Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Heterogeneidad espacial en la huella de carbono de las inversiones en la Franja y la Ruta evaluada mediante un modelo de retraso distribuido autoregresivo transversal

345 visualizaciones

⸱

DOI:

10.3791/69602

⸱

19 de diciembre de 2025

 ,  ,  ,  ,  ,  , 
1School of Law and Public Administration, Leshan Normal University, 2School of Public Policy, Hong Kong University of Technology and Science, Li Yuan Foreign Language Primary School (Tianjiao), 3School of Ecology and Environment, Renmin University of China, 4Art College of Pu'er, 5Faculty of Art and Humanities, King's College London, 6College of Financial Engineering, Shanxi University of Finance and Economics, 7College of Mechanical Engineering, Yangzhou University

En este artículo

Resumen

Este estudio analiza el impacto ambiental de la inversión extranjera directa (IED) china, el turismo y la innovación en las emisiones de carbono en las regiones de la Iniciativa de la Franja y la Ruta, utilizando modelos econométricos espaciales.

Resumen

Este estudio tiene como objetivo investigar empíricamente el impacto multifacético de la inversión extranjera directa (IED) liderada por infraestructuras chinas, el desarrollo turístico y la innovación tecnológica en las emisiones de carbono dentro de los países participantes de la Iniciativa de la Franja y la Ruta (BRI). Yendo más allá del análisis agregado, la investigación examina específicamente el efecto sinérgico a menudo pasado por alto entre la IED y el turismo y explora las heterogeneidades regionales significativas en estas relaciones ambientales. Metodológicamente, el estudio emplea técnicas de panel de segunda generación para asegurar estimaciones robustas en presencia de dependencia de la sección transversal y heterogeneidad de la pendiente. El análisis utiliza los estimadores de Retraso Distribuido Autoregresivo Transversal (CS-ARDL) y Grupo de Media de Efectos Correlacionados Comunes (CCEMG) sobre datos de 2000 a 2020 para discernir tanto la dinámica a corto como a largo plazo. Los hallazgos clave revelan un papel complejo y dualista de la IED. Aunque se asocia con una reducción de emisiones de carbono en la muestra completa y en regiones como el sudeste asiático y Europa, incrementa significativamente las emisiones en el sur de Asia y en los países de la región MENA. De manera crítica, se ha comprobado que la interacción entre la IED y el desarrollo turístico agrava las emisiones de carbono, lo que indica que las inversiones en infraestructuras amplifican la huella medioambiental del turismo. Además, la innovación tecnológica mitiga consistentemente las emisiones, y el estudio valida la hipótesis de la Curva de Kuznets Ambiental (EKC) en todas las muestras. Las implicaciones de estos hallazgos son profundas para los responsables políticos, subrayando la necesidad de ir más allá de enfoques universales. La principal novedad del estudio radica en su enfoque explícito en la IED impulsada por infraestructuras, su cuantificación del efecto de interacción IED-turismo y su innovadora desagregación regional, que en conjunto revelan la naturaleza controvertida y dependiente del contexto del legado medioambiental de la BRI. Este análisis detallado proporciona una base de evidencia crítica para formular políticas específicas y específicas de cada región que dirijan a la BRI hacia su objetivo declarado de desarrollo sostenible.

Introducción

La Iniciativa de la Franja y la Ruta (BRI), una monumental estrategia global de desarrollo lanzada por China1, ha transformado profundamente el panorama económico e infraestructural en Asia, África yEuropa 2. Al canalizar niveles sin precedentes de inversión extranjera directa (IED) impulsada por infraestructuras hacia el transporte, la energía y las instalaciones portuarias, la BRI pretende mejorar la conectividad regional y estimular el crecimiento económico. Un resultado crítico, aunque complejo, de esta conectividad mejorada ha sido el impulso significativo al desarrollo turístico en los paísesparticipantes 3, facilitado por la mayor accesibilidad einfraestructuras 4. Sin embargo, esta tríada de inversión en infraestructuras, crecimiento turístico y expansión económica tiene importantes implicaciones medioambientales, especialmente en lo que respecta a las emisiones de carbono5. Comprender la interacción entre estos factores es fundamental para alinear los objetivos económicos de la BRI con los objetivos globales de sostenibilidad, como el Acuerdo de París y los Objetivos de Desarrollo Sosteniblede la ONU 6. Esta investigación investiga específicamente las consecuencias de la IED liderada por la infraestructura, el desarrollo turístico y la innovación tecnológica en las emisiones de carbono en el contexto de las naciones participantes en la BRI.

Existe una literatura significativa que ha consolidado la importancia del turismo como motor de desarrollo económico, especialmente en los mercadosemergentes 7,8. El sector es activamente fomentado por los gobiernos porque genera ingresos, contribuye al crecimiento del emprendimiento y minimiza eldesempleo 9. La industria ha mostrado un fuerte crecimiento a nivel global, ya que las llegadas de turistas internacionales han superado las proyecciones y generan ingresos de miles de millones anualmente, una tendencia que se ha visto impulsada por la mejora de la tecnología de comunicación, los cambios en los procedimientos de visados y la mejora de los destinosturísticos 10. Al mismo tiempo, ha habido dudas sobre la huella ambiental de estecrecimiento 11. Una línea de investigación señala el efecto adverso del turismo, atribuiéndolo a la correlación directa entre el turismo y el consumo energético y las emisiones de carbono relacionadas con eltransporte 12. Además, a pesar de las oportunidades que los grandes proyectos de infraestructura bajo la BRI aportan al sector turístico, también se sabe que causan un enorme estrés ambiental debido a la demanda energética y las perturbacionesecológicas 13.

Sin embargo, la literatura existente presenta carencias críticas que este estudio busca abordar. En primer lugar, aunque se reconoce el vínculo general entre turismo y emisiones, la evidencia empírica sigue siendo ambigua y a menudo no tiene en cuenta el contexto único y multifacético de la BRI. La relación no es monolítica; Está mediada por una serie de factores locales, incluyendo la infraestructura logística, la exposición a la inestabilidad política, los estándares medioambientales y las condicionesclimáticas. En segundo lugar, una narrativa contrapuesta en la literatura sostiene que el turismo, especialmente cuando está alineado con los principios y políticas ecológicas del ecoturismo, puede ser un vehículo para la sostenibilidad medioambiental en lugar de ladegradación. Esta dualidad pone de manifiesto una brecha de conocimiento significativa: ¿bajo qué condiciones el turismo dentro del marco de la BRI agrava o mitiga las emisiones? En tercer lugar, el papel de la IED impulsada por infraestructuras suele estudiarse de formaaislada 16. El efecto sinérgico del desarrollo de la IED y el turismo, donde nuevos aeropuertos, carreteras y hoteles financiados por la IED facilitan y estimulan directamente la llegada de turistas, y su impacto colectivo en el medio ambiente no se comprende bien. Esta investigación aborda directamente estas carencias mediante un análisis matizado y exhaustivo de las consecuencias medioambientales de los motores económicos de la BRI. Los investigadores van más allá de generalizaciones amplias para investigar el impacto específico y combinado de la IED impulsada por infraestructuras, el desarrollo turístico y la innovación tecnológica en las emisiones de carbono. Las contribuciones de este estudio son tres. En primer lugar, aporta pruebas empíricas novedosas sobre la interconexión entre la inversión en infraestructuras, el turismo y las emisiones de carbono dentro del contexto específico y altamente relevante de la Iniciativa de la Franja y la Ruta. Al modelar explícitamente la interacción entre el desarrollo turístico y la IED, los investigadores descubren si su combinación crea un efecto sinérgico que amplifica o mitiga la presión ambiental, una dimensión en gran medida pasada por alto en estudiosprevios 17. En segundo lugar, esta investigación realiza una contribución metodológica significativa al aplicar un modelo CS-ARDL y realizar un análisis regional detallado. Esto nos permite superar conclusiones de talla única y revelar las considerables disparidades regionales en cómo estas actividades económicas afectan al medio ambiente.

Revisión bibliográfica

La industria turística es ampliamente reconocida como un catalizador importante para el desarrollo económico, especialmente en los mercadosemergentes 18. Los estudios empíricos demuestran de forma constante su capacidad para generar ingresos, estimular la actividad emprendedora y reducir el desempleo, lo que ha llevado a gobiernos de todo el mundo a adoptar políticas favorables alsector 19. Los datos históricos subrayan este crecimiento dinámico, con la industria manteniendo una tasa media anual de crecimiento de alrededor del 5%, y se proyecta que las llegadas de turistas internacionales superen los 1.800 millones20, una proyección que a menudo supera las cifras reales impulsadas por los avances en tecnología de comunicación, la mejora de la infraestructura turística y la simplificación de la normativa devisados 21. Sin embargo, la contribución del sector al crecimiento económico no es uniforme, ya que su éxito está mediado por una compleja gama de factores locales, incluyendo infraestructuras logísticas, estabilidad política, estándares medioambientales y condiciones climáticas, lo que sugiere que los modelos generalizados de crecimiento impulsado por el turismo suelen serinsuficientes.

Paralelamente a la expansión del turismo, las repercusiones medioambientales del desarrollo económico han cobrado un gran esplendor, revelando una narrativa dualista dentro del discurso académico23. Una corriente de la literatura asocia firmemente el desarrollo turístico con el aumento del consumo energético y las emisiones de carbono relacionadas con el transporte, posicionando a la industria como un contribuyente significativo a la degradaciónmedioambiental. Esto es especialmente relevante en el contexto de iniciativas a gran escala como la Iniciativa de la Franja y la Ruta (BRI) de China, que, a través de la inversión extranjera directa (IED) liderada por infraestructuras, mejora la conectividad y estimula el turismo y la actividad económica, pero que simultáneamente genera importantes presiones medioambientales debido al aumento de la demanda energética y la disrupción ecológica25. En contraste, una perspectiva académica opuesta enfatiza el potencial del turismo sostenible, argumentando que el ecoturismo y las políticas verdes pueden mitigar la contaminación y garantizar la sostenibilidad ecológica a largo plazo, alineando así el crecimiento económico con la responsabilidad ambiental26. Esta dualidad se extiende al papel de la IED, que puede ser fuente tanto de tecnologías contaminantes como de innovaciones avanzadas y respetuosas con el medio ambiente, creando una ambigüedad empírica que se complica aún más cuando la IED se dirige específicamente a infraestructuras que permiten el crecimientoturístico 27.

Las complejas interconexiones entre turismo, inversión y medio ambiente requieren una investigación más profunda de los factores moderadores y los marcosteóricos 28. La innovación tecnológica se cita a menudo como un mecanismo clave para desacoplar el crecimiento económico de las emisiones, mediante la adopción de energías renovables y tecnologíasverdes 29. Además, la base teórica de la hipótesis de la Curva de Kuznets Ambiental (EKC) proporciona un marco para probar la relación entre el desarrollo económico y la degradación ambiental, sugiriendo que las emisiones pueden aumentar inicialmente con los ingresos antes de finalmente disminuirhasta 30. El potencial transformador de la BRI, con proyecciones que sugieren que sus economías podrían representar la mitad del PIB mundial para 2030, la convierte en un caso crítico para examinar estasdinámicas 31. Sin embargo, sigue existiendo una brecha significativa en la literatura: la falta de estudios empíricos matizados que modelen simultáneamente el impacto combinado de la IED impulsada por infraestructuras, el desarrollo turístico y el progreso tecnológico en las emisiones de carbono a lo largo de las regiones heterogéneas de la BRI (Figura 1)32. La investigación existente a menudo trata estos factores de forma aislada, sin captar sus efectos sinérgicos y variaciones regionales, una carencia que esta investigación pretende cubrir empleando un enfoque metodológico que tenga en cuenta tanto los efectos correlacionados comunes como las disparidadestransversales 33.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Este estudio utilizó exclusivamente datos macroeconómicos secundarios y públicos de fuentes oficiales, incluyendo los Indicadores de Desarrollo Mundial (WDI) del Banco Mundial y el Ministerio de Comercio de la República Popular China (MOFCOM). Los datos en bruto subyacentes están disponibles públicamente por el Banco Mundial (https://databank.worldbank.org/source/world-development-indicators) y el Ministerio de Comercio chino (MOFCOM). No participaron en la investigación ningún sujeto humano ni animal. Por tanto, este estudio no requirió revisión ni aprobación por parte de un comité de revisión institucional (IRB) ni de un comité de ética.

Construcción de datos y variables

Esta investigación analiza el EKC en los países junto con la BRI y examina la correlación entre las existencias de IED chinas externas y las emisiones de carbono. Generalmente, los efectos de la actividad económica sobre el medio ambiente pueden dividirse en tres categorías: abarca lo que los autores denominaron efecto Innovación Tecnológica (TI), el efecto composición industrial y el efecto escala económica. Por lo tanto, además de las características principales del estudio, los autores están describiendo estos aspectos críticos. A continuación se muestra una percepción de esta correlación:

Ecuación 1(1)

En este modelo, se utilizan varias variables para representar distintos indicadores económicos. Entre ellas se encuentran:

CO2: emisiones de carbono, TD: acciones chinas de inversión extranjera directa externa en países de la Iniciativa de la Franja y la Ruta, TI: índices TD, PIB: producto interior bruto, PIBD: cuadrados del PIB (usado para denotar la curva de Kuznets ambiental), y IVA: valor añadido industrial.

El modelo utiliza un índice para indicar el número de países y un índice ε{it} para indicar la hora. Los parámetros del modelo se representan por β{1} + β{2} + β{3} + β{4} + β{5} + β{6} y β{7} . El término μ{i} se refiere a un factor específico de sección transversal, ε{it}, y representa la expresión errónea.

La BRI ha mejorado considerablemente la comunicación entre China y otros países contribuyentes, impactando de forma importante en el consumo energético, el crecimiento fiscal y las condiciones medioambientales. Las medidas tomadas por el gobierno chino para desarrollar la BRI verde en línea con el Acuerdo de París (2015) y los ODS 2030 incluyen la difusión de ventajas tecnológicas y el crecimiento de infraestructuras energéticas eficientes y respetuosascon el medio ambiente 34. Gu yZhou, de 35 años, examinaron proyectos de energía limpia recientemente construidos en los respectivos países de la BRI con 16 GW de capacidad instalada y ayudaron a reducir las emisiones de gases de efecto invernadero en 49 toneladas métricas, reafirmando estos enfoques. Además, Li et al.36 sugirieron que la Iniciativa de la Franja y la Ruta mejora la eficacia energética y el desarrollo económico del país anfitrión mediante la construcción de instalaciones energéticas y logísticas fiables. Sin embargo, la IED de China agrava los problemas ecológicos en los países anfitriones debido a la creciente demanda de energía y recursos naturales. Dependiendo de esta lógica, se proyecta que la inversión extranjera directa de China en el extranjero pueda tener un impacto en las emisiones de carbono en varios lugares que sea tanto beneficioso como perjudicial:

Ecuación 7

En el último estudio, Bekun et al.37 investigaron la hipótesis de que los ingresos turísticos contribuyen a una reducción de emisiones, pero la llegada de visitantes tiene el efecto contrario. Además, la síntesis de los estudios científicos (véase Tabla 1) destacó que las variables turísticas causaban consecuencias ambientales específicas. Para cumplir, esta investigación realiza un indicador acumulado de participación turística que ayuda a eliminar sesgos subjetivos. El indicador general de negocios turísticos podría tener un efecto beneficioso o perjudicial sobre el CO2.

Ecuación 8

Comparable a cómo el aumento de la conectividad, menos barreras a la competencia (tanto a personas como a mercancías), envíos más rápidos y mejoras de infraestructuras entre países miembros de la BRI fomentan la expansión de la industria turística, lo que podría tener un efecto clave en la calidad ambiental, dadas las características inherentes a la economía turística, podría ser ventajoso.

Ecuación 9

Dada la naturaleza fundamental de la actividad económica, es necesario un mayor consumo de energía y combustible, lo que resulta en un aumento del CO2. No obstante, el avance tecnológico para crear productos y procedimientos ecológicos, así como los cambios impulsados por la innovación en el suministro energético, pueden impactar significativamente la sostenibilidad ambiental. El TI reduce las emisiones de dióxido de carbono de esta manera.

Ecuación 10

La teoría del EKC se apoya en que el crecimiento económico está vinculado al aumento del consumoenergético 38, lo que eleva los niveles de emisiones, pero el cuadrado del desarrollo en la economía reduce las emisiones de dióxido de carbono.

Ecuación 11

Un elemento clave que influye en las emisiones de dióxido de carbono de los países anfitriones es la composición comercial de dichas naciones (Tabla 2). La IVA podría tener un efecto beneficioso sobre las emisiones de CO2, ya que el aumento de la importancia de la industria en los países vecinos de la BRI resultará en un mayor consumo de energía y en las emisionesasociadas 39.

Ecuación 12

Fuente de datos y selección de muestras

La importancia de las naciones de la BRI se basa en la suposición de que representan el 30% del PIB mundial, el 64% de sus habitantes, el 39% de su territorio, el 35% de su comercio, el 50% de su consumo de generación eléctrica y el 54% de sus emisiones deCO2. Además de estos datos, el área de la BRI ha experimentado un enorme crecimiento en la IED china, lo que la convierte en la plataforma de colaboración más eficaz del mundo. En consecuencia, los autores investigan los efectos ecológicos de la inversión extranjera directa saliente, TD y TI de China, en las 2 (54) naciones nodos de Belting y Roads elegidas entre 2000 y 2020. Para ello, el artículo utiliza datos anuales sobre emisiones de CO2 (toneladas métricas), existencias de inversión extranjera directa de salida china (dólares estadounidenses constantes en 2010), el indicador TD (para más información, véase la Tabla 3) y el índice total (TI), que se calcula como el importe total de patentes (para habitantes e inmigrantes), el PIB (US$ continuo en 2011). y los valores de fabricación (% del PIB). Es fundamental proporcionar una estadística de prueba consistente al resolver el problema de los atributos diferenciales, ya que estos factores muestran diversas unidades de medida. Teniendo en cuenta investigaciones previas, los autores transformaron todos los aspectos en el modelo de regresión, que produce resultados en forma de elasticidad que facilitan la interpretación de datos. Además del capital de inversión extranjera directa externa china, que proviene del Departamento de Economía y Comercio de China, la información sobre estos factores se obtiene del Índice Mundial de Desarrollo (IDM).

Índice TD

Se emplean numerosos indicadores en los estudios turísticos para describir las actividades turísticas. Los ingresosturísticos 41, el gasto turísticoen Pata y Balsalobre-Lorente 42, y los datos de admisión43 se utilizan para cuantificar la demanda turística global. Estos modelos turísticos tienen varias desventajas, ya que solo representan una parte de la relación entre contaminantes. Estas tres variables turísticas son muy colineales y, si se utilizan simultáneamente en un marco unificado, podrían dar lugar al problema de la multicolinealidad; según Meng et al.44, la PCA combina fluctuaciones comunes de todas las variables turísticas en una puntuación acumulada única. Estas métricas turísticas se extraen del conjunto de datos de WDI, que ayuda a crear un indicador compuesto distintivo al fusionar los datos muy críticos.

Índice TD a través de la PCA

El índice de Desarrollo Turístico (TD) se construyó utilizando el Análisis de Componentes Principales (PCA) para consolidar las tres variables altamente correlacionadas del turismo (ingresos turísticos internacionales, gastos y llegadas) en una única puntuación compuesta. La idoneidad de los datos para la ACP se validó primero mediante dos pruebas estándar. La medida de adecuación muestral de Kaiser-Meyer-Olkin (KMO) arrojó un valor de 0,723, superando el umbral recomendado de 0,6, lo que indica que los patrones de correlación eran compactos y, por tanto, adecuados para el análisis factorial. Además, la prueba de esfericidad de Bartlett fue estadísticamente significativa (p < 0,001), confirmando que la matriz de correlación no era una matriz identidad y que las variables estaban suficientemente correlacionadas para la PCA. Según el criterio de Kaiser (autovalor > 1), solo se mantuvo el primer componente principal. Este componente explicaba satisfactoriamente más del 81% de la varianza total entre las tres variables del turismo. Las cargas factoriales para las tres variables fueron positivas y altas, lo que permite un ponderado equilibrado en el cálculo del índice final. Las puntuaciones resultantes del índice TD oscilaron entre -0,681 y 5,157 para la muestra, donde un valor más bajo indica un menor nivel de desarrollo turístico, y un valor más alto indica un mayor nivel de desarrollo turístico entre las naciones de la BRI.

Marco analítico

Los investigadores comenzaron el análisis probando dos propiedades esenciales de los datos del panel: dependencia transversal (CSD), que indica interconexión entre países, y heterogeneidad de pendientes (SH), que indica que las relaciones entre variables difieren entre países. Confirmar estas propiedades fue un primer paso crítico, ya que requería el uso de pruebas econométricas especializadas de segunda generación para obtener resultados precisos.

Dependencia de la sección transversal (CSD) y heterogeneidad de la pendiente (SH)

La premisa de variabilidad inclinada y dependencia transversal mantenida por las pruebas de raíz unitaria de segunda generación (SGN; incluyendo pruebas IPS UR suplementarias de CS) y cointegración hace necesario verificar antes de avanzar al orden de integración del factor. Debido a las rápidas fluctuaciones en los proyectos financieros y monetarios seguidas por cambios en la economía, el colapso bancario, la globalización, la interconexión de las regalías y la ausencia de elementos comunes visuales e indetectables, las series de datos inevitablemente plantean el problema de la CSD. Antes de usar UR y cointegrar pruebas, CSD nos permite seleccionar el método más eficaz para resolver los problemas que se han revelado. La investigación utilizó un enfoque más sofisticado basado en Tang et al.45, pruebas de CD para validar la CSD. Además, el artículo adopta la prueba de Zhuang et al.46, SH, que es mejor que los análisis convencionales de heterogeneidad como SURE que no permiten la CSD en lospaneles 47. Las fórmulas de análisis de heterogeneidad de pendientes son las siguientes:

Ecuación 13(2)

Ecuación 14(3)

Prueba de raíces unitarias (URT)

Una fase adicional consiste en utilizar los experimentos adecuados de raíces unitarias para asegurar el orden de integración una vez verificada la CSD y la heterogeneidad de la pendiente. El orden de integración para todos los factores está determinado por los modelos Dickey-Fuller (CADF) y IPS mejorado transversalmente (CIPS) con aumento transversal. Las pruebas de primera generación son las dos URT iniciales, mientras que los análisis SGN son la tercera URT. Como permite CSD mientras calcula raíces unitarias variables, CIPS es mejor. Las pruebas convencionales de raíz unitaria en panel dan hallazgos falsos cuando hay CSD presente. A pesar de ello, la investigación actual emplea pruebas básicas y sofisticadas de raíz unitaria para estimaciones objetivas y consistentes. La siguiente es la ecuación CIPS:

Ecuación 15(4)

La ecuación siguiente utiliza el símbolo para indicar la media entre diferentes secciones.

Ecuación 17(5)

Las pruebas estadísticas CIPS son las siguientes:

Ecuación 18(6)

Pruebas de cointegración en panel

Los autores estiman entonces la conexión de cointegración entre las emisiones de dióxido de carbono y sus causas, incluyendo la IED saliente, TD, TI y la expansión económica de China, tras confirmar el CDS, la heterogeneidad de las pendientes y el nivel de estacionaridad de la variación. La investigación lo hace utilizando el enfoque de cointegración de paneles, que permite predicciones realistas cuando los factores erróneos dependen de la sección transversal y los paneles son diversos. Dado que esta prueba no impone restricciones típicas de elementos al considerar CSD y descomposición estructural, es preferible a las pruebas de cointegración de primera generación. Además, los métodos tradicionales de estimación en panel que utilizan heterogeneidad no observada, modelos de efectos fijos y variables instrumentales no consideran la CSD de varianza constante, lo que resulta en estimaciones inexactas. A diferencia de la prueba de cointegración de segunda generación, la técnica de cointegración en panel aborda rupturas estructurales en varios lugares para cada sección transversal, además de la CSD, SH y correlación serial de expresiones erróneas. El examen incluye la prueba de cointegración. La ruptura estructural y los cambios de paradigma afectan a valores genuinos. Este análisis proporciona predicciones de cointegración sin contaminación, ruptura de nivel ni cambio de paradigma (Tabla 4).

Retrasos autoregresivos distribuidos aumentados transversalmente

Los autores pueden ahora considerar evaluaciones experimentales de la relación a largo plazo entre los gases de efecto invernadero y sus factores. El modelo tradicional de predicción presupone estabilidad transversal, lo cual no ocurre en las investigaciones iniciales. Dado que la cantidad de contaminación por carbono está controlada por variables relevantes no vistas que inducen la dependencia de términos de error transversal, esta es una hipótesis poco plausible. Varios factores, incluido el aumento desigual y repentino de la IED externa china y el cambio en los marcos financieros y políticos, otorgan credibilidad conceptual a la dependencia transversal del programa de la Franja y la Ruta. Esto se debe a que las características naturales pueden distorsionarse por la presencia de variables relevantes no vistas que están vinculadas con el análisis de regresión. La estimación CS-ARDL ofrece la mejor solución al problema de la dependencia de la sección transversal y la heterogeneidad de la pendiente. Proponer una estrategia dinámica de efectos correlacionados comunes que el método CS-ARDL utilice para abordar estas preocupaciones. Esto nos lleva a la siguiente derivación de la fórmula CS-ARDL:

Ecuación 19(7)

Los modelos simples de retardos distribuidos autoregresivos (ARDL) tienen la función lineal mostrada arriba en la ecuación (7); Si los autores continúan con esta fórmula, obtendrán resultados mixtos dependiendo de si se producen dependencias transversales. La ecuación (7) se generaliza para proporcionar la ecuación (8) promediando secciones transversales. El impacto del punto de corte solo está presente si se considera la dependencia transversal, y este procedimiento ayudará a eliminar esa suposición potencialmente engañosa.

Ecuación 20(8)

Donde Xt-1 = (CO2i,t–1, Zi,t–1) puede considerarse como la media de las variables dependientes e independientes, Pw,P z,P x Identifica todos los retrasos dentro de cada parámetro. CO2i,t, emisiones de dióxido de carbono (tCO2) es un ejemplo de variable dependiente, y Zi,t es un vector que incluye todos los diferentes factores. Los promedios transversales (incluyendo variables temporales o de patrón) se muestran con X demostrando cómo pueden usarse para evitar la CSD causada por efectos dominó. El CS-ARDL utiliza coeficientes de corto plazo como entradas para calcular los coeficientes a largo plazo. Para el estimador de números promedio y el coeficiente a largo plazo.

Ecuación 26(9)

El grupo medio se da como:

Ecuación 27(10)

Los coeficientes a corto plazo se estiman como:

Ecuación 28(11)

Dónde

Ecuación 29(12)

Ecuación 30(13)

 Ecuación 31(14)

 Ecuación 32(15)

En caso de una perturbación o del plazo necesario para alcanzar un equilibrio constante, los procedimientos de corrección de errores para los CS-ARDL son comparables a un panel medio organizado, que marca el ritmo de modificación hacia un equilibrio prolongado.

Estimadores de robustez

Los procedimientos tradicionales de estimación son sumamente opuestos a la existencia reconocida de la heterogeneidad de la pendiente y la descomposición por varianza por parte de este comité. Además, la investigación utiliza la medida del Panel de Promedio de Efecto Conexo Ordinario establecida por Pesaran para confirmar cosas similares. Incluso con la CSD, heterogeneidad, endogeneidad y no estacionaridad, la CCEMG puede utilizarse eficazmente (Tabla 5). También presenta problemas de correlación, especialmente con las divisiones transversales. A continuación se presenta la fórmula CCEMG:

Ecuación 33(16)

Causalidad de Granger

La causalidad de Granger se utiliza para analizar los componentes del artículo y su posible relación de contribución. Debido a sus supuestos fundamentales, este método funciona mejor con pantallas diversas. Frente a la prueba de hipótesis de causalidad entre variables, la hipótesis nula del análisis de regresión múltiple DH es que no hay causalidad. A continuación se describe la estructura práctica de la prueba de causalidad DH Granger:

Ecuación 34(17)

Para un modelo autorregresivo, el estimador se denota por j y las variables autorregresivas se representan por βj(j)

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Los resultados presentados demuestran eficazmente la utilidad de la técnica de Retraso Distribuido Autoregresivo Aumentado por Sección Transversal (CS-ARDL) para capturar relaciones económicas complejas y reales (Figura 2). Por ejemplo, el impacto divergente a largo plazo de la Inversión Extranjera Directa (IED) sobre las emisiones de carbono es negativo en algunas regiones, como el sudeste asiático, pero positivo en otras, como el sur de Asia, ejemplificando la heterogeneidad de pendientes ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Los resultados de este trabajo empírico ofrecen una historia rica y matizada sobre el posible impacto ambiental de la integración económica dentro del marco de la Iniciativa de la Franja y la Ruta, y trascienden las dicotomías simplistas que suelen definir la literatura. Probar la heterogeneidad de la pendiente y la dependencia transversal no debe introducirse como una formalidad metodológica desde el principio, sino como un punto básico; debe reconocerse que las relaciones entre IED, tu...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Todos los autores declaran que no hay conflictos de interés.

Agradecimientos

No se recibió financiación para este trabajo de investigación.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Análisis de causalidadPrueba de causalidad de Granger en panel heterogéneo por Dumitrescu y Hurlin (2012)Determinar la dirección de las relaciones causales entre las variables (por ejemplo, ¿la IED Granger causa emisiones de CO2?).
Prueba de Dependencia Transversal (CSD)Prueba de Dependencia Transversal (CD) de Pesaran (2015)Probar diagnósticamente la hipótesis nula de independencia de la sección transversal entre los términos de error de las unidades panel.
Término de Interacción FDI-TDCalculado como producto de la serie de índices de IED y Desarrollo Turístico (TD).Para captar el efecto sinérgico o moderador que la IED impulsada por infraestructuras tiene en la relación entre el desarrollo turístico y las emisiones de carbono.
Datos de Inversión Extranjera Directa (IED)Ministerio de Comercio de la República Popular China (MOFCOM)Fuente de datos sobre las existencias de IED de salida china hacia los países de la Iniciativa de la Franja y la Ruta (BRI).
Estimación a largo y corto plazoModelo de Retraso Distribuido Autoregresivo Transversal (CS-ARDL)El estimador principal para derivar tanto coeficientes a corto como a largo plazo para el impacto de variables independientes en las emisiones de CO2, teniendo en cuenta la CSD y la heterogeneidad.
Datos del Panel MacroeconómicoBanco Mundial, Indicadores de Desarrollo Mundial (WDI)Fuente principal de datos sobre emisiones de CO2, PIB, valor añadido industrial (IVA) y métricas turísticas (llegadas, ingresos).
Pruebas de cointegración en panelPrueba de cointegración de Westerlund y Edgerton (2008) con rupturas estructuralesComprobar la existencia de una relación de cointegración a largo plazo entre las variables, teniendo en cuenta las rupturas de la CSD y estructurales.
Estimador de comprobación de robustezGrupo medio de efectos correlacionados comunes (CCEMG)Un estimador alternativo se utilizó para comprobar la robustez de los coeficientes a largo plazo obtenidos del modelo CS-ARDL.
Pruebas raíz unitarias de segunda generaciónDickey-Fuller Aumentado de Sección Transversal (CADF) y IPS Aumentado de Sección Transversal (CIPS)Determinar el orden de integración de las variables (CO2, ID, TD, TI, PIB, IVA) en presencia de dependencia transversal.
Prueba de Heterogeneidad de Pendiente (SH)Pesaran y Yamagata (2008) Pruebas Delta y Delta modificadasPara probar diagnósticamente la hipótesis nula de pendientes homogéneas a lo largo de las secciones eficaces del panel.
PIB al cuadrado (SQGDP)Calculado como el cuadrado de la serie PIB per cápita (o PIB total).Probar empíricamente la presencia de la hipótesis de la Curva de Kuznets Ambiental (EKC) en el modelo.
Paquete de software estadísticoNo especificado en el protocolo, pero es esencial para el análisis (por ejemplo, Stata, R, EViews)Plataforma para la gestión de datos, construcción de variables y ejecución de todas las pruebas y estimaciones econométricas (CSD, SH, raíz unitaria, cointegración, CS-ARDL, CCEMG, causalidad).
Datos de Innovación TecnológicaBanco Mundial, Indicadores de Desarrollo Mundial (WDI)Fuente de datos de patentes (residentes y no residentes) utilizados para construir el índice de Innovación Tecnológica (TI).
Índice de Desarrollo Turístico (TD)El Análisis de Componentes Principales (PCA) se aplica a las llegadas, ingresos y gastos turísticos.Crear un índice único y compuesto que capture la actividad turística global y evite la multicolinealidad al usar métricas individuales de turismo.

Referencias

  1. Zhuang, Y., Yang, S., Razzaq, A., Khan, Z. Environmental impact of infrastructure-led Chinese outward FDI, tourism development and technology innovation: a regional country analysis. J Environ Plan Manag. 66 (2), 367-399 (2022).
  2. Li, L., Zhou, H. The Impact of Foreign Direct Investment on Carbon Emissions in Economies Along the Belt and Road. Sustainability. 17 (13), 5905(2025).
  3. Mahadevan, R., Sun, Y. Effects of foreign direct investment on carbon emissions: Evidence from China and its Belt and Road countries. J Environ Manag. 276, 111321(2020).
  4. Li, L., Wang, Y. The Impact of Coordinated Two-Way FDI Development on Carbon Emissions in Belt and Road Countries: An Empirical Analysis Based on the STIRPAT Model and GMM Estimation. Sustainability. 17 (19), 8640(2025).
  5. Sun, S., Xie, Y., Li, Y., Yuan, K., Hu, L. Analysis of dynamic evolution and spatial-temporal heterogeneity of carbon emissions at county level along "the belt and road" a case study of northwest China. Int J Environ Res Public Health. 19 (20), 13405(2022).
  6. Lin, X., Chandran Govindaraju, V. R., Baskaran, A. Impact of the Belt and Road Initiative on China's Inward and Outward FDI and Investment Coordination Synergy. SAGE Open. 15 (4), 21582440251386683(2025).
  7. Wu, Y., Hu, C., Shi, X. Heterogeneous effects of the belt and road initiative on energy efficiency in participating countries. Energies. 14 (18), 5594(2021).
  8. Sen, H., Weerawansa, S. R. S. D. K. Heterogeneous Impact of the Belt and Road Initiative on Economic Growth in South Asian Countries: An Empirical Study Based on Trade, Investment and Debt-systemic Literature Review. DoE-UoC Working Paper. , (2025).
  9. Kor, S., Qamruzzaman, M. Decoding the environmental synergy in BRI nations: analyzing the influence of renewable energy adoption, financial evolution, FDI, and capital resilience on sustainability. Int J Energy Econ Policy. 14 (3), 582-599 (2024).
  10. Ullah, A., Kui, Z., Pinglu, C., Sheraz, M. Effect of financial development, foreign direct investment, globalization, and urbanization on energy consumption: Empirical evidence from Belt and Road initiative partner countries. Front Environ Sci. 10, 937834(2022).
  11. Yuan, W., Sun, H., Chen, Y., Xia, X. Spatio-Temporal evolution and spatial heterogeneity of influencing factors of SO2 Emissions in Chinese cities: fresh evidence from MGWR. Sustainability. 13 (21), 12059(2021).
  12. Huang, Y., Rahman, S. U., Meo, M. S., Ali, M. S. E., Khan, S. Revisiting the environmental Kuznets curve: assessing the impact of climate policy uncertainty in the Belt and Road Initiative. Environ Sci Pollut Res. 31 (7), 10579-10593 (2024).
  13. Lingyan, M., et al. Asymmetric impact of fiscal decentralization and environmental innovation on carbon emissions: Evidence from highly decentralized countries. Energy Environ. 33 (4), 752-782 (2022).
  14. Shaikh, S. S., Amin, N., Song, H. Carbon dynamics: A holistic analysis of FDI, trade liberalization, urbanization, economic growth, and effects on CO2 emissions in South Asia. Energy Environ. , (2024).
  15. Liu, H., Zhu, Q., Khoso, W. M., Khoso, A. K. Spatial pattern and the development of green finance trends in China. Renew Energy. 211, 370-378 (2023).
  16. Osabuohien-Irabor, O., Drapkin, I. M. The spillover effects of outward FDI on environmental sustainability in developing countries: exploring the channels of home country institutions and human capital. Environ Dev Sustain. 26 (8), 20597-20627 (2024).
  17. You, X., et al. Can collaborative innovation constrain ecological footprint? Empirical evidence from Guangdong-Hong Kong-Macao Greater Bay Area, China. Environ Sci Pollut Res. 29 (36), 54476-54491 (2022).
  18. Wang, B., Liu, Y. Does the Belt and Road Initiative affect the energy intensity of countries along the route? An analysis of the direct and indirect effects. J Environ Plan Manag. 67 (7), 1583-1601 (2024).
  19. Wang, Q., Wei, M., Wang, N., Chen, Q. The impact of human capital and tourism industry agglomeration on China's tourism eco-efficiency: An analysis based on the undesirable Super-SBM-ML model. Sustainability. 16 (16), 6918(2024).
  20. Li, B., Chang, J., Guo, J., Zhou, C., Ren, X., Liu, J. Do green innovation, ICT, and economic complexity matter for sustainable development of BRI economies: moderating role of higher education. Environ Sci Pollut Res. 30 (20), 57833-57849 (2023).
  21. Yao, M. C., Zhang, R. J., Dong, H. Z. Analysis of the spatiotemporal convergence effect and influencing factors of industrial green technology innovation efficiency in the Yangtze River Economic Belt in China. J Knowl Econ. 16 (2), 9430-9465 (2025).
  22. Zhang, X., Zhang, N., Wang, S., Dong, J., Pan, X. Spatiotemporal Evolution and Influencing Factors of Carbon Emission Efficiency in Western Valley Cities in China. Sustainability. 17 (11), 5025(2025).
  23. Xu, R., Chen, G. Does China's outward direct investment decrease carbon intensity in ASEAN countries? Evidence from CS-ARDL model analysis. Int J Clim Chang Strateg Manag. 17 (1), 531-546 (2025).
  24. Wenlong, Z., et al. Impact of energy efficiency, technology innovation, institutional quality, and trade openness on greenhouse gas emissions in ten Asian economies. Environ Sci Pollut Res. 30 (15), 43024-43039 (2023).
  25. Zhang, C., Tian, L., Zhen, Z. The impact of green behavior on spatial heterogeneity of city green development-the case of Yangtze River Delta city cluster. Environ Dev Sustain. , 1-28 (2024).
  26. Su, L., Wang, Y., Yu, F. Analysis of regional differences and spatial spillover effects of agricultural carbon emissions in China. Heliyon. 9 (6), e16752(2023).
  27. Kanval, N., Ihsan, H., Irum, S., Ambreen, I. Human capital formation, foreign direct investment in lows, and economic growth: A way forward to achieve sustainable development. J Manag Pract Humanit Soc Sci. 8 (3), 48-61 (2024).
  28. Bashir, M. A., Dengfeng, Z., Bashir, M. F., Rahim, S., Xi, Z. Exploring the role of economic and institutional indicators for carbon and GHG emissions: policy-based analysis for OECD countries. Environ Sci Pollut Res. 30 (12), 32722-32736 (2023).
  29. Xiao, W., Xue, Q., Yi, X. Does the Belt and Road Initiative promote international innovation cooperation. Humanit Soc Sci Commun. 10 (1), 1-12 (2023).
  30. He, Z. The spatial disequilibrium and influencing factors of carbon emissions in the Yangtze River Economic Belt based on nighttime light data. Humanit Soc Sci Commun. 12 (1), 1-13 (2025).
  31. Topaloglu, E. E., Balsalobre-Lorente, D., Nur, T., Ege, I. The Relevance of Financial Development, Natural Resources, Technological Innovation, and Human Development for Carbon and Ecological Footprints: Fresh Evidence of the Resource Curse Hypothesis in G-10 Countries. Sustainability. 17 (6), 2487(2025).
  32. Hu, H., Jernej, P. Exploring the Impact of the Belt and Road Initiative on Sustainable Development Goals 8 and 9: Insights from Four European Union Countries. Sustain Dev. , 1-23 (2025).
  33. Jiang, H., et al. Industrial carbon emission efficiency of cities in the pearl river basin: Spatiotemporal dynamics and driving forces. Land. 11 (8), 1129(2022).
  34. Zhou, R., Abbasi, K. R., Salem, S., Almulhim, A. I., Alvarado, R. Do natural resources, economic growth, human capital, and urbanization affect the ecological footprint? A modified dynamic ARDL and KRLS approach. Resour Policy. 78, 102782(2022).
  35. Gu, A., Zhou, X. Emission reduction effects of the green energy investment projects of China in belt and road initiative countries. Ecosyst Health Sustain. 6 (1), 1747947(2020).
  36. Li, X., Chalvatzis, K. J., Pappas, D. Life cycle greenhouse gas emissions from power generation in China's provinces in 2020. Appl Energy. 223, 93-102 (2018).
  37. Bekun, F. V., Bright, A. G., Ruth, O. B., Edmund, N. U. Tourism-induced emission in Sub-Saharan Africa: A panel study for oil-producing and non-oil-producing countries. Environ Sci Pollut Res. 27, 41725-41741 (2022).
  38. Kaika, D., Efthimios, Z. The Environmental Kuznets Curve (EKC) theory Part A: Concept, causes and the CO2 emissions case. Ener Policy. 62, 1392-1402 (2013).
  39. Abdo, A. B., et al. The influence of FDI on GHG emissions in BRI countries using spatial econometric analysis strategy: the significance of biomass energy consumption. Environ Sci Pollut Res. 36, 54571-54595 (2022).
  40. Du, J., Zhang, Y. Does one belt one road initiative promote Chinese overseas direct investment. China Econ Rev. 47, 189-205 (2018).
  41. Spalding,, et al. Mapping the global value and distribution of coral reef tourism. Mar Policy. 82, 104-113 (2017).
  42. Pata, U. K., Balsalobre-Lorente, D. Exploring the impact of tourism and energy consumption on the load capacity factor in Turkey: a novel dynamic ARDL approach. Environ Sci Pollut Res. 29 (9), 13491-13503 (2022).
  43. Sun, Y. Y., Cadarso, M. A., Driml, S. Tourism carbon footprint inventories: A review of the environmentally extended input-output approach. Ann Tour Res. 82, 102928(2020).
  44. Meng, W., Xu, L., Hu, B., Zhou, J., Wang, Z. Reprint of: Quantifying direct and indirect carbon dioxide emissions of the Chinese tourism industry. J Clean Prod. 163, S401-S409 (2017).
  45. Tang, C., Irfan, M., Razzaq, A., Dagar, V. Natural resources and financial development: Role of business regulations in testing the resource-curse hypothesis in ASEAN countries. Resour Policy. 76, 102612(2022).
  46. Zhuang, Y., Yang, S., Razzaq, A., Khan, Z. Environmental impact of infrastructure-led Chinese outward FDI, tourism development and technology innovation: a regional country analysis. J Environ Plan Manag. 66 (2), 367-399 (2022).
  47. Mrabet, Z., Alsamara, M., Saleh, A. S., Anwar, S. Urbanization and non-renewable energy demand: A comparison of developed and emerging countries. Energy. 170, 832-839 (2019).
  48. Westerlund, J., Edgerton, D. L. A simple test for cointegration in dependent panels with structural breaks. Oxford Bullet Econ Stat. 5, 665-704 (2008).
  49. Pedroni, P. Panel cointegration techniques and open challenges. Panel Data Economet. , 251-287 (2019).
  50. Zubair, A. O., Samad, A. R. A., Dankumo, A. M. Does gross domestic income, trade integration, FDI inflows, GDP, and capital reduces CO2 emissions? An empirical evidence from Nigeria. Curr Res Environ Sustain. 2, 100009(2020).
  51. Zaghdoud, O. Environmental Degradation, Renewable Energy, Technological Innovation, and Foreign Direct Investment as Determinants of Tourism Development in Tunisia: An Autoregressive Distributed Lag-Fully Modified Ordinary Least Squares Analysis. Economies. 13 (11), 327(2025).
  52. Dobrowolska, B., Tomasz, D., Anetta, K. M. Institutional quality and its impact on FDI inflow: Evidence from the EU member states. Comp Econ Res Central Eastern Eur. 24 (4), 23-44 (2021).
  53. Jabeen, S., et al. Examining the nexus between technological innovation, FDI, economic growth and tourism in selected countries: A simultaneous equation model approach. J. Infrastr Policy Dev. 8 (7), 4767(2021).
  54. Adeel, M., Biao, W., Ji, K., Israel, M. M. The Nonlinear Dynamics of CO2 Emissions in Pakistan: A Comprehensive Analysis of Transportation, Electricity Consumption, and Foreign Direct Investment. Sustainability. 17 (1), 189(2025).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Inversión extranjera directaDesarrollo turísticoInnovación tecnológicaHeterogeneidad regionalARDL transversalAnálisis de datos de panelCurva ambiental de KuznetsInversión en infraestructura

Este artículo ha sido publicado

Video próximamente

Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.