This thesis attempts to identify drivers for energy poverty in Europe using machine learning. The establishment of predictors for energy poverty valid across countries is a call made by many researchers active in the field of energy poverty. A previously defined framework to classify households as being at risk of energy poverty, based on income and energy expenditure, is applied to a data set from a survey conducted at the household level in 11 European countries with vastly different climates, cultures, and economies. A gradient boosting classifier to predict energy poverty risk is successfully trained on a set of socio-economic features hypothesized as predictors for energy poverty in a diverse set of countries in Europe. The classifier's internal model is analyzed, providing novel insights into the intricacies that underlie energy poverty. We find that besides the main driver - income - floor area and household size are confirmed as predictors. These features significantly assist the model in classifying a household as being at risk. The results suggest that house age and respondent age can be discarded as predictors. With regards to heating strategy and house detachment as predictors, the outcomes are inconclusive. We argue that this is possibly due to a severely limited data set in terms of both quality and quantity. In order to build a model that has the potential to capture the full complexity of the mechanisms that govern energy poverty, consistent high-quality data sets are needed. Currently, these were not found to be available for most European countries. To facilitate more advanced research into energy poverty in Europe, we recommend to increase household data collection efforts, both at the country- and EU-level. The establishment of energy poverty predictors valid across Europe could provide a basis to effectively target energy-poor households with adequate policy measures. The thesis is structured in three parts. Part I is intended as a self-contained piece that is accessible for the general reader. Here the main aspects of the research, and the results are discussed. Part II provides a comprehensive description of the data, preprocessing steps, and the framework used to label the data. In Part III, a more technical, in-depth explanation of machine learning techniques and methods to interpret the resulting models, is presented.     «

This thesis attempts to identify drivers for energy poverty in Europe using machine learning. The establishment of predictors for energy poverty valid across countries is a call made by many researchers active in the field of energy poverty. A previously defined framework to classify households as being at risk of energy poverty, based on income and energy expenditure, is applied to a data set from a survey conducted at the household level in 11 European countries with vastly different climates,...     »

In dieser Arbeit wird versucht, mit Hilfe von Machine Learning Faktoren für Energiearmut in Europa zu identifizieren. Viele Forscher, die auf dem Gebiet der Energiearmut tätig sind, fordern, länderübergreifend gültige Prädiktoren für Energiearmut zu ermitteln. Ein zuvor definierter Rahmen zur Klassifizierung von Haushalten, die von Energiearmut bedroht sind, basierend auf Einkommen und Energieausgaben, wird auf einen Datensatz aus einer auf Haushaltsebene durchgeführten Erhebung in 11 europäischen Ländern mit sehr unterschiedlichen Klimazonen, Kulturen und Volkswirtschaften angewendet. Ein Gradient-Boosting-Klassifikator zur Vorhersage des Energiearmutsrisikos wird anhand einer Reihe von sozioökonomischen Merkmalen, die als Prädiktoren für Energiearmut in verschiedenen europäischen Ländern angenommen werden, erfolgreich trainiert. Das interne Modell des Klassifikators wird analysiert und bietet neue Einblicke in die Feinheiten, die der Energiearmut zugrunde liegen. Wir stellen fest, dass neben dem Hauptfaktor - dem Einkommen - auch die Wohnfläche und die Haushaltsgröße als Prädiktoren bestätigt werden. Diese Merkmale helfen dem Modell erheblich bei der Einstufung eines Haushalts als gefährdet. Die Ergebnisse legen nahe, dass das Alter des Hauses und das Alter der Befragten als Prädiktoren verworfen werden können. In Bezug auf die Heizstrategie und die Abtrennung des Hauses als Prädiktoren sind die Ergebnisse nicht schlüssig. Wir argumentieren, dass dies möglicherweise auf einen sowohl qualitativ als auch quantitativ stark begrenzten Datensatz zurückzuführen ist. Um ein Modell zu erstellen, das das Potenzial hat, die gesamte Komplexität der Mechanismen zu erfassen, die für Energiearmut verantwortlich sind, sind konsistente, qualitativ hochwertige Datensätze erforderlich. Diese sind derzeit für die meisten europäischen Länder nicht verfügbar. Um die Erforschung der Energiearmut in Europa weiter voranzutreiben, empfehlen wir eine verstärkte Erhebung von Haushaltsdaten, sowohl auf Länder- als auch auf EU-Ebene. Die Erstellung europaweit gültiger Prädiktoren für Energiearmut könnte die Grundlage für eine wirksame Ausrichtung der politischen Maßnahmen auf energiearme Haushalte bilden.Die Arbeit ist in drei Teile gegliedert. Teil I ist als ein in sich geschlossenes Werk gedacht, das für den allgemeinen Leser zugänglich ist. Hier werden die wichtigsten Aspekte der Forschung und die Ergebnisse erörtert. Teil II enthält eine umfassende Beschreibung der Daten, der Vorverarbeitungsschritte und des zur Kennzeichnung der Daten verwendeten Rahmens. In Teil III werden die Techniken des Machine Learning und die Methoden zur Interpretation der resultierenden Modelle eingehend erläutert.     «

In dieser Arbeit wird versucht, mit Hilfe von Machine Learning Faktoren für Energiearmut in Europa zu identifizieren. Viele Forscher, die auf dem Gebiet der Energiearmut tätig sind, fordern, länderübergreifend gültige Prädiktoren für Energiearmut zu ermitteln. Ein zuvor definierter Rahmen zur Klassifizierung von Haushalten, die von Energiearmut bedroht sind, basierend auf Einkommen und Energieausgaben, wird auf einen Datensatz aus einer auf Haushaltsebene durchgeführten Erhebung in 11 europäis...     »