Energiebilanzen geben Auskunft über die energiewirtschaftlichen Aufkommen, Umwandlungen und Verbräuche von Energie aufgeteilt nach Energieträgern und Wirtschaftssektoren. Auf Grundlage von Energiebilanzen werden CO2-Bilanzen erstellt. Ein Großteil der Daten für die Energiebilanz wird von der amtlichen Statistik erhoben und ist durch das Energiestatistikgesetz legitimiert. Somit bilden Energiebilanzen eine objektive Grundlage für politische Entscheidungen zur Zusammensetzung und Sicherstellung der Energieversorgung sowie Bewertung von Klimazielen. Seit über 60 Jahren werden in den Bundesländern Energiebilanzen erstellt. In Folge der Ölpreiskrise 1973 wird seit Ende der 1970er Jahre die Erstellung der Bilanzen gemeinsam im Länderarbeitskreis Energiebilanzen koordiniert und eine einheitliche Methodik verfolgt. Die letzten 60 Jahre sind in Deutschland durch erhebliche energiepolitische, wirtschaftliche und technologische Änderungen gekennzeichnet. Der Vergleich der Daten der Energiebilanzen mit geschichtlichen Ereignissen der letzten 60 Jahre am Beispiel Baden-Württemberg zeigt, dass sich globale Ereignisse und politische Entscheidungen (z.B. Kohlekrise 1957, Ölpreiskrise 1973, Nuklearkatastrophe von Tschernobyl 1986, Erneuerbare-Energien-Gesetz 2000, Atomausstieg 2000, Nuklearkatastrophe von Fukushima 2011, Covid-19-Pandemie 2020) in den Daten der Energiebilanzen wiederfinden lassen und methodische Anpassungen erforderlich machten. Derzeit sind Fragen zur sicheren, nachhaltigen und ressourcenschonenden Energieversorgung, Energiewende, Energiepreiskrise und Dunkelflaute gesellschaftlich und politisch so präsent wie nie. Aktuell und zukünftig steht die Energiebilanzierung vor neuen Herausforderungen und Chancen (z.B. Smart-Meter-Daten, Wasserstofferhebung, Big Data, künstliche Intelligenz, Datenaktualität, Desinformation).

Total carbon content of output, defined as the sum of direct and upstream indirect emissions, is the most comprehensive measure for transition risk, as it captures all emissions due to the production of this output and yields a direct metric for the sensitivity of emission of carbon taxes.

This paper has a focus on financial portfolios and is meant to be a hands-on guide. It describes how industry level data on production interlinkages and on direct emissions can be used to generate esti-mates for indirect emission intensities for aggregate portfolios. Essentially, this is done by attributing industry level intensities to entities and computing weighted averages of these intensities.

The first part of this essay explains the nature of indirect emissions and how they are constituted by production interlinkages in the context of a linear production model. The second part describes how to approximate these expressions based on aggregate data. A third part looks at results for industries, groups of counties, groups of products, with a closer look on Germany, and the components of carbon content for the output or Euro area countries are computed as a time series.

A final section presents an important application: the weighted average carbon intensity of banks in Germany. Emission intensities are matched with outstanding bank loans according to industry com-pounds, as provided by the German balance sheet statistics. It turns out that bank lending in Germany is characterised strong and persistent bias towards high emission industries. This bias is entirely due to a disproportionate reliance of the energy, water supply and disposal industries on bank financing.

Versunkene Kosten sind irreversible Investitionen – etwa bereits aufgewendete Zeit oder Ressourcen – die durch zukünftige Entscheidungen nicht mehr rückgängig gemacht werden können. Aus rational-ökonomischer Sicht sollten solche Kosten keinen Einfluss auf aktuelles Entscheidungsverhalten haben. Dennoch zeigen zahlreiche Studien, dass sowohl Menschen als auch Tiere in ihrem Verhalten sensitiv auf versunkene Kosten reagieren. Besonders ausgeprägt ist dies im Umgang mit Zeitkosten, wenn Individuen Aktivitäten fortsetzen, obwohl diese objektiv nicht mehr lohnend erscheinen – allein aufgrund der bereits investierten Zeit.

In dieser Studie untersuchen wir die zeitbezogene Sensitivität gegenüber versunkenen Kosten bei Mäusen mithilfe eines automatisierten, verhaltensbasierten Entscheidungsparadigmas – der sogenannten Restaurant-Row-Aufgabe. In diesem Paradigma bewegen sich Mäuse durch ein ringförmiges Labyrinth, in dem sie vier „Restaurants“ in einer festgelegten Reihenfolge nacheinander besuchen. Jedes Restaurant bietet Belohnungen in unterschiedlicher Menge. Die Tiere können nicht frei wählen, welches Restaurant sie aufsuchen, wohl aber entscheiden, ob sie das aktuelle Angebot annehmen oder zum nächsten Restaurant weitergehen.

Jedes Restaurant besteht aus einer Angebots- und einer Wartezone. In der Angebotszone wird akustisch signalisiert, wie lange die Wartezeit bis zur Belohnung beträgt (1–30 Sekunden). In der Wartezone können die Mäuse die Wartezeit durchhalten oder abbrechen.

Unsere Ergebnisse zeigen, dass die Entscheidung der Tiere nicht nur vom verbleibenden Countdown, sondern auch von der bereits verbrachten Wartezeit beeinflusst wird – ein klarer Hinweis auf Sensitivität gegenüber versunkenen Kosten.

Die automatisierte Versuchsanordnung, entwickelt im Winterlab, erlaubt eine effiziente Datenerhebung, flexible Anpassung der Versuchsparameter und eine einfache Übertragbarkeit auf andere Spezies.

In progressive Type-II censoring, n items are subjected to a life test. Upon the first failure, a predefined number of items are randomly selected and removed from the experiment. This process continues with each subsequent failure until the m-th failure occurs, at which point the life test concludes, and the remaining items are censored. While exponential distributions are widely used as underlying lifetime distributions, Weibull distributions are also prevalent, necessitating the evaluation of their fit based on available data. Although goodness-of-fit tests for exponentiality are well-established in progressively Type-II censored data, those for Weibull distributions have received limited attention.

One popular approach for testing exponentiality relies on the spacings of the observed failure times. In this talk, we follow this approach and introduce novel goodness-of-fit tests utilizing scale-invariant statistics derived from the Mahalanobis norm of normalized failure times. This leads us to the Euclidean norm (among others) of spacings in progressively Type-II censored data based on the standard uniform distribution. We present results from a power study that evaluates our novel tests against existing benchmarks across various alternative distributions and censoring plans, demonstrating superior performance in scenarios with small to moderate sample sizes. Additionally, we extend our methodology to approximate goodness-of-fit tests for Weibull distributions, ensuring robustness concerning the approximated significance level under unknown shape parameters. Finally, we illustrate the practical applicability of our tests through a data example and discuss further research questions that arise from our approach.