Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Hétérodégénéité spatiale de l’empreinte carbone issue des investissements dans la Ceinture et la Route évaluée à l’aide d’un modèle de décalage distribué autorégressif transversal

346 vues

⸱

DOI :

10.3791/69602

⸱

19 décembre 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

Dans cet article

Résumé

Cette étude analyse l’impact environnemental des investissements directs étrangers (IDE) chinois, du tourisme et de l’innovation sur les émissions de carbone dans les régions de l’Initiative Ceinture et Route à l’aide de modèles économétriques spatiaux.

Résumé

Cette étude vise à étudier empiriquement l’impact multifacette des investissements directs étrangers (IDE) financés par les infrastructures chinoises, du développement touristique et de l’innovation technologique sur les émissions de carbone dans les pays participants à l’Initiative Ceinture et la Route (BRI). Allant au-delà de l’analyse agrégée, la recherche examine spécifiquement l’effet synergique souvent négligé entre l’IDE et le tourisme et explore les hétérogénéités régionales significatives dans ces relations environnementales. Méthodologiquement, l’étude utilise des techniques de données de deuxième génération pour garantir des estimations robustes en présence de dépendance de la section transversale et d’hétérogénéité des pentes. L’analyse utilise les estimateurs Cross-Sectional Autoregressive Distributed Lag (CS-ARDL) et Common Correlated Effects Mean Group (CCEMG) sur des données de 2000 à 2020 afin de discerner à la fois la dynamique à court et à long terme. Les résultats clés révèlent un rôle complexe et dualiste de l’IDE. Bien qu’elle soit associée à une réduction des émissions de carbone dans l’échantillon complet et dans des régions comme l’Asie du Sud-Est et l’Europe, elle augmente significativement les émissions dans les pays d’Asie du Sud et de la région MENA. De manière cruciale, l’interaction entre IDE et développement touristique a été constatée comme une aggravation des émissions de carbone, indiquant que les investissements dans les infrastructures amplifient l’empreinte environnementale du tourisme. De plus, l’innovation technologique atténue systématiquement les émissions, et l’étude valide l’hypothèse de la courbe de Kuznets environnementale (EKC) sur tous les échantillons. Les implications de ces résultats sont profondes pour les décideurs, soulignant la nécessité d’aller au-delà des approches universelles. La principale nouveauté de l’étude réside dans son accent explicite sur les IDE axés sur les infrastructures, sa quantification de l’effet d’interaction IDE-tourisme, et sa désagrégation régionale révolutionnaire, qui révèlent collectivement la nature contestée et dépendante du contexte de l’héritage environnemental de la BRI. Cette analyse granulaire fournit une base de preuves essentielle pour formuler des politiques ciblées et spécifiques à chaque région afin d’orienter la BRI vers son objectif déclaré de développement durable.

Introduction

L’Initiative Ceinture et la Route (BRI), une stratégie monumentale de développement mondial lancée par China1, a profondément transformé le paysage économique et infrastructurel en Asie, en Afrique eten Europe 2. En canalisant des niveaux sans précédent d’investissements directs étrangers (IDE) dirigés par les infrastructures vers les transports, l’énergie et les installations portuaires, la BRI vise à renforcer la connectivité régionale et à stimuler la croissance économique. Un résultat crucial, mais complexe, de cette connectivité renforcée a été l’impulsion significative du développement touristique dans les pays participants3, facilitée par une accessibilité et des infrastructuresaméliorées 4. Cependant, cette triade d’investissements dans les infrastructures, de croissance touristique et d’expansion économique a d’importantes implications environnementales, notamment en ce qui concerne les émissions decarbone 5. Comprendre l’interaction entre ces facteurs est primordial pour aligner les objectifs économiques de la BRI sur les objectifs mondiaux de durabilité, tels que l’Accord de Paris et les Objectifs de développementdurable 6 des Nations Unies. Cette recherche étudie spécifiquement les conséquences des IDE menées par les infrastructures, du développement touristique et de l’innovation technologique sur les émissions de carbone dans le contexte des pays participants à la BRI.

Une littérature importante a renforcé l’importance du tourisme comme moteur de développement économique, en particulier dans les marchésémergents 7,8. Le secteur est activement encouragé par les gouvernements car il génère des recettes, contribue à la croissance de l’entrepreneuriat et minimise lechômage 9. Le secteur a connu une forte croissance mondiale, les arrivées de touristes internationaux dépassant les projections et générant des revenus de plusieurs milliards par an, une tendance encouragée par l’amélioration des technologies de communication, l’évolution des procédures de visa et l’amélioration des destinationstouristiques 10. Parallèlement, des questions subsistent quant à l’empreinte environnementale de cettecroissance 11. Une ligne de recherche souligne l’effet négatif du tourisme, l’attribuant à la corrélation directe entre le tourisme et la consommation d’énergie et les émissions de carbone liées au transport12. De plus, malgré les opportunités que les grands projets d’infrastructure de la BRI apportent au secteur touristique, ils sont également connus pour provoquer un immense stress environnemental en raison de la demande énergétique et des perturbationsécologiques 13.

Cependant, la littérature existante présente des lacunes cruciales que cette étude cherche à combler. Premièrement, bien que le lien général entre le tourisme et les émissions soit reconnu, les preuves empiriques restent ambiguës et ne tiennent souvent pas compte du contexte unique et multifacette de la BRI. La relation n’est pas monolithique ; Elle est médiatisée par une multitude de facteurs locaux, notamment l’infrastructure logistique, l’exposition à l’instabilité politique, les normes environnementales et les conditionsclimatiques 14. Deuxièmement, un récit concurrent dans la littérature avance que le tourisme, surtout lorsqu’il est aligné sur les principes de l’écotourisme et les politiques écologiques, peut être un vecteur de durabilité environnementale plutôt que dedégradation 15. Cette dualité met en lumière un écart important de connaissances : dans quelles conditions le tourisme, dans le cadre de la BRI, aggrave-t-il ou atténue-t-il les émissions ? Troisièmement, le rôle des IDE dirigés par les infrastructures est souvent étudiéisolément 16. L’effet synergique du développement des IDE et du tourisme, où de nouveaux aéroports, routes et hôtels financés par l’IDE permettent et stimulent directement les afflux touristiques, et leur impact collectif sur l’environnement n’est pas bien compris. Cette recherche s’attaque directement à ces lacunes en menant une analyse nuancée et complète des conséquences environnementales des moteurs économiques de la BRI. Les chercheurs vont au-delà des généralisations larges pour étudier l’impact spécifique et combiné des IDE menés par les infrastructures, du développement touristique et de l’innovation technologique sur les émissions de carbone. Les contributions de cette étude sont triples. Premièrement, elle fournit des preuves empiriques novatrices sur l’interconnexion entre l’investissement dans les infrastructures, le tourisme et les émissions de carbone dans le contexte spécifique et hautement pertinent de l’Initiative Ceinture et Route. En modélisant explicitement l’interaction entre le développement touristique et les IDE, les chercheurs découvrent si leur combinaison crée un effet synergique qui amplifie ou atténue la pression environnementale, une dimension largement négligée dans des étudesprécédentes 17. Deuxièmement, cette recherche apporte une contribution méthodologique significative en appliquant un modèle CS-ARDL et en menant une analyse régionale détaillée. Cela nous permet de dépasser les conclusions universelles et de révéler les importantes disparités régionales dans l’impact de ces activités économiques sur l’environnement.

Revue de la littérature

L’industrie touristique est largement reconnue comme un catalyseur important du développement économique, en particulier dans les marchésémergents 18. Des études empiriques démontrent constamment sa capacité à générer des revenus, stimuler l’activité entrepreneuriale et réduire le chômage, ce qui a conduit les gouvernements du monde entier à adopter des politiques favorables ausecteur 19. Les données historiques soulignent cette croissance dynamique, le secteur maintenant un taux annuel moyen d’environ 5 %, et les arrivées de touristes internationaux devraient dépasser 1,8milliard 20, une projection souvent dépassée par les chiffres réels alimentés par les avancées en technologies de communication, l’amélioration des infrastructures touristiques et la simplification des réglementationssur les visas 21. Cependant, la contribution du secteur à la croissance économique n’est pas uniforme, car son succès est médié par un ensemble complexe de facteurs locaux, notamment l’infrastructure logistique, la stabilité politique, les normes environnementales et les conditions climatiques, ce qui suggère que les modèles généralistes de croissance menée par le tourisme sont souventinsuffisants 22.

Parallèlement à l’expansion du tourisme, les répercussions environnementales du développement économique sont devenues très claires, révélant un récit dualiste au sein du discoursacadémique 23. Un courant de la littérature associe fermement le développement touristique à une consommation énergétique accrue et à des émissions de carbone liées au transport, positionnant l’industrie comme un contributeur majeur à la dégradationenvironnementale 24. Cela est particulièrement pertinent dans le contexte d’initiatives à grande échelle comme l’Initiative chinoise de la Ceinture et la Route (BRI), qui, grâce à l’investissement direct étranger (IDE) guidé par les infrastructures, renforce la connectivité et stimule le tourisme et l’activité économique, mais crée simultanément d’importantes pressions environnementales par une demande énergétique accrue et des perturbationsécologiques 25. En revanche, une perspective académique concurrente met l’accent sur le potentiel d’un tourisme durable, soutenant que l’écotourisme et les politiques écologiques peuvent atténuer la pollution et garantir une durabilité écologique à long terme, alignant ainsi la croissance économique avec la gestion environnementale26. Cette dualité s’étend au rôle des IDE, qui peuvent être une source à la fois de technologies polluantes et d’innovations avancées et respectueuses de l’environnement, créant une ambiguïté empirique qui se complique davantage lorsque les IDE sont spécifiquement orientées vers les infrastructures permettant la croissancetouristique 27.

Les liens complexes entre tourisme, investissement et environnement nécessitent une investigation plus approfondie des facteurs modérateurs et des cadres théoriques28. L’innovation technologique est souvent citée comme un mécanisme clé pour découper la croissance économique des émissions, par l’adoption d’énergies renouvelables et de technologiesvertes 29. De plus, le fondement théorique de l’hypothèse de la courbe de Kuznets environnementale (EKC) fournit un cadre pour tester la relation entre le développement économique et la dégradation environnementale, suggérant que les émissions peuvent initialement augmenter avec le revenu avant de diminuerfinalement de 30. Le potentiel transformateur de la BRI, avec des projections suggérant que ses économies pourraient représenter la moitié du PIB mondial d’ici 2030, en fait une étude de cas cruciale pour examiner cesdynamiques 31. Pourtant, une lacune importante subsiste dans la littérature : un manque d’études empiriques nuancées qui modélisent simultanément l’impact combiné des IDE menées par les infrastructures, du développement touristique et des progrès technologiques sur les émissions de carbone à travers les régions hétérogènes de la BRI (Figure 1)32. Les recherches existantes traitent souvent ces facteurs isolément, ne parvenant pas à en saisir les effets synergiques et les variations régionales, un manque que cette recherche cherche à combler en employant une approche méthodologique tenant compte à la fois des effets corrélés courants et des disparitéstransversales 33.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Cette étude a utilisé exclusivement des données macroéconomiques secondaires publiques provenant de sources officielles, notamment les Indicateurs de Développement Mondial (IDM) de la Banque mondiale et le Ministère du Commerce de la République populaire de Chine (MOFCOM). Les données brutes sous-jacentes sont publiquement accessibles auprès de la Banque mondiale (https://databank.worldbank.org/source/world-development-indicators) et du ministère chinois du Commerce (MOFCOM). Aucun sujet humain ou animal n’a participé à la recherche. En tant que telle, cette étude n’a pas nécessité d’examen ni d’approbation par un comité d’éthique institutionnel (IRB) ou un comité d’éthique.

Construction des données et des variables

Cette recherche analyse l’EKC dans les pays ainsi que la BRI et examine la corrélation entre les stocks d’IDE externes de la Chine et les émissions de carbone. En général, les effets de l’activité économique sur l’environnement peuvent être décomposés en trois catégories : englobent ce que les auteurs ont qualifié d’effet d’innovation technologique (TI), l’effet de composition industrielle et l’effet d’échelle économique. Ainsi, en plus des caractéristiques principales de l’étude, les auteurs mettent en avant ces aspects essentiels. Voici une perception de cette corrélation :

Équation 1(1)

Dans ce modèle, plusieurs variables sont utilisées pour représenter divers indicateurs économiques. Celles-ci incluent :

CO2 : émissions de carbone, TD : stocks d’investissements directs étrangers chinois dans les pays de l’Initiative Belt and Road, TI : indices TD, PIB : produit intérieur brut, PIB : carrés du PIB (utilisé pour désigner la courbe de Kuznets environnementale), et IVA : valeur ajoutée industrielle.

Le modèle utilise un indice pour indiquer le nombre de pays et un indice ε{it} pour indiquer le temps. Les paramètres du modèle sont représentés par β{1} + β{2} + β{3} + β{4} + β{5} + β{6} et β{7} . Le terme μ{i} fait référence à un facteur spécifique sectionnel, ε{it}, et représente l’expression erronée.

La BRI a considérablement amélioré la communication entre la Chine et les autres pays participants, impactant de manière significative la consommation d’énergie, la croissance budgétaire et les conditions environnementales. Les mesures prises par le gouvernement chinois pour développer la BRI verte conformément à l’Accord de Paris (2015) et aux ODD 2030 incluent la diffusion des avantages technologiques et le développement d’infrastructures énergétiques efficaces et respectueusesde l’environnement 34. Gu etZhou, 35 ans, ont examiné les projets d’énergie propre récemment construits dans les pays respectifs de la BRI, avec une capacité installée de 16 GW, et ont contribué à réduire les émissions de gaz à effet de serre de 49 tonnes métriques, confirmant ainsi ces approches. De plus, Li et al.36 ont suggéré que l’Initiative la Ceinture et la Route renforce l’efficacité énergétique et le développement économique du pays hôte en construisant des installations énergétiques et logistiques fiables. Cependant, les IDE de la Chine aggravent les problèmes écologiques dans les pays hôtes en raison de la demande croissante d’électricité et de ressources naturelles. Selon cette logique, il est prévu que les investissements directs étrangers de la Chine à l’étranger pourraient avoir un impact sur les émissions de carbone dans divers endroits, à la fois bénéfique et nuisible :

Équation 7

Dans la dernière étude, Bekun et al.37 ont étudié l’hypothèse selon laquelle les revenus touristiques contribuent à une réduction des émissions, mais que l’arrivée des visiteurs a l’effet inverse. De plus, la synthèse des études scientifiques (voir Tableau 1) a souligné que les variables touristiques entraînaient des conséquences environnementales spécifiques. Pour s’y conformer, cette étude réalise un indicateur d’engagement touristique accumulé qui aide à éliminer les biais subjectifs. L’indicateur global des entreprises touristiques peut avoir un effet bénéfique ou néfaste sur le CO2.

Équation 8

Comparable à la manière dont l’augmentation de la connectivité, la réduction des obstacles à la concurrence (y compris les personnes et les marchandises), la rapidité des expéditions et l’amélioration des infrastructures entre les pays membres de la BRI encouragent l’expansion de l’industrie touristique, ce qui pourrait avoir un effet déterminant sur la qualité environnementale, compte tenu des caractéristiques inhérentes à l’économie touristique, cela pourrait être avantageux.

Équation 9

Compte tenu de la nature fondamentale de l’activité économique, une consommation accrue d’énergie et de carburant, ce qui entraîne une augmentation du CO2, est nécessaire. Néanmoins, les avancées technologiques pour créer des produits et des procédures écologiques, ainsi que les changements technologiques dans l’approvisionnement énergétique, peuvent avoir un impact significatif sur la durabilité environnementale. Le TI réduit ainsi les émissions de dioxyde de carbone.

Équation 10

La théorie de l’EKC est soutenue par la croissance économique liée à une augmentation de la consommationd’énergie 38, ce qui augmente les niveaux d’émissions, mais le carré du développement dans l’économie réduit les émissions de dioxyde de carbone.

Équation 11

Un élément clé influençant les émissions de dioxyde de carbone des pays hôtes est la composition commerciale de ces pays (Tableau 2). L’IVA pourrait avoir un effet bénéfique sur les émissions de CO2, car l’importance croissante de l’industrie dans les pays voisins de la BRI entraînera une augmentation de la consommation d’énergie et des émissionsassociées 39.

Équation 12

Source des données et sélection des échantillons

L’importance des pays de la BRI repose sur l’hypothèse qu’ils représentent 30 % du PIB mondial, 64 % de ses habitants, 39 % de son territoire, 35 % de son commerce, 50 % de leur consommation d’électricité et 54 % de leurs émissions deCO2. En plus de ces données, le secteur BRI a connu une croissance énorme des IDE chinoises, ce qui en fait la plateforme de collaboration la plus efficace au monde. Par conséquent, les auteurs étudient les effets écologiques des investissements directs étrangers sortants de la Chine, TD et TI dans les deux (54) nations de belting et routes choisies entre 2000 et 2020. Pour ce faire, l’article utilise des données annuelles sur les émissions deCO2 (tonnes métriques), les stocks d’investissements directs étrangers en sortie chinoise (dollars américains constants 2010), l’indicateur TD (pour plus d’informations, voir Tableau 3), et l’indice total (TI), calculé comme le montant total des brevets (pour les habitants et les immigrés), le PIB (US$ continu 2011). et les valeurs manufacturières ( % du PIB). Il est crucial de fournir une statistique de test cohérente lors de la résolution du problème des attributs différentiels, car ces facteurs affichent des unités de mesure diverses. En tenant compte des recherches antérieures, les auteurs ont transformé tous les aspects en modèle de régression, qui produit des résultats sous forme d’élasticité facilitant l’interprétation des données. Outre le capital d’investissement direct étranger chinois, qui provient du Département chinois de l’économie et du commerce, les informations sur ces facteurs proviennent de l’Indice mondial du développement (WDI).

Indice TD

De nombreux indicateurs sont utilisés dans les études touristiques pour décrire les activités touristiques. Les revenustouristiques 41, les dépenses touristiques à Pata et Balsalobre-Lorente42, et les données d’admissions43 sont utilisés pour quantifier la demande touristique globale. Ces modèles touristiques présentent plusieurs inconvénients car ils ne représentent qu’une partie du lien entre les polluants. Ces trois variables touristiques sont très collinéaires, et si elles sont utilisées simultanément dans un cadre unifié, cela pourrait entraîner la question de la multicolinéarité. Selon Meng et al.44, l’ACP combine les fluctuations communes de toutes les variables touristiques en un score accumulé unique. Ces indicateurs touristiques proviennent du jeu de données WDI, qui aide à créer un indicateur composite distinctif en fusionnant les données très critiques.

Indice TD à PCA

L’indice de développement touristique (TD) a été construit à l’aide de l’analyse des composantes principales (PCA) pour consolider les trois variables touristiques fortement corrélées (recettes touristiques internationales, dépenses et arrivées) en un seul score composite. La pertinence des données pour l’ACP a d’abord été validée à l’aide de deux tests standards. La mesure Kaiser-Meyer-Olkin (KMO) de l’adéquation de l’échantillonnage a donné une valeur de 0,723, dépassant le seuil recommandé de 0,6, indiquant que les schémas de corrélation étaient compacts et donc adaptés à l’analyse factorielle. De plus, le test de la sphéricité de Bartlett était statistiquement significatif (p < 0,001), confirmant que la matrice de corrélation n’était pas une matrice identité et que les variables étaient suffisamment corrélées pour l’ACP. Selon le critère de Kaiser (valeurs propres > 1), seule la première composante principale a été conservée. Cette composante expliquait de manière satisfaisante plus de 81 % de la variance totale entre les trois variables touristiques. Les charges factorielles pour les trois variables étaient positives et élevées, soutenant une pondération équilibrée dans le calcul de l’indice final. Les scores de l’indice TD résultants variaient de -0,681 à 5,157 pour l’échantillon, où une valeur plus basse indique un niveau de développement touristique plus faible, et une valeur plus élevée indique un niveau plus élevé de développement touristique parmi les nations de la BRI.

Cadre analytique

Les chercheurs ont commencé l’analyse en testant deux propriétés essentielles des données de panel : la dépendance transversale (CSD), qui indique l’interconnexion entre les pays, et l’hétérogénéité des pentes (SH), qui indique que les relations entre les variables diffèrent selon les pays. La confirmation de ces propriétés était une première étape cruciale, car elle nécessitait l’utilisation de tests économétriques spécialisés de deuxième génération pour obtenir des résultats précis.

Dépendance de la section transversale (CSD) et hétérogénéité des pentes (SH)

Le principe de variabilité inclinée et de dépendance transversale maintenu par la racine unitaire de deuxième génération (SGN) (UR ; y compris les tests IPS UR complémentaires CS) et les tests de cointégration rend nécessaire une vérification avant de passer à l’ordre d’intégration du facteur. En raison des fluctuations rapides des projets financiers et monétaires provoquées par les changements économiques, l’effondrement bancaire, la mondialisation, l’interconnexion des redevances et l’absence d’éléments communs visuels et non détectés, les séries de données posent inévitablement le problème des CSD. Avant d’utiliser UR et de cointégrer les tests, CSD nous permet de sélectionner la méthode la plus efficace pour résoudre les problèmes qui ont été révélés. La recherche a utilisé une approche plus sophistiquée basée sur Tang et al.45, le test CD pour valider la CSD. De plus, l’article adopte le test SH de Zhuang et al.46, qui est meilleur que les analyses d’hétérogénéité conventionnelles comme SURE qui ne permettent pas la CSD dans les panneaux47. Les formules d’analyse de l’hétérogénéité des pentes sont les suivantes :

Équation 13(2)

Équation 14(3)

Test des racines unitaires (URT)

Une étape supplémentaire consiste à utiliser les expériences appropriées sur les racines unitaires afin d’assurer l’ordre d’intégration une fois l’hétérogénéité du CSD et des pentes vérifiées. L’ordre d’intégration pour tous les facteurs est déterminé par les modèles Dickey-Fuller augmenté transversalement (CADF) et IPS amplifié transversalement (CIPS). Les tests de première génération correspondent aux deux premiers URT, tandis que les analyses SGN constituent le troisième URT. Puisqu’ils permettent la CSD tout en calculant les racines unitaires variables, CIPS est meilleur. Les tests racines unitaires conventionnels en panel donnent de fausses conclusions lorsque la CSD est présente. Malgré cela, la recherche actuelle utilise des tests de racines unitaires basiques et sophistiqués pour des estimations objectives et cohérentes. Voici l’équation CIPS :

Équation 15(4)

L’équation ci-dessous utilise le symbole pour indiquer la moyenne sur différentes sections.

Équation 17(5)

Les tests statistiques CIPS sont les suivants :

Équation 18(6)

Essais de cointégration en panel

Les auteurs estiment ensuite le lien de cointégration entre les émissions de dioxyde de carbone et leurs causes, y compris l’IDE sortant chinois, le TD, le TI et l’expansion économique, après avoir confirmé la CDS, l’hétérogénéité des pentes et le niveau de stationarité de la variation. La recherche y parvient en utilisant l’approche de cointégration des panels, qui permet de donner des prédictions réalistes lorsque des facteurs erronés dépendent transversalement et que les panels sont diversifiés. Puisque ce test n’impose pas de contraintes d’éléments typiques lors de la prise en compte des CSD et des défaillances structurelles, il est préférable aux tests de cointégration de première génération. De plus, les méthodes traditionnelles d’estimation en panel utilisant une hétérogénéité non observée, des modèles à effets fixes et des variables instrumentales ne prennent pas en compte la CSD de variance constante, ce qui entraîne des estimations inexactes. Contrairement au test de cointégration de deuxième génération, la technique de cointégration en panel traite les ruptures structurelles à différents endroits pour chaque section transversale, en plus des CSD, SH et la corrélation sérielle des expressions erronées. L’article inclut le test de cointégration. La dégradation structurelle et les changements de paradigme affectent les valeurs authentiques. Cette analyse fournit des prédictions de cointégration sans pollution, rupture de niveau ni changement de paradigme (Tableau 4).

Retards distribués autorégressifs augmentés en section transversale

Les auteurs peuvent désormais envisager des évaluations expérimentales du lien à long terme entre les gaz à effet de serre et leurs moteurs. Le modèle de prédiction traditionnel présuppose une stabilité transversale, ce qui n’est pas le cas lors des premières investigations. Étant donné que la quantité de pollution carbonée est contrôlée par des variables pertinentes invisibles qui induisent la dépendance aux termes d’erreur transversale, c’est une hypothèse peu plausible. Plusieurs facteurs, dont la montée inégale et soudaine des IDE externes chinoises ainsi que le changement des cadres financiers et politiques, confèrent une crédibilité conceptuelle à la dépendance transversale au programme de la Ceinture et la Route. Cela s’explique par le fait que les caractéristiques naturelles peuvent être déformées par la présence de variables pertinentes invisibles liées à l’analyse de régression. L’estimation CS-ARDL offre la meilleure solution au problème de dépendance à la section efficace et d’hétérogénéité des pentes. Proposez une stratégie dynamique d’effets communs corrélés que la méthode CS-ARDL utilise pour répondre à ces préoccupations. Cela nous amène à la dérivation suivante de la formule CS-ARDL :

Équation 19(7)

Les modèles simples de retards distribués autorégressifs (ARDL) ont la fonction linéaire illustrée ci-dessus dans l’équation (7) ; Si les auteurs poursuivent cette formule, ils obtiendront des résultats mitigés selon que des dépendances transversales apparaissent ou non. L’équation (7) est généralisée pour fournir l’équation (8) en faisant une moyenne sur les sections efficaces. L’impact du point de coupure n’est présent que si l’on prend en compte la dépendance transversale, et cette procédure aidera à éliminer cette hypothèse potentiellement trompeuse.

Équation 20(8)

Où Xt-1 = (CO2i,t–1, Zi,t–1) peut être considéré comme la moyenne des variables dépendantes et indépendantes, Pw,P z,P x Identifiez tous les délais à l’intérieur de chaque paramètre. LeCO2i,t, les émissions de dioxyde de carbone (tCO2) sont un exemple de variable dépendante, et Zi,t est un vecteur qui inclut tous les différents facteurs. Les moyennes transversales (y compris les variables fictives ou de motif temporel) sont indiquées par X pour montrer comment elles peuvent être utilisées pour éviter la CSD causée par des effets d’entraînement. Le CS-ARDL utilise des coefficients à court terme comme entrées pour calculer les coefficients à long terme. Pour l’estimateur moyen du nombre et le coefficient à long terme.

Équation 26(9)

Le groupe moyen est donné comme suit :

Équation 27(10)

Les coefficients à court terme sont estimés comme suit :

Équation 28(11)

Où,

Équation 29(12)

Équation 30(13)

 Équation 31(14)

 Équation 32(15)

En cas de perturbation ou de délai nécessaire pour atteindre un équilibre constant, les procédures de correction d’erreur pour les CS-ARDL sont comparables à celles d’un panneau moyen organisé, qui fixe le rythme de modification vers un équilibre prolongé.

Estimateurs de robustesse

Les procédures d’estimation traditionnelles s’opposent fortement à l’existence reconnue par ce comité de l’hétérogénéité des pentes et de la décomposition de la variance. De plus, la recherche utilise la mesure du panel moyen à effet connexe ordinaire établie par Pesaran pour confirmer des choses similaires. Même avec la DCC, l’hétérogénéité, l’endogénéité et la non-stationnalité, le CCEMG peut être utilisé efficacement (Tableau 5). Elle présente également des problèmes de corrélation, notamment avec les divisions transversales. Voici la formule CCEMG :

Équation 33(16)

Causalité de Granger

La causalité de Granger est utilisée pour analyser les composantes de l’article et leur possible relation de contribution. En raison de ses hypothèses fondamentales, cette méthode fonctionne mieux avec des écrans variés. Face au test d’hypothèse de causalité entre variables, l’hypothèse nulle de l’analyse de régression multiple DH est qu’il n’y a pas de causalité. Voici une description de la structure pratique du test de causalité DH Granger :

Équation 34(17)

Pour un modèle autorégressif, l’estimateur est noté j et les variables autorégressives sont représentées par βj(j)

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Les résultats présentés démontrent efficacement l’utilité de la technique de Cross-sectionally Augmented Autoregressive Distributed Lag (CS-ARDL) pour capturer des relations économiques complexes et réelles (Figure 2). Par exemple, l’impact divergent à long terme de l’investissement direct étranger (IDE) sur les émissions de carbone est négatif dans certaines régions, comme l’Asie du Sud-Est, mais positif dans d’autres, comme l’Asie du Sud, illustrant l’hétérogénéité des pentes que le modèle...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Les résultats de ce travail empirique offrent une histoire riche et nuancée sur l’impact environnemental possible de l’intégration économique dans le cadre de l’Initiative Belt and Road et transcendent les dichotomies simplistes qui tendent à définir la littérature. Tester l’hétérogénéité de la pente et la dépendance transversale ne doit pas être introduit dès le départ comme une simple démarche méthodologique, mais plutôt comme un point fondamental ; il faut reconnaître que les relation...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Tous les auteurs déclarent ne pas avoir de conflit d’intérêts.

Remerciements

Aucun financement n’a été reçu pour ce travail de recherche.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Analyse de la causalitéTest de causalité de Granger en panel hétérogène par Dumitrescu et Hurlin (2012)Pour déterminer la direction des relations causales entre les variables (par exemple, l’IDE Granger-elle provoque-t-elle des émissions de CO2 ?).
Test de dépendance transversale (CSD)Test de dépendance transversale (CD) de Pesaran (2015)Tester diagnostiquement l’hypothèse nulle d’indépendance de la section transversale parmi les termes d’erreur des unités de panneau.
Terme d’interaction FDI-TDCalculé comme le produit de la série d’indices IDE et développement touristique (TD).Saisir l’effet synergique ou modérateur que l’IDE axée sur les infrastructures a sur la relation entre le développement touristique et les émissions de carbone.
Données sur l’investissement direct étranger (IDE)Ministère du Commerce de la République populaire de Chine (MOFCOM)Source des données sur les stocks d’IDE chinois à l’extérieur vers les pays de l’Initiative de la Ceinture et la Route (BRI).
Estimation à court et long termeModèle de décalage distribué autorégressif en section transversale (CS-ARDL)L’estimateur principal consiste à déduire à la fois les coefficients à court et à long terme pour l’impact des variables indépendantes sur les émissions de CO2, tout en tenant compte de la DCS et de l’hétérogénéité.
Données du panel macroéconomiqueBanque mondiale, Indicateurs du développement mondial (WDI)Source principale de données sur les émissions de CO2, le PIB, la valeur ajoutée industrielle (IVA) et les indicateurs de tourisme (arrivées, recettes).
Essais de cointégration en panelWesterlund et Edgerton (2008) test de cointégration avec ruptures structurellesTester l’existence d’une relation de cointégration à long terme entre les variables, en tenant compte des CSD et des ruptures structurelles.
Estimateur de vérification de robustesseGroupe moyen des effets couronnés communs (CCEMG)Un estimateur alternatif utilisé pour vérifier la robustesse des coefficients à long terme obtenus à partir du modèle CS-ARDL.
Tests racines unitaires de deuxième générationDickey-Fuller augmenté en section transversale (CADF) et IPS augmenté en coupe transversale (CIPS)Déterminer l’ordre d’intégration des variables (CO2, FDI, TD, TI, PIB, IVA) en présence de dépendance transversale.
Test d’hétérogénéité des pentes (SH)Pesaran et Yamagata (2008) Essais Delta et Delta modifiésTester diagnostiquement l’hypothèse nulle des pentes homogènes à travers les sections transversales du panneau.
PIB au carré (SQGDP)Calculé comme le carré de la série PIB par habitant (ou PIB total).Tester empiriquement la présence de l’hypothèse de la courbe de Kuznets environnementale (EKC) dans le modèle.
Logiciel statistiqueNon spécifié dans le protocole, mais essentiel pour l’analyse (par exemple, Stata, R, EViews)Plateforme pour la gestion des données, la construction de variables et l’exécution de tous les tests et estimations économétriques (CSD, SH, racine unitaire, cointégration, CS-ARDL, CCEMG, causalité).
Données sur l’innovation technologiqueBanque mondiale, Indicateurs du développement mondial (WDI)Source des données de brevets (résidentes et non résidentes) utilisées pour construire l’indice Technology Innovation (TI).
Indice de développement du tourisme (TD)L’analyse des composantes principales (ACP) s’appliquait aux arrivées, recettes et dépenses du tourisme.Créer un indice unique et composite qui capture l’activité touristique globale et évite la multicolinéarité liée à l’utilisation de métriques touristiques individuelles.

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Investissement direct étrangerDéveloppement du tourismeInnovation technologiqueHétérogénéité régionaleARDL en coupe transversaleAnalyse de données de panelCourbe environnementale de KuznetsInvestissement dans les infrastructures

Cet article a été publié

Vidéo bientôt disponible

Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.