Vliv ekonomického rozvoje států na plochu lesů

Jak se to celé začalo?

Společně jsme se daly dohromady díky vzájemným sympatiím jak z online, tak z osobního setkání během Seznamovacího večera. Shodly jsme se na tom, že chceme zkoumat téma zabývající se životním prostředím. Zároveň jsme ale chtěly najít něco pozitivního, ať na konci akademie netrpíme depresí z toho, že naše planeta za pár let shoří .🙂

A jelikož jsme ženy praktické, chtěly jsme zároveň téma, ke kterému by byla data dostupná a celistvá, kde budeme moct jít do hloubky a prepojit je v korelaci s jinými tématy. Po krátkem brainstormingu jsme se rozhodly, že se chceme věnovat trendu zalesňování. Vrchol deforestace byl přece v 80. letech, tak nás zajímalo, jakým směrem se trendy odlesňování a zalesňování v posledních několika dekádách pohybují a čím to můžeme vysvětlit. Obsáhlé datasety k tématu jsme našly převážně v databázi FAO, organizace OSN pro výživu a zemědělství.

Našim tématem jsme zaujaly Dana a Katku, kteří se následně stali našimi mentory. Jelikož jsme byli všichni na zpracování projektu natěšeni, měli jsme hned několik online schůzek už před prvním hackatonem, kde jsme konkrétněji specifikovali téma projektu. Shodly jsme se, že nás zajímá, jestli a případně jaký vliv má na zalesnění ekonomická vyspělost země.

Barča k tomuto tématu dokonce našla existující teorii - Environmentální Kuznetsovu křivku (EKC), která říká, že se s růstem ekonomiky nejprve zvyšuje znečištění a degradace životního prostředí, ale po dosažení určité úrovně bohatství začne environmentální zátěž klesat. Graficky má tvar obráceného písmene U, protože bohatší společnosti si mohou dovolit čistší technologie, přísnější regulace a větší ochranu životního prostředí.

Zdroj: Web. Původní teorie: Grossman & Krueger (1991).

Položily jsme si proto tři výzkumné otázky:

Q1: Platí EKC teorie globálně? Existuje statisticky měřitelný vztah mezi HDP na obyvatele a změnou plochy lesa napříč zeměmi? (Hypotéza: vztah existuje, ale není lineární - chudé země odlesňují, bohaté stabilizují nebo zalesňují, ale existují výjimky v obou skupinách na základě sociálních, kulturních a politických vlivů)

Q2: Záleží na regionu více než na HDP? Jsou rozdíly mezi Afrikou, Asií, Latinskou Amerikou a Evropou větší než rozdíly dané samotným HDP? (Hypotéza: ano - region a politický kontext jsou silnějšími prediktory než samotný příjem.)

Q3: Kde jsou největší výjimky? Které bohaté země stále odlesňují a které chudé země naopak úspěšně zalesňují - a proč? (Hypotéza: u výjimek hraje roli politika jako faktor nezávislý na HDP nebo také hustota obyvatelstva → větší tlak na odlesnění)

Hackathon

Se specifikovaným tématem a s datasety nahranými na Gitu jsme šly na první hackathon. Na ten jsme měly jasný plán - zpracovat dataset od FAO, který obsahoval pro nás důležitá data o zalesňování v jednotlivých zemích, a na tomto datasetu postavit první vizualizaci, mapku v Power BI, která by ukázala změnu v zalesňování za posledních 35 let.

Světová mapa změny lesního pokryvu mezi lety 1990 a 2025. Celkové zalesnění světa kleslo na 31,92 %, od roku 1990 bylo ztraceno 2,03 mil. km² lesa, zatímco 90 ze všech 236 zkoumaných států svůj lesní pokryv rozšířilo.

Kromě toho se Kristi podařilo unpivotovat dataset s HDP jednotlivých zemí, abychom mohly tyto datasety propojit. Tento cíl jsme si splnily. V polední pauze jsme však zaslechly jednoho z našich milých lektorů, jak nám nabízí vytvoření databáze, kde bychom s našimi datasety mohly pracovat místo neustálého tahání CSV souborů. A tak jsme se do toho pustily - byla to nejdřív cesta plná strastí, protože nám nejdřív nefungoval DBeaver, ale nakonec jsme na to přišly, zjistily, že chyba byla trochu i mezi počítačem a židlí, ale! odnesly jsme si nové zkušenosti, které za ty hodiny práce stály!

Mezi hackathony

Na základech z hackathonu jsme si vytvořily víceméně ucelenou představu o dalším postupu. Naše pravidelné nedělní schůzky s mentory a konkrétní tasky v Jiře nás raketově posunuly a začaly jsme plnit databázi.

Problematické tahání prvního datasetu přes DBeaver Barču trochu pohlodalo, a tak začala zjišťovat, jestli by to nešlo jinak. Velká část datasetů s kterými jsme pracovaly byla ke stažení z Kaggle, a ten podporuje stahování přes API . To znamenalo vytvoření účtu a napsání krátkého Python skriptu.

Python skript pro automatické stahování datasetů z Kaggle přes API a jejich nahrání přímo do databáze.

Ostatní datasety, dostupné jen ve formátu CSV, jsme nahrály přes DBeaver - tentokrát bez větších problémů.

Protože se nám v databázi začal hromadit „bordel”, nechaly jsme originální datasety v jednom schématu a na očištěné dimenzní a faktové tabulky jsme si vytvořily nové schéma. Všechny kroky máme zdokumentované v **SQL Noteboocích na Gitu**. Notebooky byly skvělé jednak proto, že jsme tabulky neustále přidávaly a mohly si kód průběžně doplnovať, aniž bychom se v něm ztratily, a také pro dokumentaci. Dokumentovaly jsme pravidelně a podrobně - cílem bylo co nejvíc si z projektu odnést a zároveň si ulehčit závěrečné psaní blogu. Většinu úprav v tabulkách, průzkum a čištění dat jsme zvládly v SQL; v jednom případě výpočtu rozdílu mezi jednotlivými roky pro všechny státy nám query neprošlo, a tak jsme využily funkci v Pythonu a vypočítaná data jsme pak uložily zpět do databáze.

Python skript pro výpočet meziroční změny lesního pokryvu pro každou zemi a následné uložení výsledků zpět do databáze.

Python - statistika

Python jsme dále využily v několika statistických testech, kde jsme ověřovaly platnost našich předem stanovených hypotéz.

Korelace HDP a zalesňování

Kristi přemýšlela nad tím, jak vypočítat tzv. bod zvratu - tedy hodnotu HDP na osobu, při které by se křivka měla zlomit a po jejímž dosažení by stát měl začít zalesňovat, tedy přírůstek lesa v daném státě bude > 0.

Nejdříve vypočítala lineární korelaci mezi HDP na osobu a procentuální změnou zalesnění jednotlivých států, která vyšla jako slabá, ale statisticky průkazná (r = 0,148). Pak se pustila do kvadratické regrese pomocí kvadratického regresního modelu. HDP na osobu zlogaritmovala a využila robustní standardní chyby, aby výsledky neovlivňovaly extrémní hodnoty a byly tak spolehlivější. Model jako celek naznačuje tvar Kuznetsovy křivky. Lineární složka vyšla průkazně (p = 0,017), kvadratický člen je na hranici průkaznosti (p = 0,051), proto turning point ~55 000–58 000 USD interpretujeme jako orientační odhad, nikoliv pevně stanovený bod.

Výsledky lineární a kvadratické regrese v Pythonu. Pearsonův korelační koeficient r = 0,1479 (p < 0,001) potvrzuje slabý, ale statisticky průkazný vztah mezi HDP na osobu a změnou lesního pokryvu. Kvadratický regresní model (R² = 0,148) naznačuje tvar Kuznetsovy křivky — model jako celek je statisticky průkazný (F = 18,90, p < 0,001). Zobrazený kód je výsekem — celý skript je dostupný v našem GitHub repozitáři.

Nejdříve nás to trápilo, ale po společném brainstormingu nám došlo, že to dává smysl, jelikož naše data kopírují jen půlku Kuznetsovy křivky. Státy jsou momentálně na grafu rozloženy jen lehce za vrchol paraboly a i za tímto bodem je momentálně států relativně málo. To nás donutilo přemýšlet, jak se vlastně situace bude vyvíjet dál — nepředpokládáme přeci, že státy dosáhnou určitého bohatství a začnou pak zase ve velkém odlesňovat, což by odpovídalo obrácené parabole. Došly jsme tedy k výsledku, že v ideálním případě by státy měly po dosažení vrcholu v zalesňování zalesňovat méně a méně a následně se stabilizovat na hodnotě 0 — tedy pokud nějaký les pokácí, tak stejnou plochu zase zalesní.

Kvadratický regresní model EKC v Pythonu a jeho výstup - scatter chart závislosti změny lesního pokryvu na HDP na obyvatele s vyznačeným Turning pointem ($57 477).

Pro zajímavost, kolem nulové hodnoty a zároveň za vrcholem paraboly se v našem datasetu nachází Norsko, Lucembursko, Bermudské ostrovy nebo Kajmanské ostrovy. Nulovou hodnotu má také Monako, ale to je z toho důvodu, že se zde žádné lesy nenachází.

Zároveň jsme si už při prvotním zpracování zalesněnosti jednotlivých států v Power BI všimly, že existují různé geografické rozdíly v zalesněnosti - např. sever Afriky je v podstatě jenom poušť, takže se tam žádné lesy nenachází. Zaujalo nás to a tak jsem se rozhodly otestovat, jak velkou roli hraje ve změnách zalesnění právě geografie. Pomocí Kruskal-Wallis testu a Mann-Whitney testu jsme zjistily, že změny lesního pokryvu se mezi světovými regiony statisticky významně liší.

Box plot roční změny lesního pokryvu podle světových regionů (1991–2023). Mediány potvrzují statisticky významné rozdíly mezi regiony (Kruskal-Wallis, p < 0,001) — Evropa a Střední Asie spolu s Jižní Asií dosahují pozitivních mediánů, zatímco subsaharská Afrika a Latinská Amerika lesy ztrácejí. Kroužky znázorňují země s výrazně odlišným vývojem od regionálního průměru — právě tyto tvoří základ analýzy výjimek v Q3. Zobrazený kód je výsekem — celý skript je dostupný na GitHub.

Výjimky v datech

Mezi tolika státy musí určitě existovat výjimky - chudé státy, které zalesňují, a bohaté státy, které odlesňují. Státy jsme rozdělily pomocí mediánu HDP na osobu a vypočítaly model polynomiální regrese, který určil pro každou zemi teoretickou hodnotu změny zalesnění. Na základě toho jsme vypočítaly odchylku, jako modelem určenou teoretickou změnu zalesnění odečtenou od skutečné změny zalesnění, to jsme porovnaly s vypočítanou směrodatnou odchylkou a tadáá, výjimky jsou na světě.

Identifikace výjimek - chudých zemí, které zalesňují (např. Vietnam +17,28 pp, Rwanda +8,01 pp) a bohatých zemí, které odlesňují (např. Brazílie −15,83 pp, Seychely −16,55 pp).

V další fázi jsme analýzu rozšířily o několik doplňujících datasetů, konkrétně o data týkající se ochrany lesů, existence legislativy na ochranu lesů, hustoty obyvatelstva, nejčastějších příčin úbytku lesů, účelu využití lesů a podílu přirozeně se regenerujících lesů a jiné. Jednotlivé datasety jsme si mezi sebou rozdělily a každá z nás se zaměřila část jejich zpracování a vyhodnocení. Cílem bylo získat širší kontext k hlavní analýze a lépe porozumět faktorům, které mohou ovlivňovat změny lesního pokryvu.

Velmi zajímavým byl dataset o kvalitě reportingu z jednotlivých zemí, kde FAO vlastně hodnotí důvěryhodnost dat z jednotlivých států na několika úrovních. I z něj jsme vytáhly zajímavá zjištění a potvrdily jsme si, že práce datového analytika spočívá nejen v analýze dat, ale také v ověřování jejich správnosti, úplnosti a vědomí si jejich limitů. Celou analýzu najdete v našem GitHub repozitáři.

Power BI

V rámci grafické části jsme si vysnily pohyblivý scatter chart, který by vizualizoval zalesnění a HDP na osobu jednotlivých zemí v průběhu let. Brzy jsme však zjistily, že animovaný scatter chart nelze v základním Power BI vytvořit, a navíc jsme usoudily, že by výsledná vizualizace byla spíše nepřehledná. Nakonec jsme se proto rozhodly pro klasický scatter chart. Na osu y jsme použily procentuální změnu lesního pokryvu mezi lety 1990 a 2025 a na osu x logaritmus HDP na osobu.

Nepřišlo nám nutné, aby měl každý stát vlastní barvu, proto jsme země obarvily podle příjmových skupin Světové banky. Díky tomu bylo na první pohled vidět, do jaké skupiny daný stát patří, jak souvisí jeho ekonomická úroveň se změnou lesního pokryvu a graf se zároveň lépe četl.

Následně jsme však narazily na další problém — Power BI umožňuje zobrazit pouze lineární trendovou křivku, zatímco celá EKC je založena na kvadratickém vztahu. Nechtěly jsme se vzdát scatter chartu, který nám připadal jako ideální způsob prezentace výsledků, zároveň jsme ale nechtěly přidávat lineární trendovou křivku, která by mohla čtenáře mást. Vypadalo by totiž, že s rostoucím HDP budou státy své lesní plochy rozšiřovat neomezeně, což samozřejmě nedává smysl.

Naštěstí jsme zjistily, že Power BI podporuje vizualizace vytvářené pomocí Pythonu, což nám umožnilo zobrazit požadovanou kvadratickou křivku. Implementace nebyla úplně jednoduchá, ale nakonec se Kristi podařilo vytvořit scatter chart přesně podle našich představ — včetně obarvení států podle příjmových skupin a vyznačení dvou důležitých bodů na křivce:

• Forest transition — tedy moment, kdy státy začnou zalesňovat
• Turning point — bod, kdy jsou státy na vrcholu zalesňování a to začne postupně klesat.

Scatter chart zobrazující vztah mezi HDP na obyvatele (osa x, logaritmická škála) a roční změnou lesního pokryvu (osa y). Červená křivka znázorňuje Kuznetsovu křivku — bod Forest Transition ($6 133) označuje moment, kdy země začínají zalesňovat, Turning Point ($55 342) pak vrchol křivky. Přesná hodnota bodu zlomu se mírně liší v závislosti na použité metodologii a datasetu — v naší analýze se pohybuje v rozmezí přibližně 55 000–58 000 USD HDP na osobu. Tento výsledek je konzistentní se zjištěními Cherodian & Fraser (2024), kteří upozorňují, že turning point není pevně danou hodnotou, ale mění se v závislosti na specifikaci modelu a volbě dat.

Následně jsme se rozhodly vizualizovat i další datasety. Přidaly jsme tedy liniové grafy zobrazující, jak jednotlivé země vysazují nové lesy, jak probíhá regenerace lesů a jak se mění rozloha původních lesů. Narazily jsme však na problém s vyjádřením změn - vzhledem k rozdílné velikosti států nedávalo smysl zobrazovat v jednom grafu absolutní hodnoty, a bylo proto potřeba vyjádřit procentuální změnu oproti roku 1990. Data jsme ale měly k dispozici pouze v absolutních číslech. Nejprve jsme se tento problém snažily vyřešit pomocí nového sloupce, nakonec nám však přišlo nejefektivnější vytvořit pro všechny tabulky novou measure, která si s výpočtem i převodem na procenta poradila elegantněji.

DAX measure v Power BI pro výpočet procentuální změny objemu sázených lesů oproti roku 1990. Stejný přístup byl použit pro všechny datasety, kde bylo potřeba vyjádřit relativní změnu místo absolutních hodnot.

Dále jsme vytvořily sloupcový graf zobrazující, k jakým účelům lesy v jednotlivých zemích slouží, graf deseti států s nejvyšší mírou zalesňování a odlesňování, graf zachycující změnu rozlohy lesů u jednotlivých příjmových skupin a také slicery s důležitými informacemi. Pro větší přehlednost jsme data rozdělily do několika listů a doplnily filtr, pomocí kterého lze zobrazit pouze chudé země, které reforestují, nebo naopak bohaté země, které deforestují.

Vizualizace outlierů — účel lesů v jednotlivých zemích, vývoj přirozeně se regenerujících lesů u odlesňujících a zalesňujících zemí (1990–2025).

Výsledky

Tento projekt nám ukázal, že datová analýza není jen o hledání vztahů v datech, ale především o správném kladení otázek a kritickém hodnocení výsledků. Potvrdily jsme si, že ani zdánlivě silný faktor, jako je HDP, nevysvětluje většinu změn lesního pokryvu - v našem případě vysvětloval pouze 14,8 % variability. Nejzajímavější poznatky tak často přinášely právě outliery a případy, které se od očekávaných trendů výrazně odchylovaly.

Již na začátku analýzy nás překvapilo, jak rozdílný obraz nabízí Evropa a zbytek světa. Z evropské perspektivy se může zdát, že se stav lesů postupně zlepšuje - mnoho zemí, například Srbsko, Černá Hora nebo Španělsko, své lesní plochy rozšiřuje a region Evropy a Střední Asie dosáhl v našem datasetu nejlepších výsledků. Globální trend je však stále negativní. Podíl lesního pokryvu ve světě klesl mezi lety 1990 a 2025 z 33,5 % na 31,9 %, což odpovídá ztrátě přibližně 2 milionů km² lesů. Evropské úspěchy tak mohou vytvářet optimističtější dojem, než jaká je skutečná situace na globální úrovni.

Jedním z hlavních cílů naší analýzy bylo zjistit, jakou roli hraje ekonomická vyspělost země. Výsledky potvrdily existenci vztahu mezi HDP na obyvatele a změnou lesního pokryvu. Kruskal-Wallisův test potvrdil, že rozdíly mezi příjmovými skupinami jsou statisticky významné: nízkopříjmové země ztrácejí v průměru 0,15 % lesů ročně, zatímco vysokopříjmové země již vykazují mírný růst kolem 0,03 % ročně. Naše modely zároveň ukázaly, že samotné HDP vysvětluje pouze 14,8 % variability a většina faktorů ovlivňujících odlesňování a obnovu lesů leží jinde.

Změna lesního pokryvu mezi lety 1990 a 2025 podle příjmových skupin, regionů a žebříčku nejvíce zalesňujících a odlesňujících zemí.

Otázka, zda region předpovídá změny lesního pokryvu lépe než HDP, zůstává v naší analýze částečně nezodpovězena — přímé srovnání vysvětlující síly obou faktorů by vyžadovalo dodatečnou analýzu. Naše výsledky nicméně naznačují, že geografický kontext hraje minimálně stejně důležitou roli: Severní Amerika a Jižní Asie s dvacetinásobně odlišnou ekonomickou úrovní vykazují statisticky srovnatelné výsledky. To podporuje hypotézu, že region a politický kontext jsou silnými prediktory — přinejmenším srovnatelnými s HDP.

Potvrzují to i regionální a individuální příklady. Překvapilo nás například, že Severní Amerika a Jižní Asie vykazují statisticky velmi podobné výsledky ve změnách lesů, přestože se jejich ekonomická úroveň liší více než dvacetinásobně. Zajímavé byly také výsledky týkající se hustoty zalidnění. Intuitivně bychom očekávaly, že vyšší počet obyvatel znamená větší tlak na lesy, naše data však ukázala mírně pozitivní vztah. Země jako Indie nebo Singapur dokonce své lesní plochy rozšiřují, zatímco mezi největší ztrátové země patří relativně řídce osídlené státy, kde je přeměna lesní půdy ekonomicky výhodná.

Mezi nejzajímavější příběhy, které jsme v datech objevily, patří Vietnam, Brazílie a Rwanda.

Vietnam na první pohled působí jako úspěšný příklad, kde zalesnění od roku 1990 vzrostlo o 17 %. Detailnější pohled však ukázal, že současně došlo k výraznému úbytku původních lesů, které byly často nahrazovány plantážemi.

Brazílie představuje opačný paradox. Přestože disponuje rozsáhlou legislativou, chráněnými územími a nástroji pro monitoring, nadále přichází o významné lesní plochy. To naznačuje, že samotná existence pravidel nestačí bez jejich důsledného vymáhání.

Rwanda naopak ukazuje, že politická vůle může hrát zásadní roli i v méně bohatých zemích. Navzdory vysoké hustotě obyvatelstva zde dlouhodobě dochází k obnově lesů.

Celkově naše analýza ukázala, že vztah mezi ekonomikou a stavem lesů skutečně existuje, je však mnohem složitější, než by se mohlo na první pohled zdát. O budoucnosti lesů nerozhoduje pouze bohatství země, ale také kvalita institucí, politická rozhodnutí a způsob, jakým jednotlivé státy přistupují ke správě svých přírodních zdrojů.

Kuba se v naší analýze ukázala jako další zajímavý outlier. Navzdory nižším příjmům vykazovala vysokou míru zalesňování a péče o lesy. Při bližším pohledu na kvalitu dat jsme však zjistily, že všechny čtyři klíčové indikátory spolehlivosti reportingu do FAO mají nízké hodnocení, což snižuje důvěryhodnost těchto výsledků. Tento příklad nám připomněl, že při práci s daty je důležité hodnotit nejen samotné výsledky, ale také kvalitu dat, na kterých jsou postavené, a upozorňovat na jejich omezení.

Kuba jako příklad, kdy vysoké zalesňování nekoresponduje s kvalitou dat — všechny čtyři klíčové indikátory spolehlivosti reportingu do FAO jsou hodnoceny jako low.

Kam dále?

Myslíme si, že náš projekt vytvořil kvalitní datový základ pro další navazující analýzy. V budoucnu by bylo zajímavé doplnit další proměnné, například ukazatele kvality vládnutí (WGI), zemědělské expanze nebo ozbrojených konfliktů, a lépe tak vysvětlit faktory stojící za odlesňováním. Velmi lákavou by však byla i možnost posunout projekt směrem k prediktivní analytice. Na základě historických dat by bylo možné vytvořit model, který by odhadoval, které země jsou nejvíce ohroženy přechodem ze stabilního stavu do období výrazného odlesňování. Takový model by mohl sloužit jako systém včasného varování a pomoci identifikovat rizikové země dříve, než dojde k významným ztrátám lesního pokryvu, a naopak zvýraznit krajiny, kterým se daří, jako inspiraci pro další. Přestože by realizace takového řešení vyžadovala výrazně více času a byla mimo naše časové možnosti, považujeme ji za zajímavý směr dalšího rozvoje projektu.

Organizace a spolupráce

Obě jsme se od začátku shodly, že si chceme vyzkoušet co nejvíce různých částí projektu, a tomu jsme přizpůsobily i rozdělení úkolů. Naštěstí jsme pracovaly s velkým množstvím datasetů, takže jsme si mohly obě vyzkoušet všechny typy činností. I v případech, kdy jedna z nás připravila vzorový kód pro konkrétní úkol, si ho druhá alespoň na jednom datasetu samostatně vyzkoušela.

Od začátku jsme kládly velký důraz na organizaci — každé téma prošlo discovery procesem, brainstormingem a výběrem hypotéz. Úkoly jsme rozdělily do logických celků v Jira ticketech a průběžně sledovaly na boardu. Tento přístup, běžný v reálných projektech, nám dal jasný přehled o postupu práce.

Rozpracovaný projekt v Jire.

Kristina Kučerová

Mým prvotním úkolem bylo vytvoření mapy světa, která znázorňovala změny zalesnění v jednotlivých zemích v průběhu let. Následně jsem měla na starost zodpovězení otázky, zda spolu HDP na osobu a změny zalesnění souvisí, což jsem vyřešila pomocí kvadratického regresivního modelu. Díky počítání vrcholu paraboly a bodu, kdy státy začínají zalesňovat, jsem si připomněla dlouho zapomenuté znalosti matematiky.

Podílela jsem se taky na zkoumání jednotlivých výjimek a podle Barčiných pokynů si vyzkoušela nahrávání datasetů do databáze.

Velký podíl jsem měla na zpracování vizualizací v Power BI. Bavilo mě vymýšlet, jak jednotlivé datasety nejlépe vizualizovat, vytváření measures i úprava modelu tak, aby byly datasety navzájem propojeny. Power BI jsem také propojila s naší SQL databází a data pak “tahala” přímo odsuď.

V rámci organizace projektu jsem projekt rozdrobila na menší podúkoly, abychom se v projektu neztratily a ty jsme si s Barčou roztřídily (a samozřejmě i Barča přišla s podúkoly, které mě samotnou nenapadly).

S Barčou se mi skvěle spolupracovalo - za celou dobu na nás nepřišla žádná krize, obě jsme byly do projektu zapálené a veškeré úkoly jsme si mezi sebe rozdělily tak přirozeně, že jsem ani neměla pocit, že pracujeme na nějakém složitém projektu. Když se jedna nemohla zrovna projektu věnovat, druhá byla vždy ochotná udělat kus práce za obě a věděla, že naopak může jindy polevit, protože má v parťačce podporu a záruku.

Barbara Kmeťová

Od začátku mě lákalo vyzkoušet si práci s databází, takže jsem se pustila do jejího budování od základů. Postupně jsem ji plnila daty, zkoušela automatizované stahování přes API a sepsala instrukce, aby se v ní mohla zorientovat i Kristi. Navrhla jsem strukturu dimenzí a faktových tabulek a průběžně vše dokumentovala tak, aby projekt dával smysl nejen nám dvěma, ale i komukoli, kdo se na něj podívá.

Ve statistické části jsem se zaměřila na vztah mezi příjmovými skupinami a změnami lesního pokryvu. V Pythonu jsem nejprve testovala normalitu dat pomocí Shapiro-Wilk testu, který ukázal, že data nejsou v žádné skupině normálně rozložena (p = 0,0), a proto jsem následně zvolila Kruskal-Wallis test. Současně jsem spolupracovala s Kristi na analýze outlierů, které nám pomohly lépe interpretovat odchylky od hlavních trendů.

Snažila jsem se také průběžně informovat naše mentory o postupu projektu, aby měli přehled o tom, co máme hotové, na čem aktuálně pracujeme a co nás čeká v dalších fázích. Pravidelná zpětná vazba nám pomáhala potvrzovat si naše závěry i další směřování projektu.

Velkým přínosem projektu pro mě byla spolupráce s parťačkou, se kterou jsme si velmi sedly. Občas jsem měla pocit, že já začínám věty a ona je dokončuje — a naopak. Díky tomu byla naše spolupráce přirozená, úkoly jsme si průběžně předávaly a naše práce na sebe dobře navazovala.

Zdroje

Dáta: FAO Global Forest Resources Assessment 2025 · World Bank GDP per capita (NY.GDP.PCAP.CD) · World Bank Population density (EN.POP.DNST) · World GDP by Country — Kaggle · World GDP Dataset 1960–2026 — Kaggle · Country Mapping ISO — Kaggle

Literatúra: Grossman & Krueger (1991). Environmental Impacts of a North American Free Trade Agreement. NBER WP 3914. · Cherodian & Fraser (2024). An environmental Kuznets curve for global forests. Forest Policy and Economics, 168, 103304. DOI