Various environmental policy instruments supporting the development of renewable energy are used on an increasing scale as part of the policy of mitigating climate change and more. In our paper, we examine the influence of environmental policy stringency on renewable energy production in the Czech Republic, Hungary, Poland and Slovakia for the period 1993–2012 after controlling for gross domestic product per capita growth, CO₂ emissions per capita and income inequality. We use the Panel Pooled Mean Group Autoregressive Distributive Lag model to analyze the long-run and the short-run relationship between restrictiveness of environmental policy and renewable energy generation. The results reveal that, in the long run, a more stringent environmental policy has a positive impact both on the increase in the absolute volume of renewable energy production, as well as on the replacement of energy from fossil sources. Our main findings indicate that renewable energy production is positively influenced not only by the stringency of instruments aimed directly at the development of this energy sector, but also by the stringency of instruments with other environmental goals and by the overall level of restrictiveness of the environmental policy.

Wind energy has been operating in Poland for over 20 years, but many opinions on its profitability are based on publications from other countries and simulations prepared by manufacturers. However, the truth is that the climatic specificity of various countries and price relationships, especially energy prices and subsidies, significantly differentiate this profitability depending on the country. The publication aimed to look at the profitability of wind farms in Poland from three perspectives: financial analysis, NPV (Net Present Value) calculation for older wind farms (2006–2014), and break-even price of energy for these farms (for a non-negative NPV). The research hypothesis set out in the publication stated that wind farms from this period require higher energy prices than current market prices in Poland to achieve a return on invested capital. An element of novelty was calculating the energy price range that would provide an opportunity for at least some of the older farms operating in the green certificates scheme to achieve a positive NPV. We also attempted to demonstrate that the loss of control over the prices of green certificates, which took place in 2014–2017, led to such a decrease in energy prices that the 2006–2014 wind farms suffered a net loss.

Low-carbon development is one of the more significant problems of the Visegrad Group countries (Czech Republic, Poland, Slovakia, and Hungary). It is related, among others, to the improvement of life quality in economic terms while taking into account activities for environmental protection. The aim of the article is to identify and explain the problems connected with low-carbon development. The purpose of the analyses is also to prove the negative impact of the emission of greenhouse gas emission (GHG) and other harmful substances into the air on the quality of human life and the natural environment. During the research, an assessment of the eco-efficiency of the used energy resources and technologies that negatively affect the environment was carried out. Moreover, the paper also presents methods to use greener energy sources and analyses the potential of implementing solutions supporting low-carbon development. The study recommends actions that may contribute to the reduction of greenhouse gas emissions. These include the limitation of the use of fossil fuels for the benefit of renewable energy and the development of distributed energy.

Tytuł artykułu: Prognozowanie upadłości polskich przedsiębiorstw – porównanie skuteczności wybranych metod uczenia maszynowego oraz deep learninguPoprawne przewidywanie niewypłacalności przedsiębiorstw jest niezwykle istotne z perspektywy zarządzania finansami przedsiębiorstw, gdyż ma ono kluczowe znaczenie w zarządzaniu należnościami, ocenie projektów inwestycyjnych, zarządzaniu kapitałem obrotowym, oceną zdolności do kontynuowania działania, podejmowaniu współpracy i podpisywaniu umów z innymi przedsiębiorstwami. Celem artykułu jest porównanie skuteczności wybranych algorytmów uczenia maszynowego i deep learningu, które zostały zastosowane na reprezentatywnej próbie polskich przedsiębiorstw z wykorzystaniem danych za lata 2008–2018. W artykule podjęto próbę porównania skuteczności następujących algorytmów machine learning (uczenia maszynowego): analizy dyskryminacyjnej (DA), funkcji logitowej (L), support vector machines (SVM), random forest (RF), gradient boosting decision trees (GB), sieci neuronowych z jedną warstwą ukrytą (NN), konwolucyjnych sieci neuronowych (CNN) oraz metody naïve Bayes (NB). Zgodnie z hipotezami badawczymi jeśli ma się dostęp do dużej próby firm, najskuteczniejszym algorytmem (pierwszym wyborem) w prognozie bankructwa są algorytmy: gradient boosting decision trees (H1), random forest (H2) i nierekurencyjne wielowarstwowe sieci neuronowe (H3). Wstępne hipotezy zostały sformułowane na podstawie opinii praktyków dotyczących przydatności różnych algorytmów uczenia maszynowego i algorytmów sztucznej inteligencji w prognozowaniu upadłości przedsiębiorstw. W artykule wykorzystano do uczenia algorytmów bardzo dużą (reprezentatywną) grupę przedsiębiorstw komercyjnych (dane za lata 2008–2013), a do walidacji skuteczności algorytmów również bardzo dużą populację przedsiębiorstw (dane za okres 2014–2018); obydwie populacje obejmowały zupełnie inne podmioty gospodarcze i inne okresy, co pozwoliło na rzetelne porównanie skuteczności badanych algorytmów.