Sähkön markkinahintaa selittävät tekijät. Case: Nord Pool 2000-2005

Abstract

Sähkön markkinahinta on saanut osakseen suurta huomiota viimeaikoina. Sähkömarkkinoiden vapautuminen ja päästökaupan avaaminen Euroopassa onentisestään nostanut sähkömarkkinoita näkyville lehdissä.

Tämä tutkielma tutkii erilaisten tekijöiden vaikutusta sähkön markkinahintaan regressioanalyysin avulla. Edellä mainitun päästösopimusten markkinahinnan lisäksi tutkittiin kivihiilen sekä maakaasun markkinahintojen, lämpötilojen, jokien virtaamien, vesivarantojen täyttöasteiden sekä Saksan sähkömarkkinoiden hinnan vaikutusta sähkön markkinahintaan Nord Pool -sähköpörssissä. Työssä luotiin myös sähkön markkinahintaa ennustava malli.

Kaikkien selittävien tekijöiden korrelaatiot olivat oletusten mukaiset ja regressioanalyysi onnistui selittämään yli 80 % sähkön markkinahinnan vaih-teluista. Merkittävimpiä selittäviä tekijöitä olivat vesivarannot sekä jokien virtaamat. Ennustavan mallin keskimääräinen suhteellinen virhe oli noin 10 %, joten ennustetarkkuus oli melko hyvä.

The market price of electricity has got a lot of attention lately. The deregu-lation of electricity markets and the opening of emission trading market in Europe has drawn even further interest in the electricity markets.

This paper researches various determinants of the market price of electricity through regression analysis. Besides the market price of emission al-lowances the market prices of natural gas and coal, the German spot price of electricity, water reservoir levels, river flows and temperatures arealso regressed on the market price of electricity at Nord Pool, the Nordic Power Exchange. A forecasting model was also created with the help of regressi-on analysis.

The correlations between the explanatory variables and the dependent variable were all significant and as expected on a priori basis.The regression managed to explain over 80 % of the variation in the market price of electricity. The most important determinants were the water reservoir le-vels and river flows. The forecasting model could forecast the electricity prices with a 10 % average error.