Nota metodycznaRynek złomu miedzi w krajach Unii Europejskiej w latach 2026–2031

1. Wprowadzenie i pytania badawcze

Prognoza R03 opisuje rynek złomu miedzi w 27 państwach Unii Europejskiej w latach 2026–2031: zbiórkę złomu poużytkowego, złom nowy (poprodukcyjny), strukturę gatunków według pozycji CN 7404, zużycie złomu w hutach, rafineriach i u przetwórców oraz wywóz netto poza UE. Miarą jest zawartość miedzi (tys. t Cu); masa brutto gatunków jest podana osobno. Rok bazowy to 2025, rok 2026 jest szacowany na bieżąco (nowcast z danych miesięcznych), lata 2027–2031 to prognoza w postaci rozkładu z 10 000 losowań. Wydanie 1.1 uwzględnia przeglądy niezależne danych, matematyki, branży, portalu i tekstu (rozdz. 20).

Pytania badawcze:

• P1 – ile złomu poużytkowego zbiorą państwa UE w latach 2026–2031 i z jaką niepewnością;
• P2 – ile złomu nowego (poprodukcyjnego) powstanie przy produkcji wyrobów z miedzi (powiązanie z prognozą R02);
• P3 – jaka będzie struktura gatunków (CN 7404 00 10, 7404 00 91, 7404 00 99) i średnia zawartość Cu podaży;
• P4 – jak podaż rozdzieli się między huty i rafinerie, przetwórców przetapiających złom bezpośrednio i wywóz netto poza UE;
• P5 – jak zmienią wynik akty prawne (rozporządzenie 2024/1157, CRMA, rozporządzenie 2026/1738, dyrektywa ZSEE) i technologie (sortowanie sensorowe, cyfrowy paszport produktu).

Zasady metody:

• fizyka przed uczeniem – model zasobu i bilans masy są ograniczeniem twardym: zbiórka nie przekracza wyrobów wycofanych, gatunki sumują się do podaży, a podaż równa się zużyciu, wywozowi netto i zmianie zapasu w każdym losowaniu; uczenie maszynowe działa wyłącznie na szeregach obserwowalnych (handel CN 7404, ZSEE) – w tej wersji nie ma szeregu reszt modelu fizycznego do modelowania (rozdz. 11), a modele AI wpływają tylko na nowcast 2026;
• pełny rozkład a posteriori (próbnik NUTS) z diagnostyką zbieżności (R̂, ESS, rozbieżności) i kontrolą predykcyjną a posteriori;
• ocena probabilistyczna – CRPS, strata kwantylowa, histogram PIT, pokrycie przedziałów, test Diebolda–Mariano; model AI wchodzi do zespołu tylko po spełnieniu reguły włączenia: trafniejszy od odniesienia albo nie gorszy o więcej niż 2% przy lepszym pokryciu przedziałów;
• wyjaśnialność i wrażliwość – SHAP dla modeli uczenia, LMG (udziały grup parametrów w R² regresji liniowej) dla modelu zasobu, ponowna estymacja przy innych rozkładach a priori i wariant strukturalny skali wejścia;
• jakość, nie tylko ilość – gatunki, zawartość Cu i ryzyko domieszek według frakcji;
• źródła pierwotne z klasą wiarygodności A/B/C, bez notowań giełdowych, agencji cenowych i prasy jako źródeł liczb; odtwarzalność (ziarna losowań, wersje bibliotek, sumy SHA-256 danych).

Główne wyniki. Zbiórka złomu poużytkowego UE-27 lekko maleje: 1 454,9 tys. t Cu w 2025 r. i 1 426,3 (1 319,7–1 533,6) tys. t Cu w 2031 r. (mediana i przedział 80%; średnie tempo zmian −0,3% rocznie). Wzrost zbiórki w wydaniu 1.0 pochodził z nieestymowanej rampy skali wejścia do zasobu w latach 2000–2020; ten wariant jest pokazany tylko jako wariant strukturalny (+7,0% zbiórki do 2031 r., rozdz. 14). Złom nowy wynosi 595,8 (473,8–745,2) tys. t Cu, podaż razem 2 028,7 (1 856,6–2 207,0) tys. t Cu. Zużycie złomu w UE rośnie do 2 074,4 (1 770,8–2 412,7) tys. t Cu (huty i rafinerie 997,5, przetwórcy 1 066,8; mediany). Wywóz netto poza UE spada z 98,3 tys. t Cu w 2025 r. do −52,8 (−305,1 – 192,7) tys. t Cu w 2031 r. Średni spadek o 152,6 tys. t Cu ma dwie główne przyczyny: art. 40 rozporządzenia 2024/1157 (zakaz wywozu odpadów do państw spoza OECD od 21.05.2027, w scenariuszu bazowym) – −96,5 tys. t i wzrost przerobu złomu w hutach z projektów D4 – −84,9 tys. t; pozostałe czynniki (popyt przetwórców, poziom zużycia, zbiórka, złom nowy) dają +28,8 tys. t. Bez art. 40 wywóz netto w 2031 r. wyniósłby 45,1 tys. t Cu (mediana). Przywóz netto występuje w 35–61% losowań lat 2027–2031 – jako reszta bilansu, bez mechanizmu cenowego (rozdz. 16). Stopa zbiórki (bez zasobu uśpionego) wynosi w 2031 r. 65,7%, a udział gatunku 7404 00 10 w Cu podaży – 53,9%.

Nota ma strukturę artykułu naukowego: definicje i symbole (rozdz. 2), przegląd literatury (3), dane (4), metoda – model zasobu, stopa zbiórki, złom nowy, gatunki, bilans rynku, nowcast, zespół AI i niepewność (5–12), walidacja i wrażliwość (13–14), scenariusze i wyniki (15–16), dyskusja (17), ograniczenia (18), wnioski (19), odtwarzalność (20) i bibliografia. Schemat architektury modelu na stronie prognozy prowadzi z każdego bloku do odpowiedniego rozdziału.

2. Definicje i symbole

• złom poużytkowy zebrany – miedź w złomie z wyrobów wycofanych z użytkowania, który trafił do obrotu (zbiórka);
• złom nowy (poprodukcyjny) – złom od wytwórców wyrobów sprzedawany na rynek, bez złomu obiegowego zawracanego w zakładzie i bez strat;
• wyroby wycofane z użytkowania – miedź w wyrobach, które w danym roku opuszczają zasób w użytkowaniu i trafiają do strumienia odpadów;
• stopa zbiórki – zbiórka / wyroby wycofane (bez zasobu uśpionego – kabli w ziemi i instalacji wyłączonych z użytku); różni się od wskaźnika recyklingu wyrobów wycofanych w bilansach, który ma zasób uśpiony w mianowniku;
• zużycie pozorne – produkcja + przywóz − wywóz miedzi rafinowanej i półwyrobów (wejście do zasobu);
• zużycie złomu – złom przetopiony w hutach, rafineriach i u przetwórców w UE (bez złomu obiegowego);
• wywóz netto poza UE – wywóz − przywóz złomu CN 7404 w handlu z państwami spoza UE, w zawartości Cu;
• saldo rynku państwa – podaż (zbiórka + złom nowy) − zużycie krajowe = saldo handlu złomem ze wszystkimi partnerami.

Skróty frakcji odpadów (zgodnie z raportem JRC dla UE-28): C&D – odpady budowlane i rozbiórkowe, IW – odpady przemysłowe (kable, maszyny), ELV – pojazdy wycofane z eksploatacji, MSW – odpady komunalne, ZSEE – zużyty sprzęt elektryczny i elektroniczny.

3. Przegląd literatury

Przegląd obejmuje 40 pozycji recenzowanych z identyfikatorem DOI, sprawdzonych w rejestrze wydawców; opisy poniżej streszczają ich wkład i wskazują, jak przełożono go na model. Prace, których treść zweryfikowano tylko na podstawie metadanych wydawcy albo cytowania w raporcie JRC 2018, są oznaczone.

Dynamiczne modele zasobu i przepływów miedzi

Podstawą jest ujęcie, w którym strumień wyrobów wycofanych jest splotem historycznego wejścia do użytkowania z rozkładem czasu życia (Elshkaki 2005; Müller 2006 – według metadanych wydawcy). Przeglądy metod dynamicznej analizy przepływów materiałów wskazują zbieżne zasady i duże różnice w ekstrapolacji (Müller i in. 2014), a otwarte ramy programowe porządkują strukturę danych wyrób–materiał–pierwiastek (Pauliuk, Heeren 2020). Dla miedzi globalne modele dynamiczne wskazały czasy życia jako główne źródło niepewności wskaźników recyklingu (Glöser i in. 2013), a analizy europejskie – wielkość zasobu „miejskich kopalń” (Ciacci i in. 2017) i udział złomu nowego w wytwarzaniu (Soulier i in. 2018, za JRC 2018). Prognozy dla UE o dłuższym horyzoncie (Ciacci i in. 2020) i modele kohortowe z Monte Carlo (Born, Ciftci 2024) są punktem odniesienia; R03 dodaje rozdzielczość 27 państw, kalibrację bayesowską do bilansów i statystyk odpadów oraz warstwę jakości.

Czasy życia wyrobów

Bazy i przeglądy rozkładów czasu życia (Murakami i in. 2010; Oguchi i in. 2010) uzasadniają wybór rozkładu Weibulla (Weibull 1951) i definicję wieku kohorty. Rozkłady sektorowe dla metali (Yokoi i in. 2022a; Elshkaki i in. 2018) oraz rozkłady normalne raportu JRC dla UE-28 (Passarini i in. 2018) różnią się dla infrastruktury i dóbr konsumpcyjnych – stąd rozkład a priori obejmujący oba źródła (rozdz. 5) i warianty skupione na każdym z nich (rozdz. 14). Analiza zasobu miedzi według wyrobów końcowych w Japonii (Yokoi i in. 2022b) jest wzorcem podziału państwo × sektor × wyrób.

Sprawność zbiórki i jakość złomu

Stopy zbiórki i sortowania według strumieni odpadów dla Europy Zachodniej (Ruhrberg 2006, za JRC 2018) są rozkładem a priori stóp frakcji. Przeglądy wyzwań recyklingu metali (Reck, Graedel 2012; Loibl, Tercero Espinoza 2021) wskazują rosnącą rolę złożonego złomu poużytkowego, trudność usuwania ołowiu i niską dojrzałość technologiczną sortowania sensorowego miedzi. Analizy ZSEE w UE pokazują duże straty miedzi poza zbiórką formalną (Wagner i in. 2023; Pauliks i in. 2026), a wielowymiarowe uzgadnianie sprzedaży, zasobu i czasów życia poprawia szacunki strumieni ZSEE (Wang i in. 2013). Miedź utracona w złomie stalowym (Daehn i in. 2017; Panasiuk i in. 2022) jest stratą jakościową poza pozycją CN 7404 – stąd znaczenie limitu Cu we frakcji stalowej w rozporządzeniu o pojazdach.

Wnioskowanie bayesowskie i niepewność w analizie przepływów

Probabilistyczne modele przepływów z propagacją niepewności (Gottschalk i in. 2010 – według metadanych wydawcy) i systematyczne ramy oceny niepewności zależnie od jakości danych (Laner i in. 2014) poprzedzają bayesowską analizę przepływów: aktualizację przyrostową (Lupton, Allwood 2018), uczenie szumu danych wraz z elicytacją rozkładów a priori (Dong i in. 2023), hierarchie procesów z relaksacją bilansu i kontrolą predykcyjną a posteriori (Wang i in. 2024) oraz kwantyfikację systemu przy niepełnych danych (Mason i in. 2025). Różnice stóp przekształceń między podobnymi gospodarkami (Graedel i in. 2004) uzasadniają hierarchię państw zamiast wspólnego parametru UE.

Uczenie maszynowe, czujniki i rynek

Uczenie maszynowe przewiduje wolumeny odpadów z danych społeczno-gospodarczych (Kannangara i in. 2018); w R03 służy ono prognozie szeregów obserwowalnych (nowcast 2026) i kontroli, a nie zastępuje bilansu masy. Przegląd systematyczny czujników optycznych z uczeniem maszynowym (Kroell i in. 2022) pokazuje przewagę badań w skali laboratoryjnej – stąd scenariusz sortowania działający głównie przez jakość. Modele ekonomiczne z mechanizmem cenowym (Diersen i in. 2025) uzasadniają traktowanie relacji cen jako czynnika ukrytego. Popyt chiński i polityka importu złomu (Zhang i in. 2015; Wang i in. 2017; Dong i in. 2019; Dong i in. 2020) tłumaczą strukturę odbiorców wywozu z UE, a przeglądy prognoz popytu (Schipper i in. 2018; Kuipers i in. 2018; Yoshimura, Matsuno 2018; Watari i in. 2021) – tło długookresowe i rozróżnienie miedzi oraz stopów.

4. Dane i źródła

Klasy źródeł: A – dane urzędowe i dokumenty pierwotne (Eurostat, akty prawne UE, sprawozdania i raporty zrównoważonego rozwoju spółek, literatura recenzowana); B – obliczenia na danych klasy A (przeliczenia na Cu, bilanse przepływów ai-waw.com, strony i komunikaty spółek); C – założenia i wyniki modelu. Plik prognozy zawiera 102 opisane źródła (bez powtórzeń tej samej pracy). Masę handlu przelicza się na zawartość miedzi współczynnikami gatunków:

gdzie c dla 7404 00 10 wynosi 0,90, a w wywozie do Chin i Hongkongu 0,965 (norma chińska GB/T 38471-2023 dopuszcza do przywozu surowiec o zawartości Cu co najmniej 97–98%; ten sam współczynnik stosuje analiza UE portalu), dla 7404 00 91 – 0,61, dla 7404 00 99 – 0,65 (odchylenia 0,04, 0,02, 0,03, 0,10). Współczynniki gatunków pochodzą z danych branżowych z lat 1989–2010 przytoczonych w raporcie JRC z 2011 r. o kryteriach utraty statusu odpadu – to źródło wtórne (klasa B). Wzór (4.1) dotyczy także przywozu i handlu wewnątrz UE.

Handel wewnątrz UE jest asymetryczny lustrzanie (deklaracje wywozu i przywozu tej samej pary państw różnią się); saldo UE-27 liczy się z handlu z partnerami spoza UE, w którym asymetria nie występuje. Wejście do użytkowania dziewięciu państw o długich szeregach powstaje z ich zużycia pozornego; dla pozostałych – z poziomu bilansu 2024, trendu rdzenia i względnego PKB (konstrukcja zastępcza klasy C). Dane Aurubis (największy składnik indeksu wsadu hut) dotyczą lat obrotowych październik–wrzesień, traktowanych jak lata kalendarzowe; do sierpnia 2024 r. segment hut pierwotnych obejmował też zakład w USA.

5. Model zasobu w użytkowaniu

Miedź wchodzi do zasobu w użytkowaniu pięciu sektorów (budownictwo, infrastruktura, transport, maszyny przemysłowe, wyroby konsumpcyjne i elektryczne). Wejście sektora s w państwie c:

gdzie Ĩ – wygładzone zużycie pozorne, ψ – skala wejścia z bilansu 2024, κ – korekta spójności wejścia z kotwicami wycofań, zbiórki i wejścia 2024, stała w czasie dla wszystkich kohort i lat prognozy. Korekta κ nie jest miarą wywozu miedzi w wyrobach gotowych (wartości poniżej 1 mają także importerzy netto wyrobów). Wydanie 1.0 stosowało rampę κ w latach 2000–2020 (wejście kohort 2000–2020 podniesione względem starszych) bez estymowanego mechanizmu – ten wariant jest w rozdz. 14. Czas życia ma rozkład Weibulla, a wyroby wycofane są splotem wejścia z prawdopodobieństwem wycofania w wieku x:

We wzorze (5.3) ζ oznacza hibernację (kable w ziemi, instalacje wyłączone z użytku – infrastruktura i budownictwo), d – rozproszenie, a we wzorze (5.4) T – macierz przejścia sektor → frakcja odpadów (raport JRC dla UE-28). Hierarchia państw dotyczy korekty wejścia:

z σ_κ = 0,30 i s_τ = 0,25 (parametryzacja niecentrowana); wejście 2024 z bilansów jest obserwacją κ_c. Udziały sektorów ω ~ Dirichlet(100 · ω⁰), ζ_inf ~ Beta(2; 6), ζ_bud ~ Beta(1; 9). Rozkład a priori log μ_s ma środek w średniej geometrycznej czasów życia JRC i Yokoi i in. (2022a); kształt k – między odpowiednikiem Weibulla rozkładu normalnego (k ≈ 3,7) a kształtem z literatury; dla wyrobów konsumpcyjnych – rozkłady kategorii ZSEE.

Korekta wejścia UE wynosi a posteriori κ_UE = 0,99 (państwa od 0,50 – Portugalia do 3,14 – Bułgaria), hibernacja ζ_inf = 0,48, ζ_bud = 0,19. Przy parametrach literatury (JRC) wyroby wycofane UE-27 w 2024 r. wyniosłyby 3 513,9 tys. t Cu, w modelu zasobu (DMFA) analizy „Zasób miedzi” ai-waw.com – 3 141,0 tys. t, w bilansie UE-27 – 2 364,1 tys. t; dopasowanie a posteriori (średnie parametrów, przed szumem procesowym) daje 2 294,7 tys. t. Rozkład Shapleya tej różnicy (tab. 4) przypisuje ją głównie hibernacji i korekcie wejścia, w mniejszym stopniu czasom życia. Przy κ stałym w czasie ani κ, ani ζ nie zmieniają tempa wzrostu wycofań.

6. Stopa zbiórki i polityka

Zbiórka frakcji f w państwie c jest iloczynem wyrobów wycofanych we frakcji i stopy zbiórki modelowanej na skali logitowej:

Po 2025 r. trend we wzorze (6.2) jest tłumiony (φ = 0,8), aby nie przedłużać mechanicznie poprawy z lat 2005–2025:

Obserwacje roczne (ZSEE zebrany, pojazdy wycofane, odpady W062) łączą się ze zbiórką przez nieznane współczynniki skali z rozkładem Studenta (ν = 4), odpornym na pojedyncze odstające lata; od wydania 1.1 obserwacją są też stopy zbiórki (wskaźniki recyklingu wyrobów wycofanych) bilansów 12 państw z 2024 r. z odchyleniem z przedziału p05–p95:

Rozkłady a priori: a_f ~ N(logit(stopa JRC), 0,5²), efekty państw u, w, v ~ N(0, τ²), τ ~ HN(0,5), g ~ N(0; 0,3²), g_W ~ N(0; 0,5²); m_W ma medianę 0,018 (miedź w masie ZSEE × udział frakcji odzyskiwalnych), m_V – 0,0085 (miedź w pojeździe × sortowanie), σ log 0,35.

FI, GR, SE – wariant bilansu bez pakietu D (cyrkularność z JRC), odchylenie × 1,5.

Stopy zbiórki państw w 2025 r. wynoszą m.in.: Niderlandy 0,79, Austria 0,78, Polska 0,75, Niemcy 0,64, Francja 0,62. Kolejność państw jest zbliżona do bilansów (korelacja rang Spearmana 0,81), lecz nie zgodna: Polska jest w modelu na 5. miejscu (w bilansach – 9.), Szwecja na 4. (7.), Niemcy na 9. (5.); powyżej bilansów leżą CZ, FR, GR, PL, SE, poniżej – AT, BE, DE, ES, FI, IT, NL (rozdz. 18). Trend wspólny g ma średnią a posteriori 0,298, trend ZSEE g_W – 0,654 (na dekadę, skala logitowa). Polityka wchodzi do modelu w dwóch miejscach. Prawo przyjęte jest w scenariuszu bazowym: rozporządzenie (UE) 2026/1738 o pojazdach wycofanych (demontaż wiązek, silników elektrycznych i dużych płytek przed strzępieniem od 1.09.2029 – przesunięcie logitu stopy odzysku Cu z pojazdów; kontrola wywozu pojazdów używanych od 1.09.2031) oraz art. 40 rozporządzenia (UE) 2024/1157 (rozdz. 9). Cele nieosiągane w danych (ZSEE 65%) i środki przyszłe (programy CRMA, paszport produktu, sortowanie) są scenariuszami nazwanymi (rozdz. 15).

7. Złom nowy

Złom nowy (poprodukcyjny) to udział strat poprodukcyjnych w bazie produkcji: wyroby z miedzi + walcówka + 0,67 × wyroby ze stopów (zawartość Cu, prognoza R02 – te same losowania). Bazę dzieli się między państwa po połowie według udziału w produkcji wyrobów i w wejściu do użytkowania (złom nowy powstaje także u wytwórców wyrobów gotowych).

A priori θ₀ ~ N(logit 0,08; 0,7²), τ_θ ~ HN(0,5), s_η = 0,05; a posteriori udział UE wynosi 0,092. Kotwicą UE jest bilans UE-27 (847,8 ± 87,3 tys. t Cu, wiarygodność bez podwójnego liczenia: 12 bilansów państw i reszta 15 państw = bilans UE-27 − suma 12). Definicja we wszystkich bilansach i w R03 jest ta sama: złom poprodukcyjny sprzedawany na rynek, bez złomu obiegowego i bez strat; złom zużywany w walcowniach walcówki, przy przetopie bezpośrednim i w odlewniach to strona zużycia. Model daje dla UE-27 w 2024 r. 600,0 tys. t Cu (mediana a posteriori; z = −2,8 wobec bilansu; w szeregu publikowanym, po ważeniu nowcastem – 597,1 tys. t). Różnica wynika ze sporu bilansów oddolnych i odgórnych: 12 bilansów państw (szczegółowe modele walcowni i przetwórców) daje razem 483,0 tys. t (model 435,7), więc pozostałe 15 państw musiałoby dać 43–49% złomu nowego UE przy ok. 18% bazy produkcji – hierarchia udziałów tego nie przyjmuje. Bilans UE-27 przyjmuje udział złomu nowego ok. 25% wytwarzania, zgodny z oszacowaniami empirycznymi (Soulier i in. 2018), a nie tylko z założeniem. Zużycie złomu UE-27 w R03 jest przez to niższe od bilansu (2024: 1 918,9 wobec 2 078 tys. t Cu).

FI, GR, SE – wariant bilansu bez pakietu D, odchylenie × 1,5.

8. Gatunki i jakość

Zawartość Cu każdej frakcji źródłowej i złomu nowego dzieli się na gatunki CN 7404 00 10 (miedź), 7404 00 91 (mosiądze) i 7404 00 99 (inne stopy) według udziałów z rozkładu Dirichleta; masa brutto wynika z zawartości Cu gatunku:

Siła rozkładu Dirichleta α_π = 40. Udziały a priori kalibruje się ważeniem do struktury Cu wywozu państw UE w latach 2021–2025: w danych 0,431 / 0,225 / 0,344, a priori 0,561 / 0,254 / 0,185, po ważeniu 0,542 / 0,253 / 0,204 (ESS 5 982). Waga obserwacji jest słaba, bo wywóz jest gatunkowo niższy niż podaż ogółem – huty i przetwórcy w UE zatrzymują więcej gatunku 7404 00 10. Wynik: udział 7404 00 10 w Cu podaży UE-27 wynosi 54,1% w 2025 r. i 53,9% w 2031 r., średnia zawartość Cu w tonie złomu – 0,750 i 0,750 (2025 i 2031). Zawartość Cu gatunku jest stała w czasie, więc wskaźnik jakości zmienia się tylko przez strukturę gatunków i frakcji (porównanie ze strukturą zużycia z literatury – rozdz. 17).

9. Bilans rynku i handel

W latach 2005–2025 zużycie złomu wynika z tożsamości bilansu – podaż minus wywóz netto (dane Comext w Cu). W prognozie zużycie UE składa się z popytu hut (indeks wsadu z dokumentów spółek D4), przetwórców (złom przetapiany bezpośrednio – R02), skoku poziomu w 2021 r. (przerwa indeksu D_H: włączenie zakładów dawnej grupy Metallo do Aurubis od czerwca 2020 r.), procesu AR(1) o średniej zero i projektów zwiększenia przerobu; wywóz netto jest resztą bilansu:

Średnie a posteriori: h = 1,440, m = 1,339, δ = −310,4 tys. t, ρ_M = 0,482, σ_nx = 112,4 tys. t; a priori h, m ~ logN(log(bilans 2024 / indeks 2024); 0,25), σ_nx ~ HN(100), ρ_M ~ Beta(3; 2). Indeks wsadu hut D_H wynosi 733,1 tys. t Cu w 2024 r. i 732,5 tys. t w 2025 r. (anody Kovohuty, rafinowane w Brixlegg, liczone raz). Państwa: zużycie C_c = s_c (C_UE − ΔP_UE) + ΔP_c (s_c – udział z lat 2021–2025), saldo państwa = Z_c + N_c − C_c; handel wewnątrz UE sumuje się do zera. Zmianę zapasów ΔS przypisuje się państwom proporcjonalnie do zbiórki: salda handlu państw sumują się do wywozu netto UE, a salda rynku (podaż − zużycie) – do wywozu netto powiększonego o ΔS. Zużycie dzieli się na huty i rafinerie oraz przetwórstwo w każdym losowaniu: składnik ε rozkłada się proporcjonalnie do h·D_H i m·SD, a projekty – według rodzaju odbiorcy.

Art. 40 rozporządzenia (UE) 2024/1157 (od 21.05.2027) jest prawem przyjętym i należy do scenariusza bazowego: wywóz złomu jako odpadu do państw spoza OECD jest dozwolony tylko do państw i odpadów z wykazu art. 41. Projekt wykazu (Ref. Ares(2026)8858290 z 18.09.2026, przyjęcie do 21.11.2026) dopuszcza złom miedzi wprost (B1010, kod odpadu 17 04 01) tylko do Serbii; Chiny i Hongkong są poza wykazem, a dla Indii, Indonezji, Malezji, Pakistanu, Tajlandii i Wietnamu metale odrzucono. Frakcje nieżelazne dla Ukrainy i kable dla Mołdawii pominięto jako nieistotne dla CN 7404. Wyjątkiem jest złom o statusie produktu (rozporządzenie 715/2013). Jego udział w wolumenie jest założeniem klasy C według kodów CN: dla Chin i Hongkongu (45,9% Cu wywozu poza UE w latach 2023–2025; 7404 00 10 – 181,4, 7404 00 91 – 250,9, 7404 00 99 – 146,7 tys. t Cu) wynosi U(80%; 95%), U(50%; 80%) i U(30%; 60%), dla pozostałych państw spoza OECD – U(5%; 25%). Zablokowany udział b_t:

gdzie s_k,g – udział kierunku k i kodu g w Cu wywozu poza UE w latach 2023–2025, e_k,g – udział statusu produktu, W41 – państwa z wykazu (Serbia), f_t – część roku 2027 po 21 maja, X_ext – wywóz brutto poza UE, r_OECD – przekierowanie do państw OECD U(30%; 60%) (z wymogiem audytu zakładu odbiorcy, art. 44 rozporządzenia), a – dodatkowe zużycie w UE U(30%; 70%), l – wolna zdolność U(5%; 15%) zużycia. Reszta zablokowanego wywozu obniża zbiórkę frakcji niskiej jakości; w 2027 r. część U(0; 50%) reszty trafia przejściowo do zapasów (połowa tej wielkości w 2028 r., potem zero) – ΔS we wzorze (9.3) wynosi średnio 9,0 tys. t Cu w 2027 r. i 6,6 tys. t Cu w 2028 r. Bez mechanizmu cenowego podział między te kanały jest założeniem. Wrażliwość skutku na udział statusu produktu dla Chin i Hongkongu:

Wywóz złomu z UE w zawartości Cu wynosił 582,4 tys. t w 2015 r. i 461,6 tys. t w 2025 r.; wywóz netto (po odjęciu przywozu spoza UE) wynosił w 2025 r. 98,3 tys. t Cu. Głównymi odbiorcami w latach 2023–2025 były: Chiny (44,5%), Indie (15,2%), Tajlandia (6,4%), Pakistan (4,9%), Malezja (4,4%); państwa spoza OECD odebrały 83,6% Cu wywozu. Przepływy wewnątrz UE pokazuje mapa łuków (pary ≥ 3 tys. t Cu) z oznaczeniem asymetrii deklaracji.

Zużycie złomu w hutach i rafineriach (R03) odpowiada w 2031 r. 99,6% produkcji wtórnej miedzi rafinowanej z prognozy R01, a zużycie przetwórców – 117,9% złomu bezpośredniego z R02. Różnice wynikają z definicji: R01 liczy całą produkcję katod z surowców wtórnych (także z materiałów spoza CN 7404, np. pozostałości i szlamów), R02 – złom jako resztę bilansu miedzi w półwyrobach i walcówce; zużycie przetwórców w R03 obejmuje ponadto odlewnie i wytwórnie stopów, których R02 nie obejmuje. Obie wielkości są kontrolą zgodności rzędu wielkości, a nie składnikami jednej sumy.

10. Nowcast 2026

Dane Comext za styczeń–sierpień 2026 r. (handel spoza UE) dają wywóz netto UE w Cu 115,9 tys. t wobec 57,0 tys. t w tym samym okresie 2025 r. Rozważono trzy oszacowania roku 2026: filtr Kalmana (poziom lokalny) na miesięcznym saldzie – 155,5 ± 37,4 tys. t; iloraz narastający osobno dla wywozu i przywozu – 194,9 tys. t; prognoza miesięczna wrzesień–grudzień modelami bazowymi szeregów (rozdz. 11) – wywóz 543,4 tys. t (przedział 90%: 506,8–571,1), przywóz 360,6 tys. t (329,8–395,9). Obserwacją jest wariant miesięczny: 182,7 ± 42,5 tys. t Cu; odchylenie łączy niepewność modelu (28,0), rewizję danych i rozrzut trzech metod. Zakres oszacowań (155,5–194,9 tys. t) pokazuje, że wynik zależy od założenia o przywozie we wrześniu–grudniu; wartość zostanie zaktualizowana po kolejnym wydaniu Comext.

Losowania modelu waży się obserwacją według wzoru (10.1) (f_T = 1,00) i losuje ponownie: ESS wynosi 3 279 z 10 000, różnych losowań jest 3 977. Mediana wywozu netto 2026 zmienia się z 99,3 do 177,2 tys. t Cu, zbiórka UE z 1 462,2 do 1 471,2 tys. t Cu. Wyższy wywóz netto przy niezmienionej podaży obniża zużycie UE w 2026 r. o ok. 59 tys. t Cu wobec 2025 r. (rozdz. 18). Statystyki odpadów są roczne z opóźnieniem publikacji, więc w nowcaście 2026 nie występują.

11. Zespół modeli AI

Zespół obejmuje modele bazowe szeregów czasowych stosowane bez dostrajania (Chronos – Ansari i in. 2024; Chronos-2 – Ansari i in. 2025; TimesFM – Das i in. 2024) i model uczony lokalnie (LightGBM – Ke i in. 2017); wagi pobrano wyłącznie z oficjalnych repozytoriów twórców, obliczenia są deterministyczne (stałe ziarno, procesor CPU). Modele kontrolne N-HiTS (Challu i in. 2023) i TFT (Lim i in. 2021) nie weszły do zespołu.

Backtest ma przesuwany początek (lata bazowe 2012–2020, horyzonty 1–6 lat; szeregi miesięczne – 1–6 miesięcy); model widzi tylko dane do roku bazowego, a kowarianty – z opóźnieniem publikacji. Miarą jest sCRPS – CRPS z 19 kwantyli (Gneiting, Raftery 2007) podzielony przez skalę MASE jednostki (Hyndman, Koehler 2006). Reguła włączenia modelu do zespołu:

Wnioski z tab. 13: na panelu państw zespół poprawia trafność handlu CN 7404 o kilka procent względem błądzenia losowego; na agregacie UE-27 poprawy nie ma dla wywozu i wywozu netto (wywóz netto poza UE: 1,508 wobec 1,438); dla przywozu spoza UE i ZSEE zespół jest trafniejszy, lecz te szeregi nie wyznaczają wyniku. Przewaga modeli bazowych jest duża na danych miesięcznych (wywóz poza UE: zmiana sCRPS −28,0%), co uzasadnia ich użycie w nowcaście 2026. Reguła (11.1) dopuszcza model nie gorszy o więcej niż 2% przy lepszym pokryciu. Stacking z wagami estymowanymi na krótkich szeregach przeuczał się (duża waga dryfu na wczesnych początkach), dlatego wagi produkcyjne są równe, z wyjątkiem zestawów z dostateczną liczbą przypadków. LightGBM ma trafną medianę, ale zbyt wąskie przedziały i nie wszedł do zespołu. Kalibracja konformalna zespołu (regresja kwantylowa – Romano i in. 2019; wyłącznie poszerzanie) zmienia niewiele, bo pokrycie w panelu jest bliskie nominalnemu.

Historia salda handlu w modelu strukturalnym jest daną wejściową, więc reszty modelu fizycznego na zmiennych obserwowalnych są tożsamościowo zerowe i nie ma szeregu reszt do modelowania; pozostałe zmienne modelu mają tylko kotwice przekrojowe 2024. Modele AI wpływają więc wyłącznie na nowcast 2026. Wyjaśnialność (SHAP – Lundberg, Lee 2017; LightGBM, wywóz netto poza UE) wskazuje jako cechy najważniejsze: Poziom szeregu w roku bazowym – 31,2%; ZSEE zebrany × Cu (poziom) – 12,4%; Produkcja budowlana (poziom) – 7,8%; Horyzont prognozy – 6,5%; Zmienność szeregu (5 lat) – 6,0% sumy średnich |SHAP|. Kowarianty (budownictwo, rejestracje, ZSEE, wartość jednostkowa Comext) nie poprawiają istotnie trafności, więc nota nie przypisuje im roli predykcyjnej.

12. Niepewność: losowania, kopuła, sumowanie, kalibracja

Rozkład a posteriori pochodzi z próbnika NUTS (Hoffman, Gelman 2014) w bibliotece PyMC (Abril-Pla i in. 2023): 4 łańcuchy × 1 000 losowań po etapie strojenia, czas 27,4 min. 10 000 losowań prognozy to losowanie ze zwracaniem z 4 000 losowań a posteriori (ziarno 20261028). Szum procesowy logitu zbiórki jest procesem AR(1) (ρ_Z = 0,6, odchylenie = σ_W + 0,1) startującym od zera w 2025 r., z innowacjami z kopuły t państw (Demarta, McNeil 2005): macierz korelacji z τ Kendalla przyrostów logarytmu obrotu złomem w latach 2006–2025, ściągana z siłą 0,3, ν = 5, średnia korelacja 0,081, średnia zależność ogonowa 0,065.

Sumowanie jest oddolne: UE-27 jest sumą 27 państw w każdym losowaniu, a ograniczenia masy spełnia konstrukcja:

Model zagregowany UE (bez heterogeniczności państw) liczy się tylko informacyjnie – relacja do sumy państw w 2031 r. (mediana) wynosi 1,031. Przedziały wywozu netto poszerza kalibracja konformalna na backteście z 4 punktów startu (n = 24; błędy wewnątrz punktu startu są silnie skorelowane, a foldy z pominięciem jednego punktu startu dzielą lata celu): mnożniki c₈₀ = 1,37 i c₉₀ = 1,36; pokrycie przed kalibracją 0,62 i 0,75, po kalibracji 0,67 i 0,71 dla przedziałów 80% i 90% – nadal poniżej nominalnego. Narastanie mnożnika z horyzontem i poszerzenie roku 2026 są założeniem, nie wynikiem backtestu; masę zachowuje zużycie krajowe, a ograniczenia fizyczne wywozu netto stosuje się po poszerzeniu:

Kontrole masy w 10 000 losowaniach: zbiórka powyżej wyrobów wycofanych – 0 przypadków, zbiórka ujemna – 0; maksymalne odchylenie sumy gatunków od podaży 0,000122 tys. t, bilansu UE 0,000904 tys. t, sumy sald handlu państw od wywozu netto UE 0,000458 tys. t, bilansów państw z zapasem 0,000092 tys. t. Ograniczenie zużycia jest wiążące po poszerzeniu w najwyżej 0,82% losowań (rok 2031). Szeregi państw sumują się do UE-27 w każdym losowaniu, więc sumują się średnie, a nie mediany.

13. Walidacja

Backtest strukturalny ma punkty startu 2016, 2018, 2020, 2022. Jest warunkowy: parametry strukturalne (czasy życia, udziały sektorów, korekta wejścia, hibernacja) i współczynniki skali obserwacji ustala się na średnich a posteriori przebiegu głównego, a NUTS kalibruje na danych do roku startu tylko stopy zbiórki i ich trendy, złom nowy i parametry rynku; pełnego ponownego dopasowania do danych sprzed punktu startu nie wykonano. Panele odpadów ocenia się na przyrostach log y_t − log y_t0 (stałe pomiaru i poziomy z kotwic znoszą się; odniesienie naiwne – przyrost zero), wywóz netto – na poziomie w tys. t Cu. Wyniki nie są dowodem przewagi nad prognozą naiwną.

Panele odpadów – CRPS przyrostów logarytmu masy; wywóz netto – CRPS w tys. t Cu przed kalibracją konformalną.

Względna różnica CRPS wobec prognozy naiwnej (warunkowa; tab. 14) wynosi dla ZSEE 0,42, odpadów W062 0,28 i pojazdów 0,26. Dla wywozu netto UE-27 CRPS modelu wynosi 94,677 wobec 92,596 tys. t Cu prognozy naiwnej (względna różnica −0,02) – trafność praktycznie równa prognozie naiwnej; zużycie w backteście liczy się jak w prognozie (skok poziomu 2021 r. od punktu startu 2022, składnik AR(1) o średniej zero). Test Diebolda–Mariano (z poprawką Harveya, Leybourne'a i Newbolda) ma przy 4 punktach startu małą moc. Test PIT odrzuca jednostajność dla: Wywóz netto UE-27 poza UE (tys. t Cu), Odpady metali nieżelaznych W062, państwa (log masy), ZSEE zebrany, państwa (log masy). We wszystkich przypadkach backtestu pokrycie przedziałów 50%, 80% i 90% wynosi 52,8%, 78,8% i 87,7% (rysunek „Kalibracja: histogram PIT i pokrycie przedziałów” na stronie prognozy); dla wywozu netto pokrycie przed kalibracją (0,62 i 0,75) było zbyt niskie, stąd kalibracja konformalna (rozdz. 12).

W przebiegu głównym żaden parametr nie ma R̂ > 1,01 ani ESS < 400 (R̂ – Vehtari i in. 2021); najwyższe R̂ (1,007) ma korekta wejścia UE (log κ_UE), najmniejsze ESS (896) – trend wspólny stóp zbiórki. Głębokość drzewa osiąga limit w 0,4% przejść; nieliczne rozbieżności w dopasowaniu backtestu 2016 nie wpływają na wynik prognozy.

FI, GR, SE – wariant bilansu bez pakietu D, odchylenie × 1,5.

Zbiórka UE-27 w 2024 r. w modelu (1 443,5 tys. t Cu) mieści się w ±1σ kotwicy UE-27 (1 355,1 ± 139,8 tys. t). Największe odstępstwo państwa: Francja (model 227,1 wobec 188,0 tys. t).

14. Wrażliwość

Udziały grup parametrów w wariancji zbiórki UE-27 w 2031 r. (część strukturalna, wejście 2026–2031 na poziomie 2025) liczy się metodą LMG – udziały grup w R² regresji liniowej zbiórki na parametry, uśrednione po permutacjach grup (Grömping 2006; związek z wartością Shapleya – Owen 2014), na łącznym rozkładzie a posteriori (3 000 losowań, pełne wektory parametrów państw κ_c, u_c, w_c, v_c, g_c, gw_c): średnia 1 457,1 tys. t Cu, odchylenie 62,1 tys. t, R² = 0,70. Parametry a posteriori są skorelowane, dlatego udziały liczy się na łącznym rozkładzie, a nie przy niezależnych rozkładach brzegowych.

Największą część wariancji (tab. 18) wyjaśniają stopy zbiórki, następnie korekta wejścia państw i hibernacja; część niewyjaśniona przez regresję liniową wynosi 0,30. Udziały LMG są miarą addytywną bez interakcji, a nie efektami Shapleya warunkowych wariancji. Wariant strukturalny skali wejścia (osobny przebieg NUTS) pokazuje źródło wzrostu zbiórki z wydania 1.0:

Wzrost wycofań w wydaniu 1.0 wynikał z rampy skali wejścia (wejście efektywne kohort 2000–2020 podniesione względem starszych), a nie z dynamiki zasobu potwierdzonej danymi; przy skali stałej w czasie wycofania lekko maleją. Wariant z rampą różni się od bazowego także brakiem obserwacji wejścia 2024 z bilansów. Parametry, których średnia a posteriori leży daleko od rozkładu a priori (co najmniej 1,5 odchylenia a priori):

Dane przesuwają rozkład trendów państw (τ_g), kształt czasu życia w transporcie i hibernację infrastruktury; wyniki są na to wrażliwe w zakresie wariantów a priori (tab. niżej).

Kolumny 2024 i 2031 – dopasowanie a posteriori, część strukturalna (przed nowcastem i szumem procesowym).

Wariant ocenia się najpierw ważeniem istotnościowym losowań przebiegu głównego ilorazem gęstości a priori (wygładzanie Pareto – Vehtari i in. 2024); gdy k̂ ≥ 0,7 (dane dominują nad rozkładem a priori), wariant estymuje się osobnym przebiegiem NUTS – wyniki takich wariantów są orientacyjne. Zbiórka 2031 zmienia się wobec wariantu bazowego najwyżej o 39,6 tys. t Cu (między wariantami – o 54,5 tys. t), mniej niż szerokość przedziału 80%. Wrażliwość na założenie scenariusza paszportu produktu (przyrost stopy zbiórki ZSEE do 2031 r.): Δr = 0,00 → 0,0 tys. t; Δr = 0,02 → 5,4 tys. t; Δr = 0,05 → 13,3 tys. t; Δr = 0,08 → 20,8 tys. t.

15. Scenariusze

Scenariusze nazwane używają tych samych 10 000 losowań co scenariusz bazowy (wspólne liczby losowe), więc różnica scenariusz − bazowy ma mały błąd Monte Carlo; intensywność efektu jest losowana, a niepewność skali efektu jest częścią scenariusza. Scenariusz bazowy zawiera prawo przyjęte (rozporządzenie 2026/1738 i art. 40 rozporządzenia 2024/1157); kontrfakty usuwają po jednym z tych aktów. Kanały działania: przesunięcie logitu stóp zbiórki (CRMA, ZSEE), bezwzględny przyrost stopy (paszport), jakość i marginalny odzysk strat frakcji z rozdrabniania (sortowanie), blokada części wywozu (art. 40, wykaz rozszerzony), mnożniki wycofań, złomu nowego i zużycia (recesja), realizacja projektów (popyt hut):

Najsilniej na zbiórkę działają programy CRMA i cel ZSEE (tab. 22). W scenariuszach zbiórki (cel ZSEE, sortowanie, paszport, kontrfakt 2026/1738) zużycie w UE zależy od podaży tylko w niewielkim stopniu – popyt hut i przetwórców jest w modelu egzogeniczny – więc większość zmiany podaży przechodzi do salda handlu; zmiana wywozu netto jest skutkiem tego założenia, a nie osobnym wynikiem. Art. 40 obniża wywóz netto: kontrfakt bez art. 40 daje różnicę 2027–2031 równą 71,8 / 105,7 / 100,4 / 98,7 / 96,5 tys. t Cu, a wykaz rozszerzony – 58,5 tys. t Cu w 2031 r. Kontrfakt bez projektów D4 liczy się tylko do rozkładu zmiany wywozu netto (rozdz. 16) i nie jest scenariuszem nazwanym. CRMA działa na zbiórkę silniej niż cel ZSEE, bo przesuwa stopy trzech frakcji (odpady budowlane i rozbiórkowe, przemysłowe, ZSEE), a cel ZSEE – jednej; górna granica efektu CRMA jest założeniem (instrument bez celów wiążących). Recesja w budownictwie działa w czasie (różnica zbiórki 2027–2031: −30,2 / −39,6 / −26,0 / −16,4 / −9,6 tys. t Cu; wywozu netto: −4,8 / 9,2 / 40,8 / 52,6 / 57,1 tys. t Cu): efekt dla wycofań wygasa do 2031 r., a spadek popytu przetwórców (relacja do bazowego z R02) utrzymuje się, więc w 2031 r. scenariusz zmienia głównie zużycie i saldo handlu. Sortowanie sensorowe działa głównie przez jakość (udział gatunku 7404 00 10).

16. Wyniki

Wywóz netto 2024–2025 to dane Comext w Cu (122,8 i 98,3 tys. t), a zużycie w tych latach wynika z tożsamości bilansu. W latach 2015–2025 wywóz netto wahał się od −76,6 do 208,5 tys. t Cu. Ścieżka median 2026–2031: 177,2 / 50,6 / −26,8 / −36,2 / −46,1 / −52,8 tys. t Cu. Średnia zmiana 2025 → 2031 (98,3 → −54,3 tys. t Cu) rozkłada się na: art. 40 – −96,5, projekty zwiększenia przerobu w hutach (D4) – −84,9, pozostałe czynniki – 28,8 tys. t Cu; bez art. 40 mediana 2031 r. wynosi 45,1 tys. t Cu. Udział losowań z przywozem netto w latach 2026–2031: 0 / 35 / 56 / 58 / 60 / 61% (bez art. 40: 0 / 22 / 36 / 39 / 42 / 43%). Przywóz netto jest wynikiem reszty bilansu (σ_nx i niepewność zużycia wokół mediany bliskiej zera po art. 40); model nie ma mechanizmu cenowego konkurencji odbiorców, więc nie jest to prognoza rynku.

Zmiana zbiórki UE-27 z 1 454,6 do 1 426,3 tys. t Cu (średnie 2025 → 2031) rozkłada się (Shapley) na: wyroby wycofane z użytkowania (wolumen) −29,7 tys. t; struktura frakcji odpadów −2,7 tys. t; stopy zbiórki 4,2 tys. t. Spadek strumienia wyrobów wycofanych tylko w niewielkim stopniu równoważą stopy zbiórki (trend z danych, tłumiony po 2025 r.; rozporządzenie 2026/1738 dla pojazdów). Według frakcji: odpady budowlane i rozbiórkowe −23,1 tys. t; odpady przemysłowe (kable, maszyny) −27,9 tys. t; pojazdy wycofane z eksploatacji 17,4 tys. t; odpady komunalne 0,1 tys. t; zużyty sprzęt elektryczny i elektroniczny 5,3 tys. t. Złom nowy dodaje 12,9 tys. t, a podaż zmienia się z 2 045,4 do 2 030,0 tys. t. Zbiórka na mieszkańca UE-27 wynosi 3,23 kg Cu w 2025 r. i 3,16 kg Cu w 2031 r. W części państw zbiórka rośnie mimo spadku w UE-27 (tab. niżej):

Wzrost zbiórki Czech (36,3 → 45,5 tys. t Cu) i Polski (111,4 → 122,6 tys. t Cu) wynika głównie ze wzrostu wycofań (Czechy 51,7 → 64,6 tys. t; Polska – efekt wycofań 6,0 i stopy 5,3 tys. t): wejście do użytkowania tych państw rosło po 1995 r., więc kohorty 2000–2015 osiągają wiek wycofania. Korekta wejścia κ_c jest stała w czasie i skaluje poziom, nie tempo. W UE-27 spadek wycofań starszych kohort państw Europy Zachodniej znosi ten wzrost.

17. Dyskusja – porównanie z literaturą

Poziom zbiórki R03 (tab. 26) jest zgodny z wartościami europejskimi, a wyższy od globalnych – zgodnie z dojściem UE do wyższych stóp zbiórki. Złom nowy R03 (600,0 tys. t Cu w 2024 r.) jest niższy od wartości wynikającej z założenia 25% wytwarzania (raport JRC 2018, za Soulier i in. 2018), bo bilanse państw liczą złom nowy oddolnie (rozdz. 7). Udział gatunku 7404 00 10 w masie podaży jest niższy niż w strukturze zużycia z lat 2008–2010 (ECI 2010, za JRC 2011), co jest spójne z tym, że huty i przetwórcy w UE przetapiają więcej złomu wysokiej jakości niż wynika z samej podaży. Prognozy UE o dłuższym horyzoncie (Ciacci i in. 2020) i modele kohortowe (Born, Ciftci 2024) wskazują wzrost strumienia złomu poużytkowego w kolejnych dekadach; R03 w horyzoncie do 2031 r. nie potwierdza wzrostu – przy skali wejścia stałej w czasie strumień wyrobów wycofanych UE-27 lekko maleje, a rośnie tylko w państwach o późniejszym przyroście zasobu (Czechy, Polska).

18. Ograniczenia

Backtest modelu strukturalnego jest warunkowy: parametry zasobu (czasy życia, udziały sektorów, skala wejścia, hibernacja) ustalono na średnich a posteriori przebiegu głównego (dane do 2025 r.), bez pełnego ponownego dopasowania do danych sprzed punktu startu – wyniki nie są dowodem przewagi nad prognozą naiwną. Względna różnica CRPS wobec prognozy naiwnej (warunkowa, przyrosty logarytmu masy) wynosi: ZSEE 0,42, odpady metali nieżelaznych W062 0,28, pojazdy wycofane 0,26. Dla wywozu netto UE-27 poza UE CRPS modelu wynosi 94,7 tys. t Cu wobec 92,6 tys. t Cu prognozy naiwnej (względna różnica −0,02) – trafność praktycznie równa prognozie naiwnej. Test Diebolda–Mariano ma przy 4 punktach startu małą moc. Przedziały wywozu netto poszerzono kalibracją konformalną z 4 punktów startu (n = 24; błędy wewnątrz punktu startu są silnie skorelowane): mnożniki 1,37 (80%) i 1,36 (90%); pokrycie po kalibracji (z pominięciem jednego punktu startu) 0,67 i 0,71 – poniżej nominalnego, więc przedziały wywozu netto mogą być nadal zbyt wąskie; narastanie mnożnika z horyzontem i poszerzenie roku 2026 są założeniem, a nie wynikiem backtestu. Zespół modeli AI (TimesFM, Chronos-Bolt, Chronos-2) nie jest trafniejszy od prognozy naiwnej dla agregatu UE-27 (wywóz netto: sCRPS 1,508 wobec 1,438) i nie ma szeregu reszt modelu fizycznego do modelowania – wpływa wyłącznie na nowcast 2026 z danych miesięcznych (sCRPS zespołu 0,801, TimesFM 0,719 wobec 1,042 prognozy naiwnej). W latach 2027–2031 przywóz netto występuje w 35–61% losowań; jest to wynik reszty bilansu (podaż minus popyt hut i przetwórców), a model nie ma mechanizmu cenowego – nie jest to prognoza przywozu netto.

• Szum procesowy stóp zbiórki i kopuła t między państwami są założeniami rzędu wielkości (korelacje z obrotu złomem), a nie oszacowaniem z reszt zbiórki – przedziały państw mogą być zbyt wąskie albo zbyt szerokie.
• Zużycie złomu w 2026 r. nie jest wiązane z R01/R02: nowcast wysokiego wywozu netto obniża zużycie UE-27 o ok. 59 tys. t Cu wobec 2025 r., czego prognozy produkcji wtórnej miedzi rafinowanej (R01) i wyrobów (R02) nie potwierdzają; nowcast nie zawiera składnika zapasów.
• Zakres rynku: indeks wsadu hut obejmuje materiały złożone, miedź blister i złom elektroniczny (CN 8549), których nie oddzielono od CN 7404; saldo miedzi w wyrobach gotowych nie wchodzi do wejścia do zasobu (poziom 2022–2024 zawiera je przez bilanse, dynamika wcześniejsza – nie).
• Handel 2024 w Cu: wywóz netto poza UE w R03 122,8 tys. t wobec 124,9 tys. t w bilansie UE-27 portalu – różnica wynika ze współczynników Cu stopów (7404 00 91 i 99) i uzgodnienia bilansu metodą najmniejszych kwadratów.
• Stopy zbiórki państw 2024: kolejność zbliżona do bilansów (korelacja rang 0,81), lecz nie zgodna – powyżej bilansów CZ, FR, GR, PL, SE (Polska 0,73 wobec 0,63, pozycja 5 wobec 9), poniżej AT, BE, DE, ES, FI, IT, NL (Niemcy 0,64 wobec 0,68, pozycja 9 wobec 5).
• Złom nowy UE-27 w modelu (2024: 600,0 tys. t Cu) leży poniżej bilansu UE-27 (847,8 tys. t; z = −2,8): bilanse 12 państw liczą złom nowy oddolnie, bilans UE-27 – odgórnie, z udziałem ok. 25% wytwarzania zgodnym z oszacowaniami empirycznymi (Soulier i in. 2018). Zużycie złomu UE-27 w R03 jest przez to niższe od bilansu (2024: 1 918,9 wobec 2 078 tys. t Cu).
• Wejście do użytkowania 18 państw (BE, NL, GR i 15 państw bez bilansu) jest konstrukcją zastępczą; historia państw Europy Środkowej sprzed 1990 r. jest niepewna.
• Skala wejścia i hibernacja obniżają poziom wycofań podobnie i są rozróżniane tylko przez przebieg w czasie; wariant z rampą skali wejścia 2000–2020 (wydanie 1.0, także bez obserwacji wejścia 2024) daje wzrost zbiórki do 2031 r., wariant bazowy – nie.
• Art. 40 rozporządzenia 2024/1157 jest prawem przyjętym (od 21.05.2027). Założeniami są: treść wykazu art. 41 – projekt Ref. Ares(2026)8858290 z 18.09.2026 (złom miedzi wprost tylko do Serbii; Chiny i Hongkong poza wykazem; przyjęcie do 21.11.2026) – oraz udział wolumenu złomu o statusie produktu (klasa C, według kodów CN). Wywóz netto 2031 przy udziale statusu produktu dla Chin i Hongkongu 50% / 80% / 95% (wszystkie kody): −69,7 / −39,3 / −24,4 tys. t Cu (mediany).
• Zablokowany wywóz rozlicza się przekierowaniem do państw OECD (z wymogiem audytu zakładu odbiorcy), dodatkowym zużyciem w UE do wolnej zdolności i niższą zbiórką frakcji niskiej jakości; zmiana zapasów jest tylko przejściowa (2027–2028). Bez mechanizmu cenowego podział między te kanały jest założeniem.
• Warianty rozkładów a priori z k̂ ≥ 0,7 są liczone osobnymi, zbieżnymi przebiegami NUTS; ich wyniki są orientacyjne.
• Skala skutków rozporządzenia 2026/1738 dla pojazdów leży w górnej części możliwego zakresu (pełny efekt w 2031 r., bez odstępstwa dla technologii po strzępieniu).
• Historia zużycia państw z tożsamości (zbiórka + złom nowy − saldo handlu) w niektórych latach nie ma sensu rynkowego z powodu asymetrii lustrzanej handlu wewnątrz UE; w latach 2024–2025 suma zużycia państw przewyższa zużycie UE, a od 2026 r. są równe z konstrukcji, więc szeregi niektórych państw mają skok między 2025 a 2026 r.
• Brak scenariusza uwolnienia zasobu uśpionego (wymiana sieci kablowych) – hibernacja jest stała w czasie.
• Dokument KGHM za 2018 r. podaje produkcję ze złomów większą niż z materiałów zakupionych ogółem – wartość weszła do indeksu wsadu hut bez korekty.
• Statystyki odpadów (W062) są publikowane co 2 lata; dane za 2024 r. nie były dostępne w dniu wydania.

19. Wnioski

• P1: zbiórka złomu poużytkowego UE-27 w latach 2026–2031 lekko maleje – 1 426,3 (1 319,7–1 533,6) tys. t Cu w 2031 r. wobec 1 454,9 tys. t Cu w 2025 r.; wzrost z wydania 1.0 nie wynika z danych; rośnie zbiórka państw o późniejszym przyroście zasobu (Czechy, Polska).
• P2: złom nowy (poprodukcyjny) wynosi 595,8 (473,8–745,2) tys. t Cu w 2031 r. i podąża za produkcją wyrobów R02; jest niższy od założenia bilansu UE-27.
• P3: udział gatunku 7404 00 10 w Cu podaży pozostaje na poziomie 53,9%, a średnia zawartość Cu – 0,750; sortowanie sensorowe działa głównie przez jakość.
• P4: zużycie w UE rośnie do 2 074,4 tys. t Cu, a wywóz netto poza UE spada do −52,8 tys. t Cu w 2031 r. (przedział 80% −305,1 – 192,7) – znak salda handlu jest niepewny, a przywóz netto w części losowań jest wynikiem bilansu, nie prognozą rynku.
• P5: spadek wywozu netto (średnio 152,6 tys. t Cu) wyjaśniają art. 40 rozporządzenia 2024/1157 (−96,5) i projekty zwiększenia przerobu w hutach (−84,9); skutek art. 40 zależy od udziału złomu o statusie produktu (wywóz netto 2031: −69,7 / −39,3 / −24,4 tys. t Cu przy 50 / 80 / 95% dla Chin i Hongkongu); CRMA i cel ZSEE podnoszą zbiórkę o 39,7 i 28,4 tys. t Cu; rozporządzenie 2026/1738 – o 15,5 tys. t Cu.

20. Odtwarzalność i przeglądy

Wynik powstaje deterministycznie z danych D1–D6 i plików R01/R02 (tylko odczyt). Etapy: dopasowanie modelu zasobu (NUTS) dla roku 2025, wariantów rozkładów a priori, wariantu strukturalnego i punktów startu backtestu; losowania prognozy, nowcast, scenariusze, dekompozycja wariancji i rozkład zmian; backtest strukturalny z kalibracją konformalną; zespół AI (szeregi, backtest, stacking, kalibracja, SHAP); złożenie pliku dla portalu i noty. Ziarna losowań: model 20261028, nowcast 20261029, scenariusze 20261035; R02 – wersja 2.1, ziarno 20261013. Wydanie 1.1 powstało po przeglądach niezależnych A1–A5 (dane i źródła, matematyka, branża, portal i odtwarzalność, tekst) i po weryfikacji poprawek (matematyka, branża); ustalenia i ich stan opisuje plan poprawek, a wersję przed publikacją zatwierdza wydawca w panelu redakcyjnym portalu.

Bibliografia

Literatura dziedzinowa (identyfikatory DOI sprawdzone w rejestrze wydawców):

• Born K., Ciftci M.M. (2024) The limitations of end-of-life copper recycling and its implications for the circular economy of metals. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2023.107318
• Ciacci L., Fishman T., Elshkaki A. i in. (2020) Exploring future copper demand, recycling and associated greenhouse gas emissions in the EU-28. Global Environmental Change. doi:10.1016/j.gloenvcha.2020.102093
• Ciacci L., Vassura I., Passarini F. (2017) Urban Mines of Copper: Size and Potential for Recycling in the EU. Resources. doi:10.3390/resources6010006
• Daehn K.E., Cabrera Serrenho A., Allwood J.M. (2017) How Will Copper Contamination Constrain Future Global Steel Recycling? Environmental Science & Technology. doi:10.1021/acs.est.7b00997
• Diersen I., Bhuwalka K., Olivetti E. (2025) The Opportunity for Utilizing End‐of‐Life Scrap to Meet Growing Copper Demand. Journal of Advanced Manufacturing and Processing. doi:10.1002/amp2.70031
• Dong D., Tercero Espinoza L.A., Loibl A. i in. (2020) Scenarios for anthropogenic copper demand and supply in China: implications of a scrap import ban and a circular economy transition. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2020.104943
• Dong D., Tukker A., Van der Voet E. (2019) Modeling copper demand in China up to 2050: A business‐as‐usual scenario based on dynamic stock and flow analysis. Journal of Industrial Ecology. doi:10.1111/jiec.12926
• Dong J., Liao J., Huan X. i in. (2023) Expert elicitation and data noise learning for material flow analysis using Bayesian inference. Journal of Industrial Ecology. doi:10.1111/jiec.13399
• Elshkaki A. (2005) Dynamic stock modelling: A method for the identification and estimation of future waste streams and emissions based on past production and product stock characteristics. Energy. doi:10.1016/j.energy.2004.02.019
• Elshkaki A., Graedel T.E., Ciacci L. i in. (2018) Resource Demand Scenarios for the Major Metals. Environmental Science & Technology. doi:10.1021/acs.est.7b05154
• Glöser S., Soulier M., Tercero Espinoza L.A. (2013) Dynamic Analysis of Global Copper Flows. Global Stocks, Postconsumer Material Flows, Recycling Indicators, and Uncertainty Evaluation. Environmental Science & Technology. doi:10.1021/es400069b
• Gottschalk F., Scholz R.W., Nowack B. (2010) Probabilistic material flow modeling for assessing the environmental exposure to compounds: Methodology and an application to engineered nano-TiO2 particles. Environmental Modelling & Software. doi:10.1016/j.envsoft.2009.08.011
• Graedel T.E., van Beers D., Bertram M. i in. (2004) Multilevel Cycle of Anthropogenic Copper. Environmental Science & Technology. doi:10.1021/es030433c
• Kannangara M., Dua R., Ahmadi L. i in. (2018) Modeling and prediction of regional municipal solid waste generation and diversion in Canada using machine learning approaches. Waste Management. doi:10.1016/j.wasman.2017.11.057
• Kroell N., Chen X., Greiff K. i in. (2022) Optical sensors and machine learning algorithms in sensor-based material flow characterization for mechanical recycling processes: A systematic literature review. Waste Management. doi:10.1016/j.wasman.2022.05.015
• Kuipers K.J., van Oers L.F., Verboon M. i in. (2018) Assessing environmental implications associated with global copper demand and supply scenarios from 2010 to 2050. Global Environmental Change. doi:10.1016/j.gloenvcha.2018.02.008
• Laner D., Rechberger H., Astrup T. (2014) Systematic Evaluation of Uncertainty in Material Flow Analysis. Journal of Industrial Ecology. doi:10.1111/jiec.12143
• Loibl A., Tercero Espinoza L.A. (2021) Current challenges in copper recycling: aligning insights from material flow analysis with technological research developments and industry issues in Europe and North America. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2021.105462
• Lupton R.C., Allwood J.M. (2018) Incremental Material Flow Analysis with Bayesian Inference. Journal of Industrial Ecology. doi:10.1111/jiec.12698
• Mason A.R., Bide T., Wang J. i in. (2025) Bayesian material flow analysis of the construction aggregate cycle in England. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2025.108135
• Murakami S., Oguchi M., Tasaki T. i in. (2010) Lifespan of Commodities, Part I. Journal of Industrial Ecology. doi:10.1111/j.1530-9290.2010.00250.x
• Müller D.B. (2006) Stock dynamics for forecasting material flows–Case study for housing in The Netherlands. Ecological Economics. doi:10.1016/j.ecolecon.2005.09.025
• Müller E., Hilty L.M., Widmer R. i in. (2014) Modeling Metal Stocks and Flows: A Review of Dynamic Material Flow Analysis Methods. Environmental Science & Technology. doi:10.1021/es403506a
• Oguchi M., Murakami S., Tasaki T. i in. (2010) Lifespan of Commodities, Part II. Journal of Industrial Ecology. doi:10.1111/j.1530-9290.2010.00251.x
• Panasiuk D., Daigo I., Hoshino T. i in. (2022) International comparison of impurities mixing and accumulation in steel scrap. Journal of Industrial Ecology. doi:10.1111/jiec.13246
• Pauliks N., Fishman T., Istrate R. i in. (2026) Assessing historic material losses in European waste from electrical and electronic equipment. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2026.109034
• Pauliuk S., Heeren N. (2020) ODYM–An open software framework for studying dynamic material systems: Principles, implementation, and data structures. Journal of Industrial Ecology. doi:10.1111/jiec.12952
• Reck B.K., Graedel T.E. (2012) Challenges in Metal Recycling. Science. doi:10.1126/science.1217501
• Ruhrberg M. (2006) Assessing the recycling efficiency of copper from end-of-life products in Western Europe. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2006.01.003
• Schipper B.W., Lin H.C., Meloni M.A. i in. (2018) Estimating global copper demand until 2100 with regression and stock dynamics. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2018.01.004
• Soulier M., Glöser-Chahoud S., Goldmann D. i in. (2018) Dynamic analysis of European copper flows. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2017.10.013
• Wagner M.A., Habib H., Herreras L. i in. (2023) Unlocking the potential of e-waste: A material quantification analysis of Cu, Cr, In, Mg, Nb, and Nd in the EU. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2023.107243
• Wang F., Huisman J., Stevels A. i in. (2013) Enhancing e-waste estimates: Improving data quality by multivariate Input–Output Analysis. Waste Management. doi:10.1016/j.wasman.2013.07.005
• Wang J., Ray K., Brito‐Parada P. i in. (2024) Bayesian material flow analysis for systems with multiple levels of disaggregation and high dimensional data. Journal of Industrial Ecology. doi:10.1111/jiec.13550
• Wang M., Chen W., Zhou Y. i in. (2017) Assessment of potential copper scrap in China and policy recommendation. Resources Policy. doi:10.1016/j.resourpol.2016.12.009
• Watari T., Nansai K., Nakajima K. (2021) Major metals demand, supply, and environmental impacts to 2100: A critical review. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2020.105107
• Yokoi R., Nakatani J., Hatayama H. i in. (2022b) Dynamic analysis of in-use copper stocks by the final product and end-use sector in Japan with implication for future demand forecasts. Resources, Conservation and Recycling. doi:10.1016/j.resconrec.2022.106153
• Yokoi R., Watari T., Motoshita M. (2022a) Future greenhouse gas emissions from metal production: gaps and opportunities towards climate goals. Energy & Environmental Science. doi:10.1039/d1ee02165f
• Yoshimura A., Matsuno Y. (2018) Dynamic Material Flow Analysis and Forecast of Copper in Global-Scale: Considering the Difference of Recovery Potential between Copper and Copper Alloy. Materials Transactions. doi:10.2320/matertrans.m2017399
• Zhang L., Cai Z., Yang J. i in. (2015) The future of copper in China–A perspective based on analysis of copper flows and stocks. Science of The Total Environment. doi:10.1016/j.scitotenv.2015.07.021

Raporty instytucji UE:

• Muchová L., Eder P., Villanueva A. (2011) End-of-waste criteria for copper and copper alloy scrap: Technical proposals (JRC64207, EUR 24786 EN). Komisja Europejska – Wspólne Centrum Badawcze (JRC-IPTS). doi:10.2791/57777
• Passarini F., Ciacci L., Nuss P., Manfredi S. (2018) Material Flow Analysis of Aluminium, Copper, and Iron in the EU-28 (JRC111643, EUR 29220 EN). Komisja Europejska – JRC. doi:10.2760/1079

Literatura metodyczna – modele i obliczenia (opisy sprawdzone w Crossref i DataCite):

• Abril-Pla O., Andreani V., Carroll C. i in. (2023) PyMC: a modern, and comprehensive probabilistic programming framework in Python. PeerJ Computer Science 9, e1516. doi:10.7717/peerj-cs.1516
• Ansari A.F., Shchur O., Küken J. i in. (2025) Chronos-2: From Univariate to Universal Forecasting. arXiv. doi:10.48550/arXiv.2510.15821
• Ansari A.F., Stella L., Turkmen C. i in. (2024) Chronos: Learning the Language of Time Series. Transactions on Machine Learning Research. doi:10.48550/arXiv.2403.07815
• Challu C., Olivares K.G., Oreshkin B.N. i in. (2023) NHITS: Neural Hierarchical Interpolation for Time Series Forecasting. Proceedings of the AAAI Conference on Artificial Intelligence 37(6), 6989–6997. doi:10.1609/aaai.v37i6.25854
• Das A., Kong W., Sen R., Zhou Y. (2024) A decoder-only foundation model for time-series forecasting. Proceedings of the 41st International Conference on Machine Learning (PMLR 235). doi:10.48550/arXiv.2310.10688
• Demarta S., McNeil A.J. (2005) The t Copula and Related Copulas. International Statistical Review 73(1), 111–129. doi:10.1111/j.1751-5823.2005.tb00254.x
• Diebold F.X., Mariano R.S. (1995) Comparing Predictive Accuracy. Journal of Business & Economic Statistics 13(3), 253–263. doi:10.1080/07350015.1995.10524599
• Gneiting T., Raftery A.E. (2007) Strictly Proper Scoring Rules, Prediction, and Estimation. Journal of the American Statistical Association 102(477), 359–378. doi:10.1198/016214506000001437
• Grömping U. (2006) Relative Importance for Linear Regression in R: The Package relaimpo. Journal of Statistical Software 17(1). doi:10.18637/jss.v017.i01
• Harvey D., Leybourne S., Newbold P. (1997) Testing the equality of prediction mean squared errors. International Journal of Forecasting 13(2), 281–291. doi:10.1016/S0169-2070(96)00719-4
• Hoffman M.D., Gelman A. (2014) The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research 15, 1593–1623. doi:10.48550/arXiv.1111.4246
• Hyndman R.J., Koehler A.B. (2006) Another look at measures of forecast accuracy. International Journal of Forecasting 22(4), 679–688. doi:10.1016/j.ijforecast.2006.03.001
• Ke G., Meng Q., Finley T. i in. (2017) LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems 30 (bez DOI – strona wydawcy)
• Lim B., Arık S.Ö., Loeff N., Pfister T. (2021) Temporal Fusion Transformers for interpretable multi-horizon time series forecasting. International Journal of Forecasting 37(4), 1748–1764. doi:10.1016/j.ijforecast.2021.03.012
• Lundberg S.M., Lee S.-I. (2017) A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems 30. doi:10.48550/arXiv.1705.07874
• Owen A.B. (2014) Sobol' Indices and Shapley Value. SIAM/ASA Journal on Uncertainty Quantification 2(1), 245–251. doi:10.1137/130936233
• Romano Y., Patterson E., Candès E. (2019) Conformalized Quantile Regression. Advances in Neural Information Processing Systems 32. doi:10.48550/arXiv.1905.03222
• Vehtari A., Gelman A., Simpson D., Carpenter B., Bürkner P.-C. (2021) Rank-Normalization, Folding, and Localization: An Improved R̂ for Assessing Convergence of MCMC. Bayesian Analysis 16(2), 667–718. doi:10.1214/20-BA1221
• Vehtari A., Simpson D., Gelman A., Yao Y., Gabry J. (2024) Pareto Smoothed Importance Sampling. Journal of Machine Learning Research 25(72). doi:10.48550/arXiv.1507.02646
• Weibull W. (1951) A Statistical Distribution Function of Wide Applicability. Journal of Applied Mechanics 18(3), 293–297. doi:10.1115/1.4010337

Dane i akty prawne:

• Eurostat Comext DS-045409 – handel CN 7404 00 10/91/99, państwa UE, partnerzy wewnątrz i spoza UE, 2005–2025 i I–VIII 2026. Eurostat. 2026-10-28. https://ec.europa.eu/eurostat/api/comext/dissemination/sdmx/2.1/data/DS-045409
• Eurostat – wytwarzanie odpadów (env_wasgen, W062 odpady metali nieżelaznych), co 2 lata 2010–2022. Eurostat. 2026-10-28. https://ec.europa.eu/eurostat/databrowser/view/env_wasgen/default/table
• Eurostat – zużyty sprzęt elektryczny i elektroniczny (env_waselee, env_waseleeos), 2005–2024. Eurostat. 2026-10-28. https://ec.europa.eu/eurostat/databrowser/view/env_waselee/default/table
• Eurostat – pojazdy wycofane z eksploatacji (env_waselvt), 2005–2023. Eurostat. 2026-10-28. https://ec.europa.eu/eurostat/databrowser/view/env_waselvt/default/table
• Eurostat – ludność 1 stycznia (demo_pjan), PKB (nama_10_gdp), produkcja budowlana (sts_copr_a), rejestracje samochodów. Eurostat. 2026-10-28. https://ec.europa.eu/eurostat/databrowser/
• Rozporządzenie (UE) 2024/1252 w sprawie surowców krytycznych (CRMA). Urząd Publikacji UE. 2024-04-11. http://data.europa.eu/eli/reg/2024/1252/oj
• Rozporządzenie wykonawcze Komisji (UE) 2026/1116 – strumienie odpadów o potencjale odzysku surowców krytycznych. Urząd Publikacji UE. 2026-05-26. http://data.europa.eu/eli/reg_impl/2026/1116/oj
• Rozporządzenie (UE) 2024/1157 w sprawie przemieszczania odpadów. Urząd Publikacji UE. 2024-04-11. http://data.europa.eu/eli/reg/2024/1157/oj
• Dyrektywa 2012/19/UE w sprawie zużytego sprzętu elektrycznego i elektronicznego (ZSEE). Urząd Publikacji UE. 2012-07-04. http://data.europa.eu/eli/dir/2012/19/oj
• Dyrektywa (UE) 2024/884 zmieniająca dyrektywę 2012/19/UE. Urząd Publikacji UE. 2024-03-13. http://data.europa.eu/eli/dir/2024/884/oj
• Dyrektywa 2000/53/WE w sprawie pojazdów wycofanych z eksploatacji. Urząd Publikacji UE. 2000-09-18. http://data.europa.eu/eli/dir/2000/53/oj
• Rozporządzenie (UE) 2026/1738 w sprawie pojazdów wycofanych z eksploatacji. Urząd Publikacji UE. 2026-07-08. http://data.europa.eu/eli/reg/2026/1738/oj
• Rozporządzenie Komisji (UE) nr 715/2013 – kryteria utraty statusu odpadu przez złom miedzi. Urząd Publikacji UE. 2013-07-25. http://data.europa.eu/eli/reg/2013/715/oj
• Rozporządzenie (UE) 2023/1542 w sprawie baterii i zużytych baterii. Urząd Publikacji UE. 2023-07-12. http://data.europa.eu/eli/reg/2023/1542/oj
• Rozporządzenie (UE) 2024/1781 – ramy ekoprojektu dla zrównoważonych produktów (ESPR). Urząd Publikacji UE. 2024-06-13. http://data.europa.eu/eli/reg/2024/1781/oj
• Rozporządzenie (UE) 2023/956 ustanawiające mechanizm dostosowywania cen na granicach z uwzględnieniem emisji CO2 (CBAM). Urząd Publikacji UE. 2023-05-10. http://data.europa.eu/eli/reg/2023/956/oj
• Komunikat Komisji COM(2025) 125 – Europejski plan działania na rzecz stali i metali. Urząd Publikacji UE. 2025-03-19. http://publications.europa.eu/resource/celex/52025DC0125
• Komunikat Komisji COM(2025) 945 – plan działania RESourceEU. Urząd Publikacji UE. 2025-12-03. http://publications.europa.eu/resource/celex/52025DC0945
• Projekt rozporządzenia delegowanego Komisji uzupełniającego rozporządzenie (UE) 2024/1157 – wykaz państw, do których dozwolony jest wywóz niektórych odpadów innych niż niebezpieczne (Ref. Ares(2026)8858290, z załącznikiem; złom miedzi – Serbia, załącznik s. 28–29). Komisja Europejska. 2026-09-18. https://ec.europa.eu/info/law/better-regulation/have-your-say/initiatives/14861
• Rozporządzenie delegowane Komisji C(2026) 7390 zmieniające załączniki III, IIIA, IIIB i IV rozporządzenia (UE) 2024/1157 (dokument Rady ST 14953/26). Rada Unii Europejskiej. 2026-10-26. https://data.consilium.europa.eu/doc/document/ST-14953-2026-INIT/en/pdf