È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo di ricerca

L'influenza delle politiche e delle tecnologie ambientali sulla transizione alle energie rinnovabili

89 visualizzazioni

⸱

DOI:

10.3791/71760

⸱

7 agosto 2026

 ,  ,  ,  , 
1University of Southampton, 2School of Marxism, Nanchang University, 3School of Public Finance and Taxation, Lanzhou University of Finance and Economics, 4Hongshan College, Nanjing University of Finance & Economics, 5Nanjing University of Finance & Economics

In questo articolo

Sommario

Questo studio su 21 paesi OCSE (2000-2020) rileva che l'Indice delle Politiche Ambientali, le emissioni di gas serra e le tecnologie ambientali facilitano l'adozione delle energie rinnovabili, mentre il PIL Verde la ostacola. Esiste una relazione causale bidirezionale tra tutte le variabili. Il ritmo della transizione rimane insufficiente, richiedendo riforme politiche e tasse sull'inquinamento.

Abstract

La capacità di energia rinnovabile (REC) svolge un ruolo centrale nel raggiungimento dello sviluppo sostenibile e della neutralità carbonica, tuttavia gli effetti delle prestazioni delle politiche ecologiche, della qualità ambientale, dell'innovazione tecnologica e della crescita economica verde sulla REC rimangono eterogenei tra i paesi e le fasi dello sviluppo delle energie rinnovabili. Questo studio indaga i determinanti della capacità di energia rinnovabile in 21 paesi OCSE dal 2000 al 2020, concentrandosi sulle performance delle politiche ecologiche (EPI), sulle emissioni di gas serra (GHG), sulle tecnologie ecologiche (EFT) e sul PIL verde. Il quadro empirico utilizza l'approccio di test dei limiti Panel Autoregressive Distributed Lag (ARDL) per esaminare la cointegrazione a lungo termine, la Method of Moments Quantile Regression (MMQR) per catturare effetti eterogenei nella distribuzione condizionata della REC, e i test di causalità Panel Granger per determinare la direzione delle relazioni causali. Il test dei limiti Panel ARDL conferma una relazione stabile di equilibrio a lungo termine tra le variabili (F = 7,845, p < 0,01). I risultati dell'MMQR mostrano che l'EPI esercita un effetto positivo e progressivamente più forte tra i quantili (0,092–0,212), mentre l'EFT mostra il gradiente positivo più ripido (0,131–0,221) e dimostra causalità bidirezionale con la REC, indicando un ciclo di rafforzamento tra innovazione tecnologica e implementazione delle energie rinnovabili. Le emissioni di gas serra hanno un'associazione positiva modesta con la REC (0,048–0,082) ma non causano REC in modo unidirezionale; Al contrario, una maggiore capacità di energia rinnovabile riduce significativamente le emissioni. Il PIL verde mostra costantemente un effetto negativo sul REC (−0,348 a −0,138), anche se questo effetto si indebolisce con i quantili di capacità energetica rinnovabile più elevati, suggerendo un aggiustamento transitorio durante il passaggio verso un'economia più verde. Questi risultati indicano che gli effetti delle politiche ambientali, dell'innovazione tecnologica, delle emissioni e della performance economica verde dipendono dalle fasi, evidenziando la necessità di quadri politici specifici per l'implementazione, investimenti sostenuti nella ricerca e sviluppo verdi e strumenti politici complementari per mitigare i costi di aggiustamento a breve termine accelerando al contempo la transizione alle energie rinnovabili.

Introduzione

L'aumento della domanda energetica globale ha intensificato la necessità di una rapida transizione verso fonti di energia pulita. Sebbene le energie rinnovabili rappresentassero circa il 30% della crescita dell'offerta di energia solare, i combustibili fossili continuano a dominare la domanda energetica incrementale, causando l'accumulo continuo di anidride carbonica (CO2) e minacciando il raggiungimento degli obiettivi dell'Accordodi Parigi 1. Una comprensione sistematica delle tendenze degli investimenti energetici sostenibili, illustrata dalla mappatura scientifica e dalla meta-analisi presentate in Financing the Future: Insights into Sustainable Energy Investments, evidenzia la convergenza delle trasformazioni politiche, finanziarie e tecnologiche avvenute nelle economie OCSE tra il 2000 e il 20202. Questo periodo ventennale, che comprende 21 paesi OCSE, offre un contesto ideale per valutare i determinanti di lungo termine dell'impiego delle energierinnovabili 3. La transizione alle energie rinnovabili dipende dall'efficace interazione tra governance ambientale, investimenti finanziari e innovazionetecnologica 4. Una recente revisione sistematica ha identificato fattori economici e politici come i principali motori dell'espansione delle energie rinnovabili. Le analisi di soglia dei paesi OCSE hanno inoltre dimostrato che la rigore delle politiche ambientali favorisce l'impiego di energie rinnovabili solo dopo aver superato una sogliacritica 5, mentre la diffusione di tecnologie ecologiche richiede analogamente investimenti sostenuti prima che si realizzino beneficisignificativi 6. Inoltre, analisi dinamiche di regressione quantile in panel in 77 paesi hanno dimostrato che le tecnologie ecologiche promuovono significativamente il consumo di energia rinnovabile, in particolare nelle economie in viadi sviluppo 7.

Nonostante questi progressi, rimangono diverse importanti lacune nella ricerca. Gli studi esistenti esaminano tipicamente le politiche ambientali e l'innovazione tecnologica in isolamento, trascurando le loro potenziali sinergie nell'implementazione delle energie rinnovabili. Inoltre, la capacità di energia rinnovabile (REC), utilizzata in questo studio come variabile dipendente, ha ricevuto un'attenzione limitata all'interno di quadri empirici integrati che considerano contemporaneamente politiche ambientali, innovazione tecnologica, emissioni e performance economicaverde 8. Inoltre, lo slancio verso l'adozione delle energie rinnovabili nelle economie avanzate si è rallentato. Le emissioni di gas serra (GHG) dell'OCSE rimangono elevate, mentre la rigore delle politiche climatiche è aumentata solo dell'1% nel 2024, evidenziando una lacuna di attuazione che richiede un'indagine più approfondita sui fattori che determinano le energie rinnovabili nelle economiead alto reddito 9. Di conseguenza, questo studio esamina i determinanti della capacità di energia rinnovabile in 21 paesi OCSE dal 2000 al 2020 utilizzando come variabili esplicative l'Indice di Prestazione Ecologica (EPI), le emissioni di gas serra (GHG), la tecnologia ecologica (EFT) e il PIL verde. Dopo test diagnostici preliminari, viene utilizzato il test di cointegrazione dei limiti Panel ARDL per stabilire relazioni di equilibrio a lungo termine, il Metodo dei Momenti di Regressione Quantile (MMQR) viene applicato per catturare l'eterogeneità distribuzionale, e vengono effettuati test di causalità panel per determinare la direzione delle relazionicausali 10. I risultati dimostrano che EPI ed EFT esercitano effetti positivi significativi solo oltre specifiche soglie, mentre l'influenza del PIL Verde varia nella distribuzione condizionata della capacità di energia rinnovabile, sottolineando l'importanza di politiche ambientali coordinate, innovazione tecnologica e strategieeconomiche 11. Modellando esplicitamente gli effetti congiunti delle prestazioni delle politiche ambientali e dello sviluppo tecnologico su diversi livelli di capacità energetica rinnovabile, questo studio fornisce evidenze più sfumate a sostegno della formulazione di politiche sulle energie rinnovabili.

I fattori determinanti della transizione alle energie rinnovabili sono stati ampiamente studiati; tuttavia, la comprensione rimane vincolata da prospettive teoriche frammentate e da analisi empiriche prevalentemente descrittive piuttosto cheintegrative 12. In particolare, i principali fattori che determinano l'implementazione delle energie rinnovabili, tra cui la performance delle politiche ambientali, la tecnologia ecologica, le emissioni di gas serra e la produzione economica adeguata per il verde, sono raramente stati esaminati all'interno di un quadro analitico unificato che consideri l'interconnessione dei mercati finanziari e la digitalizzazione della finanzaverde 13.

Le prestazioni delle politiche ambientali, comunemente misurate tramite indicatori compositi come l'Indice di Prestazione Ecologica (EPI), occupano una posizione centrale nella letteratura sulle energierinnovabili 14. I primi studi hanno dimostrato che le normative ambientali ben progettate riducono l'incertezza sugli investimenti e forniscono segnali di mercato prevedibili che incoraggiano investimenti a basse emissionidi carbonio 15. Studi di panel più recenti su paesi OCSE che utilizzano stimatori a effetti fissi e metodo di momenti generalizzato di sistema hanno riportato che un aumento di un'unità della rigore delle politiche ambientali è associato a un aumento dello 0,34% nella generazione di energiarinnovabile 16. Tuttavia, una valutazione critica di questa letteratura indica che gli effetti positivi della rigore delle politiche diminuiscono a livelli molto elevati a causa della faticaregolatoria 17. Inoltre, l'attenzione esclusiva sulle economie ad alto reddito limita la validità esterna di questi risultati. Una meta-analisi completa di 89 studi empirici ha concluso che gli strumenti politici basati sul mercato, inclusi i carboni tax e i sistemi di scambio delle emissioni, superano costantemente le normative di comando e controllo nella promozione della capacità di energiarinnovabile 18. Sebbene questa meta-analisi abbia sintetizzato evidenze provenienti da diverse regioni geografiche e approcci metodologici, gli autori hanno sottolineato che l'efficacia delle politiche rimane sostanzialmente maggiore nei paesi con maggiore capacità istituzionale, evidenziando un importante divario geografico nellaletteratura 19. Inoltre, gli studi orientati alle politiche generalmente trattano i mercati delle energie rinnovabili come indipendenti dai sistemi finanziari più ampi, trascurando la possibilità che gli spillover finanziari tra i mercati possano rafforzare o indebolire l'efficacia dellepolitiche 20.

Un secondo corpus di letteratura identifica la tecnologia ecologica (EFT) come un importante catalizzatore per ridurre i costi delle energie rinnovabili e accelerare la diffusione della tecnologia. Evidenze empiriche basate su dati brevettuali di 25 paesi europei hanno dimostrato che un aumento del 10% delle domande di brevetto ambientali ha ridotto il costo livellato dei sistemi fotovoltaici solari dell'1,8% e dell'energia eolica terrestre del 2,3%. Sebbene questi studi impieghino metodi econometrici rigorosi, si basano principalmente su indicatori di innovazione convenzionali e non tengono conto dell'importanza crescente della finanza verde digitale e della tecnologia finanziaria (FinTech) nel facilitare gli investimenticlimatici 22. Recenti evidenze provenienti dalle economie emergenti dell'Organizzazione per la Cooperazione Islamica (OIC) indicano che i servizi finanziari digitali rafforzano le politiche ambientali riducendo i costi di transazione e ampliando l'accesso al finanziamentoverde 23. Di conseguenza, misurare l'EFT esclusivamente attraverso l'attività brevettuale può sottovalutare le interazioni tra le politiche ambientali e i meccanismi finanziari abilitati dallatecnologia 24. Inoltre, studi sulla diffusione tecnologica riportano notevoli effetti di spillover transfrontalieri, con innovazioni originate in Germania e Danimarca che contribuiscono in modo significativo al dispiegamento globale dell'energiaeolica 25. Tuttavia, queste indagini raramente considerano come il contagio finanziario nei mercati dell'energia pulita influenzi la diffusione della tecnologia ecologica. Recenti evidenze sull'interconnessione dinamica tra mercati verdi, energetici puliti e finanziari sostenibili dimostrano notevoli scorrimenti di volatilità, suggerendo che shock che colpiscono un segmento del sistema finanziario verde possono influenzare rapidamente gli investimenti nelle energierinnovabili 26. Di conseguenza, interpretare l'EFT esclusivamente come un indicatore nazionale basato su brevetti trascura l'ambiente finanziario più ampio attraverso il quale avviene sempre più la diffusionetecnologica 27.

Il rapporto tra le emissioni di gas serra (GHG) e il dispiegamento delle energie rinnovabili rimane controverso. Secondo l'ipotesi della "pressione politica", l'aumento delle emissioni stimola la domanda pubblica per politiche di decarbonizzazione più forti e un aumento degli investimenti nelle energie rinnovabili. Un'analisi di panel con rilag incrociato su 34 paesi OCSE supporta questa ipotesi, dimostrando che un aumento di una deviazione standard delle emissioni pro capite di gas serra prevede un successivo aumento di 0,21 deviazioni standard negli investimenti nelle energie rinnovabili dopo dueanni e 28. Tuttavia, questi risultati si basano esclusivamente su economie avanzate con una qualità istituzionale relativamente forte, il che ne limita l'applicabilità ai paesi in via di sviluppo ad alta intensità di carbonio. Evidenze alternative suggeriscono una relazione non lineare in cui potenti interessi nei combustibili fossili limitano sempre più le politiche sulle energie rinnovabili una volta che le emissioni superano una sogliacritica di 29. Analisi di regressione di soglia utilizzando dati di 60 paesi hanno identificato una relazione a forma di U invertita, con il punto di svolta che varia in base alla qualità istituzionale e alla dipendenza dalle risorsenaturali 30. È importante sottolineare che questi studi generalmente trascurano l'influenza moderatrice dell'interconnessione dei mercati finanziari. Durante i periodi di aumento delle emissioni, il sentimento negativo degli investitori può riversarsi sui mercati finanziari delle energie pulite, limitando il finanziamento delle energie rinnovabili proprio quando la domanda di investimento è maggiore. Evidenze recenti sulla trasmissione della volatilità tra i mercati supportano questo meccanismo e suggeriscono che gli spillover finanziari possano complicare la relazione positiva attesa tra emissioni e investimenti nelle energierinnovabili 31,32.

Il PIL verde, definito come prodotto interno lordo rettificato per degrado ambientale e esaurimento delle risorse naturali, fornisce una misura più completa della performance economica sostenibile rispetto alPIL convenzionale 33. Tuttavia, le evidenze empiriche riguardo al suo rapporto con la capacità di energia rinnovabile restano contrastanti. Alcuni studi sostengono che i miglioramenti del PIL Verde riducano l'urgenza percepita degli investimenti nelle energie rinnovabili segnalando un danno ambientale inferiore per unità di produzioneeconomica 34. Al contrario, altre indagini suggeriscono che una crescita sostenuta del PIL Verde riflette una trasformazione strutturale verso economie orientate ai servizi e meno intensiva energeticamente che facilitano l'integrazione delle energierinnovabili 35. Le analisi di cointegrazione di panel che coprono 40 paesi tra il 2000 e il 2018 forniscono evidenze di asimmetria temporale, rivelando un effetto negativo nel breve periodo del PIL Verde sulla capacità di energia rinnovabile ma una relazione positiva a lungo termine dopo una crescita economica verdesostenuta 36. Sebbene queste prove si basino su ampi dataset e lunghi periodi di osservazione, non tengono conto degli effetti degli shock finanziari globali. Durante episodi di instabilità finanziaria, le scarse di volatilità nei mercati finanziari verdi possono indebolire la relazione tra PIL Verde e capacità di energia rinnovabile limitando i flussi di investimenti nei progetti di energia rinnovabile, nonostante i miglioramenti nelle performanceambientali 37,38.

In sintesi, le ricerche esistenti hanno migliorato sostanzialmente la nostra comprensione dei determinanti dell'impiego delle energie rinnovabili; tuttavia, rimangono importanti lacune. Studi precedenti hanno generalmente esaminato in modo indipendente le politiche ambientali, l'innovazione tecnologica, le emissioni di gas serra e le performance economiche verdi, piuttosto che all'interno di un quadro analitico integrato. Inoltre, la tecnologia ecologica viene ancora misurata principalmente utilizzando indicatori di innovazione convenzionali. Per affrontare queste limitazioni, questo studio indaga la capacità di energia rinnovabile in 21 paesi OCSE nel periodo 2000–2020 utilizzando l'Indice di Prestazione Ecologica, le emissioni di gas serra, la tecnologia ecologica e il PIL Verde come variabili esplicative. Applicando il Metodo dei Momenti di Regressione Quantile, lo studio cattura effetti eterogenei nella distribuzione della capacità di energia rinnovabile, fornendo una comprensione più completa dei fattori politici, tecnologici ed economici che stanno influenzando la transizione alle energie rinnovabili. Le ricerche future dovrebbero incorporare indicatori FinTech e misure del rischio finanziario per far progredire ulteriormente questo campo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Filosofia e progettazione della ricerca
Questo studio adotta una filosofia di ricerca positivista, assumendo che i determinanti della capacità di energia rinnovabile (REC) possano essere esaminati oggettivamente tramite analisi quantitative di dati in panel. Viene utilizzato un disegno longitudinale e transnazionale per indagare le relazioni a lungo termine tra la capacità di energia rinnovabile e i suoi determinanti in 21 paesi dell'Organizzazione per la Cooperazione e lo Sviluppo Economico (OCSE) nel periodo 2000–2020. Guidati dall'identità di Kaya, viene utilizzato un approccio deduttivo-analitico per sviluppare il modello empirico e testare le relazioni ipotizzate tra capacità energetica rinnovabile, performance delle politiche ecologiche, emissioni di gas serra (GHG), tecnologie ecologiche (EFT) e PIL verde. Il quadro analitico integra la raccolta dati, i test diagnostici, l'analisi di cointegrazione, la regressione quantile e l'analisi delle causalità in panel per garantire coerenza metodologica e un'inferenza statistica robusta.

Raccolta dati e variabili
Lo studio utilizza un dataset di panel bilanciato che comprende 21 paesi OCSE osservati annualmente dal 2000 al 2020, con un risultato di 441 osservazioni per anno-paese. I dati sono stati ottenuti da database pubblici e riconosciuti a livello internazionale per garantire trasparenza e riproducibilità. La Tabella 1 riassume le variabili, le unità di misura, le fonti di dati e i segni attesi. La capacità di energia rinnovabile (REC) è utilizzata come variabile dipendente ed è misurata come la capacità totale installata di generazione di energia rinnovabile (MW). Le variabili esplicative includono l'Indice di Prestazione Ecologica (EPI), le emissioni di gas serra (GHG) (tonnellate equivalenti CO₂), la tecnologia ecologica (EFT), misurata tramite domande di brevetto ambientali, e il PIL verde, misurato come prodotto interno lordo aggiustato per degrado ambientale e esaurimento delle risorse naturali (USD costante nel 2015). La capacità di energia rinnovabile, l'IPI, le emissioni di gas serra e l'EFT sono stati ottenuti dal database delle statistiche dell'OCSE, mentre il PIL verde è stato ottenuto dal database della Banca Mondiale. Tutte le variabili sono state trasformate in logaritmi naturali prima della stima per stabilizzare la varianza, ridurre l'eteroscedasticità e facilitare l'interpretazione dell'elasticità.

Quadro teorico e specifica del modello
Il quadro empirico si basa sulla Kaya Identity39, che decompone le emissioni di anidride carbonica in popolazione, attività economica, intensità energetica e intensità di carbonio, fornendo così una base teorica per comprendere i fattori che determinano la sostenibilità ambientale:

figure-protocol-1 (1)

dove ilCO2 rappresenta le emissioni di anidride carbonica; CO2/Energia indica l'intensità di carbonio del consumo energetico; Energia/PIL Verde rappresenta l'intensità energetica della produzione economica adeguata ambientalmente; Il PIL/Popolazione verde indica il prodotto interno lordo pro capite rettificato ambientalmente; e la popolazione rappresenta la popolazione totale.

Le variabili esplicative corrispondono direttamente ai componenti teorici dell'Identità di Kaya. L'Indice di Prestazione Ecologica rappresenta la performance delle politiche ambientali volte a promuovere sistemi energetici più puliti. La tecnologia ecologica riflette l'innovazione tecnologica che migliora l'efficienza energetica e riduce i costi delle energie rinnovabili. Le emissioni di gas serra rappresentano una pressione ambientale per la decarbonizzazione, mentre il PIL verde cattura la performance economica adeguata ambientalmente. Sulla base di questo quadro, si stima che il seguente modello empiricosia 39:

figure-protocol-2 (2)

dove REC indica la capacità di energia rinnovabile; L'EPI rappresenta l'Indice di Prestazione Ecologica; I gas serra indicano le emissioni di gas serra; L'EFT rappresenta una tecnologia ecologica; Il PIL verde indica il prodotto interno lordo aggiustato ambientalmente; i indica i paesi; T indica anni; τ0 è l'intercettazione; τ1–τ 4 sono i coefficienti di regressione stimati; εè il termine di errore idiosincratico.

Test diagnostici
Prima di stimare i modelli empirici, è stata condotta una serie di test diagnostici per valutare le proprietà statistiche dei dati del panel e identificare le tecniche di stima appropriate. Innanzitutto, la dipendenza trasversale è stata esaminata utilizzando il test34 della dipendenza trasversale (CD) di Pesaran, poiché i paesi OCSE probabilmente sperimenteranno shock comuni derivanti dalle condizioni economiche globali, dai mercati energetici internazionali e da politiche ambientali coordinate:

figure-protocol-3 (3)

dove N indica il numero di unità di sezione trasversale; T indica il numero di periodi storici; i e k indicano le unità di sezione trasversale (i ≠ k); figure-protocol-4 rappresenta il coefficiente di correlazione stimato a coppie dei residui di regressione tra le unità di sezione trasversale i e k; j indica l'ordine di ritardo; E(·) rappresenta il valore atteso; e V(·) indica la varianza utilizzata per standardizzare la statistica del test. In secondo luogo, l'eterogeneità delle pendici è stata valutata utilizzando il test di eterogeneità delle pendici di Pesaran–Yamagata per determinare se gli effetti delle variabili esplicative differissero tra ipaesi. 40:

figure-protocol-5 (4)
figure-protocol-6 (5)

dove Δ̃adj indica la statistica del test di eterogeneità della pendenza aggiustata; N rappresenta il numero di unità di sezione trasversale; T indica il numero di periodi storici; k è il numero di variabili esplicative; e S̃ rappresenta la statistica standardizzata di dispersione della pendenza di Swamy utilizzata per valutare l'eterogeneità dei parametri tra le unità del pannello. Infine, la stazionarietà è stata valutata utilizzando il test unitario Im–Pesaran–Shin (CIPS) (Cross-sectionally Augmented Augmented Im–Pesaran–Shin), che comprende sia la dipendenza della sezione trasversale sia i coefficienti di pendenzaeterogenei 41:

figure-protocol-7 (6)

dove CIPS indica la statistica radice dell'unità di pannello Im–Pesaran–Shin Augmentata Sezione Trasversale; N rappresenta il numero di unità di sezione trasversale; CDFi indica la statistica di Dickey–Fuller aumentata in sezione trasversale per la iunità di sezione trasversale; e i indica le singole unità di sezione trasversale. I risultati di questi test diagnostici hanno guidato la selezione di tecniche econometriche di panel di seconda generazione adatte a dataset eterogenei di pannelli.

Test di cointegrazione a pannello
Per determinare se esista una relazione di equilibrio stabile a lungo termine tra capacità di energia rinnovabile, performance delle politiche ambientali, emissioni di gas serra, tecnologie ecologiche e PIL verde, è stato utilizzato il test di cointegrazione dei limiti Panel ARDL. Rispetto ai convenzionali test di cointegrazione basati su residui, l'approccio di Westerlund prende in considerazione dipendenza della sezione trasversale, coefficienti di pendenza eterogenei e campioni di piccole dimensioni. Il test produce quattro statistiche: due statistiche medie di gruppo (Gt eG a) e due statistiche del panel (Pt eP a). Il rifiuto dell'ipotesi nulla indica la presenza di una relazione di equilibrio di lungo corso tra levariabili 36,42:

figure-protocol-8 (7a)
figure-protocol-9 (7b)
figure-protocol-10 (7c)
figure-protocol-11 (7d)

dove Gt e Ga indicano le statistiche medie di gruppo del test di cointegrazione dei limiti Panel ARDL; Pt e Pa indicano le statistiche dei test del panel; N rappresenta il numero di unità di sezione trasversale; T indica il numero di periodi storici; figure-protocol-12 è il coefficiente stimato di correzione dell'errore per la i-esima unità di sezione trasversale; figure-protocol-13 rappresenta il coefficiente di correzione degli errori aggregato; SE(figure-protocol-14) e SE(figure-protocol-15) indicano i corrispondenti errori standard; e i indica le singole unità di sezione trasversale. La presenza di cointegrazione giustifica la stima delle elasticità a lungo termine e delle successive analisi basate su quantili.

Metodo dei momenti regressione quantile (MMQR)
Poiché i stimatori convenzionali a panel forniscono solo effetti medi, possono nascondere una sostanziale eterogeneità tra i paesi che operano a diversi livelli di utilizzo di energia rinnovabile. Per catturare questi effetti eterogenei, è stato utilizzato il Metodo della Regressione Quantile dei Momenti (MMQR).

Il MMQR stima gli effetti delle prestazioni delle politiche ecologiche, delle emissioni di gas serra, della tecnologia ecologica e del PIL verde su molteplici quanti condizionali della capacità di energia rinnovabile, permettendo così che l'influenza delle variabili esplicative vari in base alla maturità dell'impiego delle energie rinnovabili. Il metodo tiene conto contemporaneamente degli effetti fissi individuali e dell'eterogeneità non osservata, stimando sia i parametri di posizione chequelli di scala 43:

figure-protocol-16 (8)

dove Qτ(Yit | Xit) indica il quantile condizionale τth della variabile dipendente; Yrappresenta la capacità di energia rinnovabile (REC); X indica il vettore delle variabili esplicative (EPI, emissioni di gas serra, EFT e Green GDP); σ1 è l'intercettazione; ζ è il vettore dei parametri di posizione; αi rappresenta l'effetto fisso specifico per paese; Z indica le covariazioni della scala; γ è il vettore dei parametri della scala; Uè il termine di errore; e rispettivamente i e t indice e anni. La componente di scala del modello MMQR è specificata comesegue: 43:

figure-protocol-17 (9)

dove Zi(X) indica la funzione di scala delle variabili esplicative; Zi rappresenta il vettore delle covariabili di scala; X indica il vettore delle variabili esplicative; i indica le unità trasversali (paesi); e k indica il numero totale di variabili esplicative. Come analisi di robustezza, è stata anche stimata una regressione quantile convenzionale con errori standard bootstrapati per verificare la coerenza dei risultati MMQR.

Test di causalità del panel
La direzione delle relazioni causali tra capacità di energia rinnovabile, performance delle politiche ecologiche, emissioni di gas serra, tecnologia ecologica e PIL verde è stata esaminata utilizzando il test di non causalità di Dumitrescu–Hurlin PanelGranger 44. Questo approccio si adatta alla dipendenza trasversale e alle strutture eterogenee dei pannelli, identificando al contempo se le relazioni causali siano unidirezionali o bidirezionali.

L'analisi di causalità del panel integra le analisi di cointegrazione e MMQR distinguendo tra variabili che guidano la capacità di energia rinnovabile e quelle che rispondono ai cambiamenti nell'implementazione delle energie rinnovabili. Stabilire una direzione causale fornisce ulteriori evidenze per informare la priorità delle politiche e la sequenza degli interventi nelle energie rinnovabili.

Tutte le analisi statistiche sono state effettuate utilizzando software di analisi statistica. La sequenza analitica, dai test diagnostici e analisi di cointegrazione alla regressione quantile e ai test di causalità in panel, fornisce un quadro coerente e riproducibile per valutare i determinanti della capacità energetica rinnovabile nei paesi OCSE.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Statistica descrittiva
Le caratteristiche distributive delle variabili dello studio sono state esaminate prima della stima econometrica. La Tabella 2 riassume le statistiche descrittive per le variabili log-transformate in 21 paesi OCSE durante il periodo 2000–2020. La capacità di energia rinnovabile (REC), l'indice di performance ecologica (EPI), le emissioni di gas serra (GHG), la tecnologia ecologica (EFT) e il PIL verde hanno mostrato variazioni s...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Il presente studio ha esaminato i determinanti della capacità energetica rinnovabile in 21 paesi OCSE tra il 2000 e il 2020, integrando le prestazioni delle politiche ambientali, le emissioni di gas serra (SERRA), le tecnologie ecologiche (EFT) e il PIL verde all'interno di un quadro di regressione quantile del Metodo dei Momenti (MMQR). I risultati rivelano un'eterogeneità sostanziale nella distribuzione condizionata della capacità di energia rinnovabile, indicando che gli effetti di fa...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Tutti gli autori dichiarano che non ci sono conflitti di interesse.

Ringraziamenti

Questo lavoro è supportato dal Progetto di Ricerca in Filosofia e Scienze Sociali del Dipartimento dell'Istruzione della Provincia del Jiangsu (2022SJYB2268).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
CIPS unit root testStataCorpStata 18Implementato utilizzando il comando xtcips o multipurt per il test di radice di panel Cross-sectionally Augmented Im-Pesaran-Shin.
Cross-sectional dependence (CD) testStataCorpStata 18Implementato utilizzando il comando xtcsd per eseguire il test CD di Pesaran.
Dumitrescu–Hurlin panel Granger non-causality testStataCorpStata 18Implementato utilizzando il comando xtgcause per l'analisi di causalità di panel.
Eco-friendly technology (EFT)OECD StatisticsN/ADati sulle domande di brevetto relative all'ambiente recuperati dal database OECD Statistics (https://stats.oecd.org/).
Ecological Performance Index (EPI)OECD StatisticsN/ADati recuperati dal database OECD Statistics (https://stats.oecd.org/).
EViewsIHS Global Inc.Versione 14Software alternativo di analisi statistica per l'econometrics di panel.
Green GDPWorld BankN/ADati recuperati dal DataBank della Banca Mondiale (https://databank.worldbank.org/). In particolare, dati sui Risparmi Netti Aggiustati, che vengono utilizzati per calcolare il Green GDP.
Greenhouse gas (GHG) emissionsOECD StatisticsN/ADati recuperati dal database OECD Statistics (https://stats.oecd.org/).
Method of Moments Quantile Regression (MMQR)StataCorpStata 18Implementato utilizzando il comando mmqreg, che deve essere installato dall'archivio Statistical Software Components (SSC).
Pesaran–Yamagata slope heterogeneity testStataCorpStata 18Implementato utilizzando il comando xttest3 o xthetero.
RR FoundationVersione 4.6.0 o superioreAlternativa open-source per il calcolo statistico.
Renewable energy capacity (REC)OECD StatisticsN/ADati recuperati dal database OECD Statistics (https://stats.oecd.org/).
StataStataCorpVersione 18Software principale utilizzato per tutte le analisi statistiche, inclusi i test diagnostici, la cointegrazione, la regressione quantilica e i test di causalità di panel.
Westerlund panel cointegration testStataCorpStata 18Implementato utilizzando il comando xtwest, che deve essere installato dall'SSC

Riferimenti

  1. Hassan Q, et al. The renewable energy role in the global energy Transformations. Renewable Energy Focus. 2024 Mar 1;48:100545.
  2. Wang Z, et al. The transition of renewable energy and ecological sustainability through environmental policy stringency: Estimations from advanced panel estimators. Renew Energy. 2022;188:70-80.
  3. Zhang D, Kong Q. Green energy transition and sustainable development of energy firms: An assessment of renewable energy policy. Energy Econ. 2022;111:106060.
  4. Zhou X, et al. Transition to renewable energy and environmental technologies: The role of economic policy uncertainty in the top five polluted economies. J Environ Manage. 2022;313:115019.
  5. Ullah S, Luo R, Nadeem M, Cifuentes-Faura J. Advancing sustainable growth and energy transition in the United States through the lens of green energy innovations, natural resources and environmental policy. Resour Policy. 2023;85:103848.
  6. Yin HT, Wen J, Chang CP. Going green with artificial intelligence: The path of technological change toward the renewable energy transition. Oecon Copernicana. 2023;14(4):1059-1095.
  7. Niaz MS, Khoso AK, Talpur KR, Talpur BA. Beyond the curve: How economic complexity and pandemics reshape the energy-emissions nexus in Asia. IEEE Access. 2026;14:22946-22957.
  8. Rabbani MR, Kiran M. Financing the future: Insights into sustainable energy investments through scientific mapping and meta-analysis. Discov Sustain. 2025;6(1):34.
  9. Obrero EJ, Mohamed N. The nexus between carbon pricing, clean fuel technology, and renewable energy sources: implications for carbon emission reduction. Climate Economics and Social Impact (CESI). 2023;1(1):55-67.
  10. Sahoo M, Sethi N, Padilla MA. Unpacking the dynamics of information and communication technology, control of corruption, and sustainability in green development in developing economies: New evidence. Renew Energy. 2023;216:119088.
  11. Liu H, Zhu Q, Khoso WM, Khoso AK. Spatial pattern and the development of green finance trends in China. Renew Energy. 2023;211:370-378.
  12. Behera B, Sucharita S, Patra B, Sethi N. A blend of renewable and non-renewable energy consumption on economic growth in India: The role of disaggregate energy sources. Environ Sci Pollut Res. 2024;31(3):3902-3916.
  13. Sabbar SS. An econometric analysis of the causes of environmental degradation in developing countries. Climate Economics and Social Impact (CESI). 2023;1(1):24-38.
  14. Saleh HM, Hassan AI. The challenges of sustainable energy transition: A focus on renewable energy. Appl Chem Eng. 2024;7(2):2084.
  15. Rabbani MR, Kiran M. The nexus of FinTech, environmental sustainability, and climate change: Insights from OIC emerging economies. Sustain Futures. 2025;10:100986.
  16. Javed A, et al. Do green technology innovation, environmental policy, and the transition to renewable energy matter in times of ecological crises? A step toward ecological sustainability. Technol Forecast Soc Change. 2024;207:123638.
  17. Omri A, Jabeur SB. Climate policies and legislation for renewable energy transition: The roles of the financial sector and political institutions. Technol Forecast Soc Change. 2024;203:123347.
  18. Das A, Sethi N. Modelling the environmental pollution-institutional quality nexus in low- and middle-income countries: Exploring the role of financial development and educational level. Environ Dev Sustain. 2023;25(2):1492-1518.
  19. Ghaffar A, Sardar M. Different regions' climate vulnerability and the success of transitioning to renewable energy. Climate Economics and Social Impact (CESI). 2023;1(1):39-54.
  20. Liza FF, et al. Environmental technology development and renewable energy transition toward carbon-neutrality goals in G20 countries. Clean Technol Environ Policy. 2024;26(10):3369-3390.
  21. Ivanovski K, Marinucci N. Policy uncertainty and renewable energy: Exploring the implications for global energy transitions, energy security, and environmental risk management. Energy Res Soc Sci. 2021;82:102415.
  22. Jain S, Puri N, Rabbani MR. Dynamic interconnectedness and risk transmission in green, clean energy, and sustainable markets. Indian J Finance. 2025;29-48.
  23. Sun G, Li G, Dilanchiev A, Kazimova A. Promotion of green financing: The role of renewable energy and energy transition in China. Renew Energy. 2023;210:769-775.
  24. Behera P, et al. Pathways to achieve carbon neutrality in emerging economies: Catalyzing the role of renewable energy, green growth, information and communication technology, and political risk. Renew Energy. 2025;243:122514.
  25. Wei S, Jiandong W, Saleem H. The impact of renewable energy transition, green growth, green trade, and green innovation on environmental quality: Evidence from the top 10 green future countries. Front Environ Sci. 2023;10:1076859.
  26. Chen B, Xiong R, Li H, Sun Q, Yang J, et al. Pathways for sustainable energy transition. J Clean Prod. 2019;228:1564-1571.
  27. Jacobsson S, Lauber V. The politics and policy of energy system transformation: Explaining the German diffusion of renewable energy technology. Energy Policy. 2006;34(3):256-276.
  28. Esiri AE, Kwakye JM, Ekechukwu DE, Benjamin O. Public perception and policy development in the transition to renewable energy. Magna Sci Adv Res Rev. 2023;8(2):228-237.
  29. Pradhan P, et al. Can green growth and ecological footprint mitigation go hand in hand? The role of sectoral energy consumption, green innovation, and greenfield investment in emerging economies. Econ Change Restruct. 2025;58(2):18.
  30. Kilinc-Ata N, Çamkaya S. Assessing the impact of technology on the European Union clean energy transition: Evidence from the Green Energy Mix Quality Index. Int J Energy Sect Manag. 2026;20(4):1068-1087.
  31. Li Y, et al. Geopolitical risks and the global renewable energy transition: Implications for energy security and economic resilience. Energy Rep. 2026;15:108875.
  32. Li B. The role of financial markets in the energy transition: An analysis of investment trends and opportunities in renewable energy and clean technology. Environ Sci Pollut Res. 2023;30(43):97948-97964.
  33. Sethi L, et al. Sustainable future orientation for BRICS+ nations: Green growth, political stability, renewable energy, and technology for ecological footprint mitigation. Renew Energy. 2025;244:122701.
  34. Pesaran MH, Schuermann T, Weiner SM. Modeling regional interdependencies using a global error-correcting macroeconometric model. J Bus Econ Stat. 2004;22(2):129-162.
  35. Behera P, Sethi L, Saqib N, Sethi N. Green finance and public-private partnerships: Dynamic ARDL insights into renewable energy and air quality enhancement. Econ Change Restruct. 2026;59(1):16.
  36. Westerlund J. Testing for error correction in panel data. Oxf Bull Econ Stat. 2007;69(6):709-748.
  37. Zhang X, Feng D, Wang J, Sui A. Integrating renewable energy systems: Assessing financial innovation, renewable energy generation intensity, energy transition, and environmental regulation with renewable energy sources. Energy Strateg Rev. 2024;56:101567.
  38. Asante D, et al. Renewable energy technology transition among small- and medium-scale firms in Ghana. Renew Energy. 2021;178:549-559.
  39. Kaya Y. Impact of carbon dioxide emission control on GNP growth. Energy and Industry Subgroup, Response Strategies Working Group, Intergovernmental Panel on Climate Change (IPCC). Paris, France. 1990.
  40. Pesaran MH, Yamagata T. Testing slope homogeneity in large panels. J Econometrics. 2008;142(1):50-93.
  41. Pesaran MH. A simple panel unit root test in the presence of cross-section dependence. J Appl Econom. 2007;22(2):265-312.
  42. Chudik A, Pesaran MH, Shin Y. Long-run effects in large heterogeneous panel data models with cross-sectionally correlated errors. Adv Econ. 2016;36:85-135.
  43. Machado JAF, Silva JMC. Quantiles via moments. J Econometrics. 2019;213(1):145-173.
  44. Dumitrescu EI, Hurlin C. Testing for Granger non-causality in heterogeneous panels. Econ Model. 2012;29(4):1450-1460.
  45. Behera B, Behera P, Sucharita S, Sethi N. Mitigating ecological footprint in BRICS countries: Unveiling the role of disaggregated clean energy, green technology innovation, and political stability. Discov Sustain. 2024;5(1):165.
  46. Omri A, Hamza F, Alkahtani N. When do innovation and renewable energy transition drive environmental sustainability? Sustainability. 2025;17(15):6910.
  47. Jiang Y, Guo Y, Bashir MF, Shahbaz M. Do renewable energy, environmental regulations, and green innovation matter for China's zero-carbon transition? Evidence from green total factor productivity. J Environ Manage. 2024;352:120030.
  48. Behera B, et al. Fuelling the low-carbon transportation sector in emerging economies: Role of institutional quality, environmental tax, green technology innovation, and biofuel. Transp Policy. 2025;166:124-134.
  49. Osei A, Osei Agyemang A, Kofi Boadi P. Navigating the path to ecological sustainability in MENA's green transition: The role of renewable energy adoption and environmental regulation. Manage Environ Qual. 2025;36(6):1352-1371.
  50. Zhong J, Kan HY. The impact of government policy, natural resources, and ecological innovations on energy transition and environmental sustainability: Insights from China. Resour Policy. 2024;89:104531.
  51. Behera P, Behera B, Sethi N, Handoyo RD. What drives environmental sustainability? The role of renewable energy, green innovation, and political stability in OECD economies. Int J Sustain Dev World Ecol. 2024;31(7):761-775.
  52. Sethi L, Behera P, Behera B, Sethi N. Unravelling the role of renewable energy, information and communication technology, and agricultural credit for sustainable agricultural productivity in developing countries. Int J Sustain Dev World Ecol. 2024;31(7):989-1003.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

AmbienteNumero 234Numero 234capacità di energia rinnovabileindice di performance ecologicatecnologia eco-compatibilePIL verderegressione quantilica con metodo dei momenti

Questo articolo è stato pubblicato

Video in arrivo

Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.