Strømforbruket knyttet til digitale plattformer handler ikke bare om å lade mobiltelefon eller strømmen PC-en bruker. Hver gang vi søker på Google, ser en video på TikTok, eller bruker ChatGPT, starter det en digital prosess som krever strøm. Det handler om mer enn bare skjermen vi sitter foran – det skjer en dataoverføring fra enheten vår til servere og datasentre som ligger spredt rundt i verden. Denne infrastrukturen, som blant annet består av datasentre og telekommunikasjonssystemer, er med på å dra strøm i bakgrunnen, uten at vi nødvendigvis tenker over det. Datasentre alene står for 1,8 til 2,6 prosent av det totale strømforbruket i EU, og telekomsystemene står for 1 til 1,2 prosent (Kamiya & Bertoldi, 2024). Det høres kanskje ikke så mye ut, men tatt i betraktning hvor lite bevisste vi ofte er på dette forbruket, er det et viktig tema å undersøke.
I denne oppgaven skal vi prøve å kartlegge det skjulte digitale strømforbruket ved å se på hvordan tre studenters digitale forbruk i løpet av en uke. Ved å kombinere faktisk bruk med tilgjengelig forskning og tall på strømforbruk, prøver vi å finne ut hvor mye strøm som egentlig går med. Vi ser spesifikt på plattformer og aktiviteter som nettleser og Google-søk, bruk av språkmodeller som ChatGPT, strømmetjenester som Netflix, Amazon Prime og YouTube, og vertikale videoformater som TikTok, YouTube Shorts og Instagram Reels. Målet er å få bedre innsikt i hvor mye strøm som faktisk brukes i det digitale hverdagslivet og se på hva vi som individer kan gjøre for å redusere forbruket, uten at det går utover livskvaliteten eller hverdagsrutiner.
Problemstillingen i oppgaven er derfor:
Hvor mye strøm bruker en gjennomsnittlig student på digitale plattformer og hvilke tiltak kan gjøres for å redusere det digitale strømforbruket?
For å forstå kompleksiteten i det skjulte digitale strømforbruket, bruker vi to supplerende teoretiske perspektiver: aktør-nettverksteori (ANT) og domestiseringsteori. ANT hjelper oss å kartlegge hvordan digitale handlinger involverer både menneskelige og ikke-menneskelige aktører i samspill, mens domestiseringsteori belyser hvordan teknologien blir en usynlig og ureflektert del av hverdagen.
ANT er et rammeverk som tilrettelegger for hvordan man kan se på sammenhengen mellom teknologi og individ. Det innebærer altså menneskelige og ikke-menneskelige aktører, deres relasjoner og nettverk skapt fra dem (Skjølsvold, 2022, s. 67). For å få et godt inntrykk av hvor strømbruken faktisk skjer, må vi finne aktørene i en slik prosess. Aktørene vil være forskjellige avhengig av hvilke områder vi ser på. Likevel kan vi formulere en generell forståelse av hvordan prosessen er: deg som person → enhet (mobil eller laptop) → internettinfrastruktur → datasenter hvor tjenesten kjøres → tjeneste. Hver aktør bidrar til strømforbruket. Dette perspektivet gjør det mulig å se strømforbruk ikke som en individuell handling, men som et resultat av et sammensatt nettverk som inkluderer alt fra infrastruktur og designvalg til brukerens intensjoner.
Domestiseringsteorien handler om hvordan vi som brukere ser bort fra teknologiens opprinnelige formål og tilpasser den etter egne behov og ønsker. Tidligere ble begrepet «domestisering» brukt om å temme dyr, men i moderne tid handler det om hvordan vi «temmer» teknologi (Skjølsvold, 2024, s. 160). Teorien ble introdusert av Roger Silverstone og hans kollegaer på 1990-tallet, med særlig fokus på medieteknologi. Silverstone undersøkte blant annet hvordan TV-en ble tatt i bruk i husholdninger da den først ble introdusert, og kom fram til fire stadier i domestiseringsprosessen.
Den første fasen, appropriasjon, beskriver hvordan ny teknologi overføres fra markedet til brukeren, for eksempel gjennom kjøp, gave eller lån. Den neste fasen, objektivisering, handler om hvordan teknologien får en fysisk plass i hjemmet. I denne fasen blir objektet en synlig del av husholdningen, og brukerne vil derfor også bli mer opptatt av estetikk og plassering av teknologien. Den tredje fasen, inkorporering, innebærer at teknologien integreres i daglige rutiner og blir en del av den naturlige hverdagen. Til slutt kommer konverteringsfasen, hvor teknologien gjøres til noe brukeren kan vise til omverdenen (Skjølsvold, 2022, ss. 160–161).
Gjennom domestiseringsteorien kan vi forstå hvordan strømbruket knyttet til digitale plattformer blir «usynlig» for oss som brukere. Når ny teknologi tas i bruk, startes appropriasjonsfasen, men etter hvert som den integreres i hverdagen, flyttes fokuset bort fra hva teknologien faktisk krever, nemlig strøm. For eksempel, når en app som TikTok får en fast plass på mobilens startskjerm (objektivisering), og vi begynner å bruke den daglig uten å tenke over det (inkorporering), blir strømforbruket som kreves noe vi ikke tenker over eller forholder oss til. Plattformen blir en vane, ikke en handling vi reflekterer over.
Denne oppgaven innebærer en undersøkelse med tre studenter. Disse studentene bruker digitale plattformer på generell basis i løpet av en dag, men alle tre har forskjellig livsstil. Vi har valgt å finne strømforbruket vårt på noen plattformer/formater. Disse inkluderer nettleserdata/Google-søk, strømmetjenester, antall ledetekster sendt til språkmodeller, og vertikal video/sosiale medier (SoMe). For å måle generell nettleserdata, bruker vi en Google Chrome-utvidelse som heter Eco2rd, som blir mer utdypet senere.
I beslutningen for hvilken data vi hentet inn, tenkte vi at disse plattformene er mest representativt for hverdagen til studenter i sin helhet. Vi valgte derfor de som vi mener, av egen erfaring, at majoriteten av studenter tar i bruk i hverdagen. Språkmodeller for eksempel, har vi erfart at flere og flere studenter bruker i hjelp til studie, mens strømmetjenester og vertikal video/SoMe brukes til underholdning/tidsfordriv.
For å måle disse dataene har vi hentet inn dokumentasjon som viser hvor mye data eller strøm som kreves for å bruke plattformene. Dokumentasjonen varierer for hver plattform og er vanligvis basert på egenrapportering fra selskapene bak. Datagrunnlaget for beregningene våre stammer fra forskningen vi har gjennomført basert på selskapenes egne og eventuelt tredjeparts rapporter om plattformens ressursforbruk. I denne situasjonen hvor begge er til stede, vil vi gjøre en vurdering av hva som er mest sannsynlig, for å sikre mer kvalitet i datagrunnlaget. De selskapene dette gjelder kan vi anta at søker maksimal verdi til eierne deres og vil derfor unngå å gjøre tiltak for å sikre mer miljøvennlig arbeid samt åpenhet rundt slik tall.
For å vise hvordan vi gjør dette i praksis er det lurt å presentere grunnlaget og det går som følger: ChatGPT, som vi tar som grunnlag for alle språkmodeller, bruker 2,9 Wh per ledetekst (IEA, 2024, s. 34); Google tar 0,3 Wh per søk (EPRI, 2024, s. 4); videostrømming og vertikal video tar 0,077 kWh eller 77 Wh per time (Kamiya, 2020); datagrunnlaget for Chrome-utvidelsen ligger i GitHub’en til utvikleren (Eco2rd, hentet 22. mai 2025). Dataen vi samler inn basert på forbruket vårt legges inn i et Excel-ark som er ganget opp med datagrunnlaget vi har samlet inn tidligere. Dette er gjort for alle plattformene, for hver av studentene. Deretter får de tre studentene hvert sitt kakediagram som viser hvor stor andel av forbruket deres er på hver plattform, og videre settes alle dataene inn i et felles diagram hvor vi kan sammenligne alle dataene i et visuelt format.
Nettleserdata i denne konteksten innebærer all data som blir overført når du åpner en nettside. For å hente inn denne dataen bruker vi en Chrome-utvidelse ved navnet Eco2rd. Denne utvidelsen bruker en metode ved navnet «1byte model» som ble utviklet av The Shift Project; modellen viser at en byte tilsvarer en spesifikk mengde watt-time (Wh). Det er mange som referer til denne modellen, men vi har senere funnet ut at alle referanser til den er ‘ødelagte’. Det vil si at det ikke er mulig å finne frem til den originale publikasjonen av denne rapporten, da den er fjernet fra nettsiden deres. Den eneste dokumentasjonen vi fant som ligger ute per 22. mai 2025 er en samling tabeller i et Excel-dokument. Disse tabellene er lagt under vedlegg 1 og viser mengden kWh per byte som overføres.
Eco2rd sjekker hvor mye data som er overført fra «client» (nettleseren din) til server (hvor nettsiden er lagret, ofte et datasenter), og det betyr derfor at ikke bare Google-søk blir telt, men også datamengden nettsiden overfører. En nettside med bare tekst vil kreve mindre dataoverføring enn en med masse bilder. Utvidelsen henter også all data som blir overført, også om du overføres fra én nettside til en annen. Om det forekommer tilfeller hvor Eco2rd ikke kan brukes, telles søk manuelt for å kunne bevare slik data så godt som mulig.
Hos språkmodeller, eller LLM (Large Language Models), er strømbruken betydelig koblet til hvor mye modellen må «tenke». Dette kan være avhengig av lange og korte spørsmål, men også hvor lang den totale henvendelsen er, altså lengden på samtalen. For å gjøre dette på den enkleste måten, telles bare antall ledetekster (prompts) sendt til LLM’er. Dette gir forsøket litt ukorrekt data og lager fallgruver, men for enkelhetens skyld er det gjort på denne måten.
For Netflix og andre strømmetjenester beregner vi mengden tid brukt ved å ta opp og legge sammen lengdene på episodene og/eller filmene som ble sett i løpet av den dagen. Vi kan også gjøre dette ved å sjekke besøksloggen i nettleseren vår. For å undersøke YouTube-aktivitet kan vi se på «My Google Activity» og velge YouTube under annen aktivitet, og filtrere til den bestemte uken dataen er hentet fra. Her kan vi telle antall videoer og legge sammen lengden for å finne total tid brukt. For Instagram Reels og TikTok sjekker vi telefonens registrerte tidsbruk i appen via telefonens innstillinger.
Måtene våre for å hente inn data er ikke helt presise. Derimot er disse metodene en god måte å få et generelt inntrykk og forståelse av strømforbruket. Steder hvor vi vet vi kan bomme er blant annet:
Generelt er alle disse tallene store estimater på hvor forbruket egentlig ligger. Dataen vi baserer oss på er vanskelig å verifisere, og det er samtidig umulig for oss å vite om vi får med all strømbruk i disse prosessene. Hvor mye strøm som kreves av internettets struktur er usikkert, og det er vanskelig å vite om et datasenter er godt optimalisert eller ikke. Selv om det finnes data, varierer det mye. Strømmetjenester, vertikal video og språkmodeller er vanskelig å verifisere dataen til, da selskapene publiserer egne rapporter på strømbruk som viser annen type data enn tredjepartskilder.
Det totale strømforbruket i Norge per år er 139,2 TWh (Aanensen, 2022), mens det globale forbruket er 183 230 TWh. Hver person i Norge har et gjennomsnittlig digitalt strømforbruk på rundt 101 kWh i løpet av et år (Ritchie et al., 2024). Det totale resultatet fra forsøket kan sees i figur 1 (ikke vist her). I diagrammet er det listet opp alle de forskjellige plattformene vi tok opp, fargekodet slik at det er lettere å se forskjell mellom plattformene og hva som har størst strømforbruk. Dataene ble registrert og hentet inn i uke 20, 12.–18. mai.
Studentenes samlede strømforbruk var:
Totalt brukte studentene 20 236,95 Wh (20,24 kWh) på én uke. Dette innebærer at én student i snitt bruker rundt 6,75 kWh digitalt per uke, som tilsvarer omtrent 351 kWh per år. Til sammenligning er det nasjonale snittforbruket per person 101 kWh digitalt per år, altså tre til fire ganger lavere. Dersom vi tar med det generelle energiforbruket, ville disse studentene ligget på rundt 452 kWh per år.
Forskjellene mellom studentene var tydelige. Student 2 hadde vesentlig lavere forbruk, men brukte ikke nettleseren som støttet Eco2rd-utvidelsen, som kan forklare fraværet av strøm knyttet til nettlesing. Ellers var bruksmønsteret relativt likt. Det er likevel viktig å merke seg at Eco2rd-målingene stod for den største andelen av forbruket hos student 1 og 3, noe som understreker hvor mye energi som kan gå med til generell nettsurfing. Det reiser også spørsmål om Eco2rd muligens overestimerer reelt forbruk.
For å sette tallene i perspektiv: Det totale forbruket til alle tre studentene i løpet av én uke kunne ha drevet en elbil 119 kilometer, basert på et estimert forbruk på 0,17 kWh per km (Finn.no, 2023). Student 1 alene kunne kjørt omtrent 56 km, altså litt over halvveis fra Trondheim til Storlien ved svenskegrensen. Samlet kunne forbruket også holdt en 6 W LED-pære i live i cirka 290 timer (Marsh, 2024).
Studentenes hverdager var også forskjellige. To av dem jobbet freelance, med mye skjermbruk, mens student 2 jobbet på et utested og hadde lavere digital eksponering. Likevel hadde student 2 det høyeste forbruket av språkmodeller (LLM), sannsynligvis fordi datainnsamlingen ble gjort i eksamensperioden. Student 2 sendte 74 ledetekster, mens student 1 og 3 sendte henholdsvis 21 og 36. LLM-bruken utgjorde dermed 10 % av det totale strømforbruket til student 2, men dette tallet ville vært lavere dersom Eco2rd-data også var registrert.
Hos student 1 og 3 var det ellers en forskjell i hvordan strømforbruket fordelte seg: student 1 brukte mer tid på strømmetjenester, mens student 3 brukte mer tid på vertikal video. Forbruksmønstrene varierer altså, men gir samlet et bilde av hvordan digitale vaner kan skape et betydelig skjult strømforbruk.
Resultatene fra vår undersøkelse viser at studentenes digitale strømforbruk er høyere enn forventet. Ved hjelp av aktør-nettverksteori (ANT) kan vi forstå dette som et resultat av samspill mellom flere aktører. Studentene er ikke alene ansvarlige for forbruket – også plattformer, designvalg, datasentre og algoritmer er aktive aktører. Et Google-søk involverer brukeren, enheten, infrastrukturen, plattformens utforming og datasenteret som svarer. Alle bidrar til strømforbruket.
Designere og utviklere bruker virkemidler som autoplay, anbefalingsalgoritmer og varsler for å holde på oppmerksomheten. Disse er ikke nøytrale, men intensjonelle valg som øker brukstid og dermed strømforbruk. Brukerne trekkes inn i vaner og praksiser som er designet for å holde dem fanget – noe som gjør plattformene til sterke aktører i ANT-nettverket.
Samtidig viser domestiseringsteorien hvordan teknologier blir en naturlig og ureflektert del av hverdagen. Plattformene vi bruker er ikke lenger valg vi aktivt tar, men vaner vi sjelden stiller spørsmål ved. Resultatene våre viser nettopp dette: Det høye forbruket skjer ikke fordi studentene bevisst prioriterer strømintensive aktiviteter, men fordi disse aktivitetene har blitt integrert i hverdagslivet. Det digitale strømforbruket må dermed forstås som et resultat av både brukervaner og teknologiske strukturer. Det er ikke bare et individuelt ansvar, men produseres i et nettverk av aktører.
Brukervennlighet og sosialt press fungerer også som drivere for teknologibruk. Når apper og plattformer er designet for maksimal tiltrekning – for eksempel gjennom uendelig scrolling eller algoritmisk tilpasset innhold – blir det ekstra vanskelig å bryte etablerte mønstre. Denne tiltrekningen handler ikke bare om funksjonalitet, men også om identitet. Digitale forbruksmønstre former hvem vi er – gjennom interesser, sosial tilhørighet og hva vi viser utad.
Miljøsosiologene Sundqvist og Lidskog (2013, s. 111) peker på at forbruk knyttes til identitet, status og sosial tilhørighet. En person som sosialiserer seg i et gaming-miljø vil naturlig ha høyere digitalt forbruk enn en som deltar i fysiske idretter. Maslows behovspyramide plasserer denne typen aktiviteter under behov for kjærlighet og tilhørighet, respekt og anerkjennelse, samt selvrealisering (Holden & Linnerud, 2023, s. 101).
Student 1 og 3 bruker digitale plattformer for å dekke behovet for trygghet i form av inntekt gjennom freelance-jobbing, mens student 2 ikke gjør det. Alle tre har gaming som hobby, noe som bidrar både til sosial tilhørighet og selvrealisering gjennom digitale fellesskap. Dermed blir ikke bare underholdning, men også sosial eksistens og selvbilde, koblet til det digitale forbruket.
I kapittel 4 i Miljøsosiologi forklarer Sundqvist og Lidskog (2013, s. 96) at noen miljøproblemer kan løses gjennom teknologiutvikling og design, mens andre krever endringer i forbruk. De peker blant annet på at utslipp fra bolig avhenger av hvor energieffektiv boligen er, hvordan den varmes opp, og hvilken strømleverandør som brukes. Tilsvarende kan sies om digitalt forbruk: En del handler om teknisk effektivisering, men også om strukturelle forhold og brukerpraksis.
Det er ikke realistisk å legge hele ansvaret på individet. Det er sterkt normpress både på å være digitalt tilstede og å følge med på trender og strømmetjenester. Om man ikke gjør det, kan man oppleve sosial ekskludering. Derfor er det ikke nødvendigvis ønskelig at alle skal endre livsstil – men det finnes måter å bruke teknologien mer effektivt på, uten at det går ut over livskvaliteten.
For eksempel gir Amazon Prime og YouTube brukeren mulighet til å velge videokvalitet, mens Netflix, Disney+ og HBO Max automatisk justerer kvalitet basert på båndbredde. Dersom alle plattformer lot brukeren velge, kunne man redusert strømforbruk ved å velge lavere oppløsning. Designvalg som dette påvirker hvordan teknologien domestiseres – og hvor mye energi som kreves.
Andre tiltak på individnivå handler om bevisstgjøring og mindre multitasking. Mange digitale handlinger skjer automatisk og uten refleksjon. En ti minutters TikTok-økt virker ubetydelig, men blir til timer over tid. Når man strømmer, bruker SoMe og språkmodeller samtidig, aktiveres mange energikrevende prosesser parallelt. Ved å lukke faner, begrense strømming til én plattform av gangen og prioritere tekst fremfor video når mulig, kan man redusere forbruket betydelig.
På systemnivå har plattformene selv mulighet til å legge til rette for bærekraftig bruk. ANT viser oss at plattformer ikke er passive verktøy, men aktive aktører som strukturerer vår bruk. De kan for eksempel introdusere en «eco mode» som automatisk bruker lavere videokvalitet, eller synliggjøre strømforbruket for brukeren. I dag hemmes dette ofte av manglende åpenhet, som vi ser med Eco2rd-modellen og fraværet av tilgjengelig dokumentasjon fra The Shift Project.
Selv om metoden gir verdifull innsikt i studentenes digitale strømforbruk, finnes det flere svakheter. For det første er Eco2rd basert på en modell som ikke lenger har offentlig tilgjengelig dokumentasjon. Dette gjør det vanskelig å etterprøve beregningene og kvalitetssikre gyldigheten. Modellen er også kritisert av IEA for å overdrive strømforbruk knyttet til datatrafikk.
I tillegg ble datainnsamlingen gjort i en eksamensperiode, noe som trolig førte til høyere skjermbruk enn normalt. Studentenes digitale vaner kan dermed være ekstra intensive i denne perioden. I tillegg brukte én av studentene ikke nettleseren som støtter Eco2rd, noe som gjør sammenligning vanskelig og skaper skjevhet i resultatene.
Til slutt er digitalt forbruk dynamisk og situasjonsavhengig. Det endrer seg fra uke til uke, og kan være sterkt påvirket av om det er helg, eksamen, ferie eller skole. Funnene våre kan derfor ikke generaliseres til hele studentmassen eller til vanlige uker uten forbehold.
I denne oppgaven har vi planlagt, gjennomført og analysert et forsøk som belyser studenters digitale strømforbruk. Tre studenter registrerte sitt bruk av utvalgte digitale plattformer over en uke, og dataene ble samlet i et Excel-ark. Resultatene indikerer et strømforbruk som er 350 % høyere enn det som anses som normalt for en gjennomsnittlig nordmann. Dette overraskende høye tallet reiser spørsmål om nøyaktigheten i datagrunnlaget vi samlet inn, og til hvilken grad The Shift Projects «1byte-modell» stemmer.
Til tross for disse usikkerhetene har resultatene vi samlet inn betydelig verdi som indikatorer. De gir ikke konkrete tall på strømforbruket per handling, men synliggjør trender og peker på aktivitetene med høyest forbruk. Disse resultatene er essensielle for å fremme bevissthet og refleksjon rundt digitalt forbruk. Selv med begrensninger i datagrunnlaget, bidrar resultatene som et viktig grunnlag for videre diskusjon, og gjør det lettere å finne mer bærekraftige vaner.
Selv om tallene våre gir verdifulle indikasjoner, må de tolkes med forsiktighet. Datagrunnlaget, særlig fra Eco2rd, bygger på modeller med begrenset tilgjengelig dokumentasjon. Det finnes derfor en risiko for både over- og underestimering av faktisk forbruk. Dette gjør det enda viktigere å bruke teoriene som analyseverktøy – ikke bare for å forstå hvor mye strøm som brukes, men også hvordan og hvorfor forbruket oppstår.
Ved å bruke aktør-nettverksteori og domestiseringsteori viser vi at løsningene på det digitale strømforbruket må finnes både på system- og individnivå. ANT peker på behovet for endringer i den teknologiske infrastrukturen og hvordan digitale tjenester designes, mens domestiseringsteori fremhever viktigheten av økt refleksjon og bevissthet hos brukeren i møte med teknologi som er blitt en naturlig del av hverdagen.
Ut ifra vår undersøkelse har en gjennomsnittlig student et digitalt strømforbruk på 6,75 kWh per uke. Det vil si at i løpet av et år vil studentene, lagt sammen med estimater fra Ritchie et al. (2024), ha et forbruk på 452 kWh per år. For å endre det digitale forbruket for å spare strøm, ligger ansvaret hos flere aktører. Å forvente at studentene som individer skal endre levestandarden sin for at forbruket skal være mer bærekraftig er urealistisk. Hvordan studenter og andre mennesker bruker teknologien er avhengig av hvilke bærekraftige funksjoner som er tilgjengelige.
Grønnere valg av strømleverandører og mer miljøbevisste funksjoner kan hjelpe brukeren med å redusere strømforbruket. På individnivå kan man gjøre seg selv mer bevisst over forbruket sitt og redusere forbruket ved å for eksempel lukke ned unødvendige faner, strømme på ett medium om gangen og bruke lavintensitetsplattformer når mulig. På systemnivå kan det for eksempel introduseres en «eco mode» hos de strømmetjenestene som ikke lar deg selv velge videokvaliteten, og at digitale plattformer har større transparens i dataen sin slik at brukere får mer innsyn i strømforbruket deres.
Aanensen, T. (2022, 29. juni). Rekordhøyt strømforbruk i fjor. Hentet fra SSB: https://www.ssb.no/energi-og-industri/energi/statistikk/elektrisitet/artikler/rekordhoyt-stromforbruk-i-fjor
Eco2rd. (Hentet 22. mai 2025). eco₂rd – Record your browser based CO₂ emissions. Hentet fra https://ecord.info/
EPRI. (2024). Powering Intelligence: Analyzing Artificial Intelligence and Data Center Energy Consumption. Hentet fra https://www.epri.com/research/products/000000003002028905
Finn.no. (2023, 15. september). Så mye strøm bruker en bil. Hentet fra https://www.finn.no/motor/artikler/bil/elbil/sa-mye-strom-bruker-en-elbil
Holden, E., & Linnerud, K. (2023). Bærekraftig utvikling: En idé om rettferdighet. Oslo: Universitetsforlaget.
IEA. (2024). Electricity 2024: Analysis and forecast to 2026. International Energy Agency.
Kamiya, G. (2020, 11. desember). The carbon footprint of streaming video: fact-checking the headlines. Hentet fra https://www.iea.org/commentaries/the-carbon-footprint-of-streaming-video-fact-checking-the-headlines
Lidskog, R., & Sundqvist, G. (2013). Miljøsosiologi. (E. Blomgren, Red.). Oslo: Gyldendal Akademisk.
Marsh, J. (2024, 22. november). How many watts does a light bulb use? Hentet fra EnergySage: https://www.energysage.com/electricity/house-watts/how-many-watts-does-a-light-bulb-use/
Ritchie, H., Rosado, P., & Roser, M. (2024, januar). Energy Production and Consumption. Hentet fra Our World in Data: https://ourworldindata.org/energy-production-consumption
Skjølsvold, T. M. (2022). Vitenskap, teknologi og samfunn. En introduksjon til STS. Oslo: Cappelen Damm Akademisk.
Sundqvist, G., & Lidskog, R. (2013). Miljøsosiologi. (E. Blomgren, Red.). Oslo: Gyldendal Akademisk.
