(OR)
Model 3.
ReLogit (OR)
Model 4. OLS Model 5. Firt h logit (OR)
Model 6.
Ex act logit (OR)
Mu n i ci p al at t i t u d e
5.222*** 5.222*** 4.993*** 0.383*** 5.000*** 5.106
(2.692) (2.708) (2.530) (0.108) (2.527) NA
Const ant 0.600 0.600 0.613 0.375*** 0.613 NA
(0.253) (0.254) (0.254) (0.0918) (0.253) NA
Observat ions 86 86 86 86 86 86
prob-t est .0009471/ 0.0
02
lr-t est 10.69/ 0.0011
R-squared 0.130
KU k om m u n en s h ol d n i n g
VARIABLES Model 1.
Logist ic regression
(OR)
Model 2.
Logist ic regression
(OR)
Model 3.
ReLogit (OR)
Model 4. OLS Model 5. Firt h logit (OR)
Model 6.
Ex act logit (OR)
r ev KU_n at 0.433* 0.433* 0.437* -0.178* 0.437* 0.4369022
(0.199) (0.200) (0.198) (0.0956) (0.198)
Const ant 3.375*** 3.375*** 3.302*** 0.771*** 3.303***
(0.961) (0.965) (0.926) (0.0535) (0.928)
Observat ions 102 102 102 102 102 102
prob-t est .0354158/ 0.0
966
lr-t est 3.32/ 0.0683
R-squared 0.033
KU k on sesj on er
VARIABLES Model 1.
Logist ic regression
(OR)
Model 2.
Logist ic regression
(OR)
Model 3.
ReLogit (OR)
Model 4. OLS Model 5. Firt h logit (OR)
Model 6.
Ex act logit (OR)
r ev KU_n at v 2 0.262** 0.262** 0.283** -0.258*** 0.281** 0.265012
(0.142) (0.143) (0.152) (0.0983) (0.148)
Const ant 5.400*** 5.400*** 4.977*** 0.844*** 5.000***
(2.629) (2.642) (2.388) (0.0814) (2.335)
Observat ions 102 102 102 102 102 102
prob-t est .0062107/ 0.0
125
lr-t est 6.73/ 0.0095
R-squared 0.065