Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

De invloed van milieubeleid en -technologieën op de overgang naar hernieuwbare energie

61 weergaven

⸱

DOI:

10.3791/71760

⸱

7 augustus 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 dit artikel

Samenvatting

Deze studie van 21 OESO-landen (2000-2020) toont aan dat de Environmental Policy Index, broeikasgasemissies en milieugerelateerde technologie de adoptie van hernieuwbare energie bevorderen, terwijl het groene BBP dit belemmert. Er bestaat een tweerichtings-causaal verband tussen alle variabelen. Het tempo van de overgang blijft onvoldoende, wat beleidshervormingen en vervuilingsbelastingen vereist.

Samenvatting

De capaciteit van hernieuwbare energie (REC) speelt een centrale rol bij het bereiken van duurzame ontwikkeling en koolstofneutraliteit, maar de effecten van ecologisch beleid, milieukwaliteit, technologische innovatie en groene economische groei op REC blijven heterogeen tussen landen en stadia van hernieuwbare energieontwikkeling. Deze studie onderzoekt de determinanten van de capaciteit van hernieuwbare energie in 21 OESO-landen van 2000 tot 2020, met de nadruk op ecologische beleidsprestaties (EPI), broeikasgasemissies (BKG), milieuvriendelijke technologie (EFT) en het groene BBP. Het empirische kader maakt gebruik van de Panel Autoregressive Distributed Lag (ARDL) bounds-testbenadering om langetermijncointegratie te onderzoeken, de Method of Moments Quantile Regression (MMQR) om heterogene effecten over de conditionele verdeling van REC vast te leggen, en panel Granger-causaliteitstests om de richting van causale relaties te bepalen. De Panel ARDL-grenstest bevestigt een stabiele langetermijnevenwichtsrelatie tussen de variabelen (F = 7,845, p < 0,01). De resultaten van MMQR tonen aan dat EPI een positief en steeds sterker effect heeft over kwantielen (0,092–0,212), terwijl EFT de steilste positieve gradiënt vertoont (0,131–0,221) en bidirectionele causaliteit met REC vertoont, wat wijst op een versterkende cyclus tussen technologische innovatie en de uitrol van hernieuwbare energie. Broeikasgasemissies hebben een bescheiden positieve associatie met REC (0,048–0,082), maar veroorzaken geen eenzijdige REC; In plaats daarvan vermindert een hogere capaciteit van hernieuwbare energie de uitstoot aanzienlijk. Het groene BBP vertoont consequent een negatief effect op REC (−0,348 tot −0,138), hoewel dit effect verzwakt bij hogere capaciteiten voor hernieuwbare energie, wat wijst op een overgangsaanpassing tijdens de verschuiving naar een groenere economie. Deze bevindingen geven aan dat de effecten van milieubeleid, technologische innovatie, emissies en groene economische prestaties afhankelijk zijn van de fase, wat de noodzaak benadrukt van beleidskaders specifiek voor de uitrol, duurzame investeringen in groen onderzoek en ontwikkeling, en aanvullende beleidsinstrumenten om kortetermijnaanpassingskosten te beperken en tegelijkertijd de transitie van hernieuwbare energie te versnellen.

Inleiding

De stijgende wereldwijde energievraag heeft de noodzaak voor een snelle overgang naar schone energiebronnen versterkt. Hoewel hernieuwbare energie ongeveer 30% uitmaakte van de groei van de zonne-energievoorziening, blijven fossiele brandstoffen de extra energievraag domineren, wat leidt tot de voortdurende ophoping van kooldioxide- (CO2)emissies en het bedreigen van het behalen van de doelstellingen 1 van het Akkoordvan Parijs. Een systematisch begrip van trends in duurzame energieinvesteringen, zoals geïllustreerd door de wetenschappelijke mapping en meta-analyse gepresenteerd in Financing the Future: Insights into Sustainable Energy Investments, benadrukt de convergentie van beleids-, financiële en technologische transformaties die plaatsvonden tussen 2000 en 2020 in OESO-economieën2. Deze periode van twintig jaar, die 21 OESO-landen omvat, biedt een ideale omgeving om de langetermijnfactoren van de uitrol van hernieuwbare energiete evalueren. De transitie van hernieuwbare energie is afhankelijk van de effectieve interactie tussen milieubeheer, financiële investeringen en technologische innovatie4. Een recente systematische review identificeerde economische en beleidsfactoren als de belangrijkste drijfveren van de uitbreiding van hernieuwbare energie. Drempelanalyses van OESO-landen toonden verder aan dat strengheid van milieubeleid de uitrol van hernieuwbare energie pas bevordert nadat een kritische drempel5 is overschreden, terwijl de verspreiding van milieuvriendelijke technologieën eveneens duurzame investeringen vereist voordat significante voordelen worden gerealiseerd6. Bovendien hebben dynamische panelkwantielregressieanalyses in 77 landen aangetoond dat milieuvriendelijke technologieën het verbruik van hernieuwbare energie aanzienlijk bevorderen, vooral in ontwikkelingslanden.

Ondanks deze vooruitgang blijven er verschillende belangrijke onderzoekshiaten bestaan. Bestaande studies onderzoeken doorgaans milieubeleid en technologische innovatie op zichzelf, waarbij hun potentiële synergieën bij de uitrol van hernieuwbare energie worden genegeerd. Daarnaast heeft de capaciteit van hernieuwbare energie (REC), die in deze studie als afhankelijke variabele wordt gebruikt, beperkte aandacht gekregen binnen geïntegreerde empirische kaders die tegelijkertijd milieubeleid, technologische innovatie, emissies en groene economische prestatiesoverwegen 8. Bovendien is de vooruitgang richting de adoptie van hernieuwbare energie in geavanceerde economieën vertraagd. De uitstoot van broeikasgassen (BKG) van de OESO blijft hoog, terwijl de strengheid van het klimaatbeleid in 2024 slechts met 1% is toegenomen, wat een implementatiekloof benadrukt die dieper onderzoek rechtvaardigt naar drijfveren van hernieuwbare energie in hoge-inkomenseconomieën9. Daarom onderzoekt deze studie de determinanten van de capaciteit van hernieuwbare energie in 21 OESO-landen van 2000 tot 2020, gebruikmakend van de Ecological Performance Index (EPI), broeikasgasemissies (BKG), milieuvriendelijke technologie (EFT) en Groene BBP als verklarende variabelen. Na voorlopige diagnostische tests wordt de Panel ARDL bounds cointegratietest gebruikt om langetermijn evenwichtsrelaties vast te stellen, wordt de Method of Moments Quantile Regresion (MMQR) toegepast om distributie-heterogeniteit vast te leggen, en worden panelcausaliteitstests uitgevoerd om de richting van causale relatieste bepalen 10. De bevindingen tonen aan dat EPI en EFT alleen significante positieve effecten hebben buiten specifieke drempels, terwijl de invloed van Groene BBP varieert over de voorwaardelijke verdeling van hernieuwbare energiecapaciteit, wat het belang benadrukt van gecoördineerd milieubeleid, technologische innovatie en economische strategieën11. Door expliciet de gezamenlijke effecten van milieubeleidsprestaties en technologische ontwikkeling over verschillende niveaus van hernieuwbare energiecapaciteit te modelleren, levert deze studie genuanceerder bewijs ter ondersteuning van de formulering van beleid voor hernieuwbare energie.

De bepalende factoren van de transitie naar hernieuwbare energie zijn uitgebreid onderzocht; Begrip blijft echter beperkt door gefragmenteerde theoretische perspectieven en overwegend beschrijvende in plaats van integratieve empirische analyses12. In het bijzonder zijn de belangrijkste drijfveren van de uitrol van hernieuwbare energie, waaronder de prestaties van milieubeleid, milieuvriendelijke technologie, broeikasgasemissies en voor groene aanpassingen gecorrigeerde economische output, zelden onderzocht binnen een uniform analytisch kader dat rekening houdt met de verbondenheid van financiële markten en de digitalisering van groene financiering13.

Milieubeleidsprestaties, vaak gemeten met samengestelde indicatoren zoals de Ecological Performance Index (EPI), neemt een centrale plaats in in de literatuur over hernieuwbare energie14. Vroege studies toonden aan dat goed ontworpen milieuregels investeringsonzekerheid verminderen en voorspelbare marktsignalen geven die investeringen met weinig koolstof stimuleren15. Meer recente panelstudies van OESO-landen die vaste effecten en systeemgegeneraliseerde momentsschatters gebruiken, rapporteerden dat een toename van één eenheid in milieubeleidsstrengheid gepaard gaat met een stijging van 0,34% in de opwekking van hernieuwbare elektriciteit16. Desalniettemin geeft een kritische evaluatie van deze literatuur aan dat de positieve effecten van beleidsstrengheid op zeer hoge niveaus afnemen door regelgevende vermoeidheid17. Bovendien beperkt de exclusieve focus op hoge-inkomenseconomieën de externe geldigheid van deze bevindingen. Een uitgebreide meta-analyse van 89 empirische studies concludeerde dat marktgerichte beleidsinstrumenten, waaronder koolstofbelastingen en emissiehandelssystemen, consequent beter presteren dan command-and-control-regelgeving bij het bevorderen van hernieuwbare energiecapaciteit18. Hoewel deze meta-analyse bewijs uit diverse geografische regio's en methodologische benaderingen samenvatte, benadrukten de auteurs dat de beleidseffectiviteit aanzienlijk groter blijft in landen met sterkere institutionele capaciteit, waarmee een belangrijk geografisch verschil in de literatuurwerd benadrukt 19. Daarnaast beschouwen beleidsgerichte studies markten voor hernieuwbare energie doorgaans als onafhankelijk van bredere financiële systemen, waarbij de mogelijkheid wordt negerd dat cross-market financiële overslagen de beleidseffectiviteit kunnen versterken of verzwakken20.

Een tweede literatuurcorpus identificeert milieuvriendelijke technologie (EFT) als een belangrijke katalysator voor het verlagen van de kosten van hernieuwbare energie en het versnellen van de verspreiding van technologie. Empirisch bewijs op basis van octrooigegevens uit 25 Europese landen toonde aan dat een stijging van 10% in milieugerelateerde octrooiaanvragen de gelevelde kosten van zonne-fotovoltaïsche systemen met 1,8% verlaagde en onshore windenergie met 2,3%. Hoewel deze studies gebruikmaken van rigoureuze econometrische methoden, vertrouwen ze voornamelijk op conventionele innovatie-indicatoren en houden ze geen rekening met het groeiende belang van digitale groene financiering en financiële technologie (FinTech) bij het faciliteren van klimaatinvesteringen22. Recent bewijs uit opkomende economieën van de Organisatie voor Islamitische Samenwerking (OIC) wijst erop dat digitale financiële diensten milieubeleid versterken door transactiekosten te verlagen en de toegang tot groene financiering uit te breiden23. Bijgevolg kan het meten van EFT uitsluitend via octrooiactiviteiten de interacties tussen milieubeleid en technologie-ondersteunde financiële mechanismen onderschatten24. Bovendien melden studies naar technologische diffusie aanzienlijke grensoverschrijdende spillover-effecten, waarbij innovaties afkomstig uit Duitsland en Denemarken aanzienlijk hebben bijgedragen aan de wereldwijde uitrol van windenergie25. Deze onderzoeken houden echter zelden rekening met hoe financiële besmetting op schone energiemarkten milieuvriendelijke technologieverspreiding beïnvloedt. Recent bewijs van dynamische onderlinge verbondenheid tussen groene, schone energie en duurzame financiële markten toont aanzienlijke volatiliteitsoverslagen aan, wat suggereert dat schokken die één segment van het groene financiële systeem treffen, snel investeringen in hernieuwbare energie kunnen beïnvloeden26. Daarom wordt EFT uitsluitend interpreteerd als een binnenlandse patentgebaseerde indicator over het hoofd gezien van de bredere financiële omgeving waarin technologische diffusie steeds vaker plaatsvindt27.

De relatie tussen broeikasgasemissies (BKG) en de uitrol van hernieuwbare energie blijft controversieel. Volgens de hypothese van "politieke druk" stimuleren stijgende emissies de publieke vraag naar sterkere decarbonisatiebeleid en verhoogde investeringen in hernieuwbare energie. Een cross-lagged panelanalyse van 34 OESO-landen ondersteunt deze hypothese en toont aan dat een stijging van één standaarddeviatie in de uitstoot van broeikasgassen per hoofd van de bevolking een daaropvolgende stijging van 0,21 standaarddeviatie in investeringen in hernieuwbare energie voorspelt na twee jaar28. Deze bevindingen zijn echter uitsluitend gebaseerd op geavanceerde economieën met relatief sterke institutionele kwaliteit, wat hun toepasbaarheid beperkt op koolstofintensieve ontwikkelingslanden. Alternatieve bewijzen wijzen op een niet-lineaire relatie waarin machtige belangen in fossiele brandstoffen het beleid voor hernieuwbare energie steeds meer beperken zodra de uitstoot een kritische drempelvan 29 overschrijdt. Drempelregressieanalyses met gegevens uit 60 landen identificeerden een omgekeerde U-vormige relatie, waarbij het keerpunt varieerde met institutionele kwaliteit en afhankelijkheid van natuurlijke hulpbronnen30. Belangrijk is dat deze studies over het algemeen de matigende invloed van de onderlinge verbondenheid van financiële markten over het hoofd zien. Tijdens periodes van stijgende emissies kan het negatieve beleggerssentiment overslaan naar de financiële markten voor schone energie, waardoor financiering van hernieuwbare energie juist op het moment dat de investeringsvraag het grootst is, wordt beperkt. Recent bewijs over transmissie van cross-market volatiliteit ondersteunt dit mechanisme en suggereert dat financiële overslagen de verwachte positieve relatie tussen emissies en investeringen in hernieuwbare energie kunnen compliceren31,32.

Groen BBP, gedefinieerd als het bruto binnenlands product gecorrigeerd voor milieudegradatie en uitputting van natuurlijke hulpbronnen, biedt een meer omvattende maatstaf voor duurzame economische prestaties dan conventioneel BBP33. Desalniettemin blijft het empirisch bewijs over de relatie met de capaciteit van hernieuwbare energie gemengd. Sommige studies stellen dat verbeteringen in het groene BBP de waargenomen urgentie van investeringen in hernieuwbare energie verminderen door te wijzen op lagere milieuschade per eenheid economische output34. Daarentegen suggereren andere onderzoeken dat aanhoudende groei van het groene BBP een structurele transformatie weerspiegelt naar dienstverleningsgerichte, minder energie-intensieve economieën die de integratie van hernieuwbare energie mogelijk maken35. Panelco-integratieanalyses die 40 landen tussen 2000 en 2018 bestrijken, leveren bewijs van temporele asymmetrie, waarbij een negatief kortetermijneffect van het groene BBP op de capaciteit van hernieuwbare energie wordt getoond, maar een positieve langetermijnrelatie na aanhoudende groene economische groei36. Hoewel dit bewijs gebaseerd is op uitgebreide datasets en lange observatieperioden, houdt het geen rekening met de effecten van wereldwijde financiële schokken. Tijdens periodes van financiële instabiliteit kunnen volatiliteitsoverslagen op groene financiële markten de relatie tussen Groene BBP en capaciteit van hernieuwbare energie verzwakken door investeringsstromen in hernieuwbare energieprojecten te beperken, ondanks verbeteringen in milieuprestaties37,38.

Samenvattend heeft bestaand onderzoek ons begrip van de bepalende factoren van de uitrol van hernieuwbare energie aanzienlijk verbeterd; Er blijven echter belangrijke hiaten bestaan. Eerdere studies hebben over het algemeen milieubeleid, technologische innovatie, broeikasgasemissies en groene economische prestaties onafhankelijk onderzocht, in plaats van binnen een geïntegreerd analytisch kader. Daarnaast wordt milieuvriendelijke technologie nog steeds voornamelijk gemeten met conventionele innovatie-indicatoren. Om deze beperkingen aan te pakken, onderzoekt deze studie de capaciteit van hernieuwbare energie in 21 OESO-landen in de periode 2000–2020, waarbij de Ecological Performance Index, broeikasgasemissies, milieuvriendelijke technologie en het groene BBP als verklarende variabelen worden gebruikt. Door de Method of Moments Quantile Regresion toe te passen, vangt de studie heterogene effecten over de verdeling van hernieuwbare energiecapaciteit, wat een meer volledig begrip biedt van de beleids-, technologische en economische factoren die de transitie van hernieuwbare energie vormgeven. Toekomstig onderzoek moet FinTech-indicatoren en maatstaven van financieel risico bevatten om dit vakgebied verder vooruit te helpen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Onderzoeksfilosofie en ontwerp
Deze studie hanteert een positivistische onderzoeksfilosofie, waarbij wordt aangenomen dat de determinanten van de capaciteit van hernieuwbare energie (REC) objectief kunnen worden onderzocht met behulp van kwantitatieve paneldata-analyse. Een longitudinaal, cross-country vergelijkend onderzoeksontwerp wordt toegepast om de langetermijnrelaties tussen de capaciteit van hernieuwbare energie en de determinanten ervan te onderzoeken in 21 landen van de Organisatie voor Economische Samenwerking en Ontwikkeling (OESO) in de periode 2000–2020. Geleid door de Kaya-identiteit wordt een deductief-analytische benadering gebruikt om het empirische model te ontwikkelen en de veronderstelde relaties tussen hernieuwbare energiecapaciteit, ecologisch beleidsprestaties, broeikasgasemissies (BKG), milieuvriendelijke technologie (EFT) en Groene BBP te testen. Het analytische kader integreert gegevensverzameling, diagnostisch testen, cointegratieanalyse, kwantielregressie en panelcausaliteitsanalyse om methodologische consistentie en robuuste statistische inferentie te waarborgen.

Dataverzameling en variabelen
De studie maakt gebruik van een gebalanceerde paneldataset bestaande uit 21 OESO-landen, jaarlijks waargenomen van 2000 tot 2020, wat resulteert in 441 land-jaar-waarnemingen. Gegevens werden verkregen uit openbaar toegankelijke en internationaal erkende databases om transparantie en reproduceerbaarheid te waarborgen. Tabel 1 vat de variabelen, meeteenheden, databronnen en verwachte signalen samen. Capaciteit voor hernieuwbare energie (REC) wordt gebruikt als afhankelijke variabele en gemeten als de totale geïnstalleerde capaciteit voor hernieuwbare elektriciteitsopwekking (MW). De verklarende variabelen omvatten de Ecological Performance Index (EPI), broeikasgasemissies (BKG) (CO₂-equivalente ton), milieuvriendelijke technologie (EFT), gemeten via milieugerelateerde octrooiaanvragen, en Groen BBP, gemeten als bruto binnenlands product gecorrigeerd voor milieudegradatie en uitputting van natuurlijke hulpbronnen (constante 2015 USD). Capaciteit van hernieuwbare energie, EPI, broeikasgasemissies en EFT zijn verkregen uit de OECD-statistiekdatabase, terwijl het groene BBP afkomstig is uit de database van de Wereldbank. Alle variabelen werden vóór de schatting omgezet in natuurlijke logaritmen om de variantie te stabiliseren, heteroscedasticiteit te verminderen en de interpretatie van elasticiteit te vergemakkelijken.

Theoretisch kader en modelspecificatie
Het empirische kader is gebaseerd op de Kaya Identity39, die kooldioxide-uitstoot verdeelt in bevolking, economische activiteit, energie-intensiteit en koolstofintensiteit, en zo een theoretische basis biedt voor het begrijpen van de drijfveren van milieuduurzaamheid:

figure-protocol-1 (1)

waarbij CO2 koolstofdioxide-uitstoot vertegenwoordigt; CO2/Energie duidt de koolstofintensiteit van het energieverbruik aan; Energie/Groen BBP vertegenwoordigt de energie-intensiteit van de milieugecorrigeerde economische output; Groen BBP/bevolking duidt het milieugecorrigeerde bruto binnenlands product per hoofd van de bevolking aan; en Bevolking vertegenwoordigt de totale bevolking.

De verklarende variabelen komen direct overeen met de theoretische componenten van de Kaya-identiteit. De Ecologische Prestatie-index vertegenwoordigt de prestaties van milieubeleid gericht op het bevorderen van schonere energiesystemen. Milieuvriendelijke technologie weerspiegelt technologische innovatie die de energie-efficiëntie verbetert en de kosten van hernieuwbare energie verlaagt. Broeikasgasemissies vormen milieudruk voor decarbonisatie, terwijl Groen BBP de milieugecorrigeerde economische prestaties vastlegt. Op basis van dit kader wordt het volgende empirische model geschatop 39:

figure-protocol-2 (2)

waarbij REC de capaciteit van hernieuwbare energie aanduidt; EPI vertegenwoordigt de Ecologische Prestatie-index; BKGG duidt broeikasgasemissies aan; EFT staat voor milieuvriendelijke technologie; Groen BBP duidt op het milieugecorrigeerde bruto binnenlands product; I indexeert landen; t indexeert jaren; τ0 is de interceptie; τ1–τ4 zijn de geschatte regressiecoëfficiënten; εhet is de idiosyncratische foutterm.

Diagnostische tests
Voorafgaand aan het schatten van de empirische modellen werd een reeks diagnostische tests uitgevoerd om de statistische eigenschappen van de panelgegevens te beoordelen en passende schattingstechnieken te identificeren. Ten eerste werd cross-sectionele afhankelijkheid onderzocht met behulp van de Pesaran cross-sectional dependence (CD) test34, aangezien OESO-landen waarschijnlijk gemeenschappelijke schokken ervaren die voortkomen uit wereldwijde economische omstandigheden, internationale energiemarkten en gecoördineerd milieubeleid:

figure-protocol-3 (3)

waarbij N het aantal dwarsdoorsnede-eenheden aanduidt; T geeft het aantal tijdperken aan; i en k indexeren de dwarsdoorsnede-eenheden (i ≠ k); figure-protocol-4 vertegenwoordigt de geschatte paargewijze correlatiecoëfficiënt van de regressieresiduen tussen dwarsdoorsnede-eenheden i en k; j duidt de lagvolgorde aan; E(·) vertegenwoordigt de verwachtingswaarde; en V(·) duidt de variantie aan die is gebruikt om de teststatistiek te standaardiseren. Ten tweede werd hellingsheterogeniteit beoordeeld met behulp van de Pesaran–Yamagata hellingheterogeniteitstest om te bepalen of de effecten van verklarende variabelen tussen landenverschilden 40:

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

waarbij Δ̃adj de aangepaste hellingsheterogeniteitsteststatistiek aanduidt; N staat voor het aantal dwarsdoorsnede-eenheden; T geeft het aantal tijdperken aan; k is het aantal verklarende variabelen; en S̃ vertegenwoordigt de gestandaardiseerde Swamy-hellingdispersiestatistiek die wordt gebruikt om parameterheterogeniteit tussen panelunits te evalueren. Ten slotte werd stationariteit geëvalueerd met behulp van de Cross-sectionally Augmented Im–Pesaran–Shin (CIPS) eenheidsworteltest, die zowel dwarsdoorsnede-afhankelijkheid als heterogene hellingcoëfficiënten41 meeneemt:

figure-protocol-7 (6)

waarbij CIPS de cross-sectionally augmented Im–Pesaran–Shin panelwortelstatistiek aanduidt; N staat voor het aantal dwarsdoorsnede-eenheden; CDFi duidt de dwarsdoorsnede-uitgebreide Dickey–Fuller-statistiek aan voor de i-de dwarsdoorsnede-eenheid; en I indexeert de afzonderlijke dwarsdoorsnede-eenheden. De resultaten van deze diagnostische tests leidden de selectie van econometrische technieken van het tweede generatie die geschikt zijn voor heterogene paneldatasets.

Paneelco-integratietest
Om te bepalen of er een stabiele langetermijnevenwichtsrelatie bestaat tussen capaciteit van hernieuwbare energie, prestaties van milieubeleid, broeikasgasemissies, milieuvriendelijke technologie en Groene BBP, werd de co-integratietest van Panel ARDL Bounds toegepast. In vergelijking met conventionele residu-gebaseerde cointegratietests houdt de Westerlund-benadering rekening met dwarsdoorsnede-afhankelijkheid, heterogene hellingscoëfficiënten en kleine steekproefgroottes. De test levert vier statistieken op: twee groepsgemiddelde statistieken (Gt en Ga) en twee panelstatistieken (Pt en Pa). Verwerping van de nulhypothese duidt op de aanwezigheid van een langetermijn evenwichtsrelatie tussen de variabelen36,42:

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

waarbij G,t en Ga de groepsgemiddelde teststatistieken van de Panel ARDL bounds cointegratietest aanduiden; P, t en Pa duiden de panelteststatistieken aan; N staat voor het aantal dwarsdoorsnede-eenheden; T geeft het aantal tijdperken aan; figure-protocol-12 is de geschatte foutcorrectiecoëfficiënt voor de i-de dwarsdoorsnede-eenheid; figure-protocol-13 vertegenwoordigt de gepoolde foutcorrectiecoëfficiënt; SE(figure-protocol-14) en SE(figure-protocol-15) duiden de bijbehorende standaardfouten aan; en i indexeert de individuele dwarsdoorsnede-eenheden. De aanwezigheid van co-integratie rechtvaardigt het schatten van langetermijnelasticiteiten en daaropvolgende quantielgebaseerde analyses.

Methode van momentquantielregressie (MMQR)
Omdat conventionele panelschatters slechts gemiddelde effecten geven, kunnen ze aanzienlijke heterogeniteit verbergen tussen landen die op verschillende niveaus van hernieuwbare energie opereren. Om deze heterogene effecten vast te leggen, werd de Method of Moments Quantile Regression (MMQR) toegepast.

MMQR schat de effecten van ecologische beleidsprestaties, broeikasgasemissies, milieuvriendelijke technologie en Groene BBP over meerdere voorwaardelijke quantielen van hernieuwbare energiecapaciteit, waardoor de invloed van verklarende variabelen kan variëren afhankelijk van de volwassenheid van de uitrol van hernieuwbare energie. De methode houdt tegelijkertijd rekening met individuele vaste effecten en niet-waargenomen heterogeniteit, terwijl zowel locatie- als schaalparameters worden geschat43:

figure-protocol-16 (8)

waarbij Qτ(Yit | Xhet) duidt de conditionele τ-de kwantiel van de afhankelijke variabele aan; Y, het staat voor de capaciteit van hernieuwbare energie (REC); Xhet duidt de vector van verklarende variabelen aan (EPI, broeikasgasemissies, EFT en Groene BBP); σ1 is de interceptie; ζ is de vector van locatieparameters; αi vertegenwoordigt het landspecifieke vaste effect; Z, het duidt de schaalcovariaten aan; γ is de vector van schaalparameters; Uhet is de foutterm; en respectievelijk landen en jaren van de I- en T-index. De schaalcomponent van het MMQR-model wordt als volgt gespecificeerd:43:

figure-protocol-17 (9)

waarbij Zi(X) de schaalfunctie van de verklarende variabelen aanduidt; Zi vertegenwoordigt de vector van schaalcovariaten; X duidt de vector van verklarende variabelen aan; i indexeert de dwarsdoorsnede-eenheden (landen); en k duidt het totale aantal verklarende variabelen aan. Als robuustheidsanalyse werd ook een conventionele panelkwantielregressie met bootstrapped standaardfouten geschat om de consistentie van de MMQR-bevindingen te verifiëren.

Panel causaliteitstest
De richting van causale verbanden tussen capaciteit van hernieuwbare energie, ecologisch beleidsprestaties, broeikasgasemissies, milieuvriendelijke technologie en Groene BBP werd onderzocht met behulp van de Dumitrescu–Hurlin panel Granger non-causality test44. Deze benadering houdt rekening met cross-sectionele afhankelijkheid en heterogene paneelstructuren, terwijl wordt vastgesteld of causale relaties unidirectioneel of bidirectioneel zijn.

De panelcausaliteitsanalyse vult de co-integratie- en MMQR-analyses aan door onderscheid te maken tussen variabelen die de capaciteit van hernieuwbare energie aansturen en die welke reageren op veranderingen in de uitrol van hernieuwbare energie. Het vaststellen van causale richting levert extra bewijs om beleidsprioriteiten te bepalen en de volgorde van hernieuwbare energieinterventies te bepalen.

Alle statistische analyses werden uitgevoerd met behulp van statistische analysesoftware. De analytische sequentie, van diagnostische tests en cointegratieanalyse tot kwantielregressie en panelcausaliteitstesten, biedt een coherent en reproduceerbaar kader voor het evalueren van de determinanten van de capaciteit van hernieuwbare energie in OESO-landen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Beschrijvende statistieken
De verdelingskenmerken van de studievariabelen werden onderzocht vóór econometrische schatting. Tabel 2 vat de beschrijvende statistieken samen voor de log-getransformeerde variabelen in 21 OESO-landen in de periode 2000–2020. Capaciteit van hernieuwbare energie (REC), ecologische prestatie-index (EPI), broeikasgasemissies (BKG), milieuvriendelijke technologie (EFT) en Groene BBP vertoonden aanzienlijke variatie over het lan...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

De huidige studie onderzocht de determinanten van de capaciteit van hernieuwbare energie in 21 OESO-landen in de periode 2000–2020 door de prestaties van milieubeleid, broeikasgasemissies (BKG), milieuvriendelijke technologie (EFT) en Groen BBP te integreren binnen een Method of Moments Quantile Regression (MMQR)-kader. De bevindingen tonen aanzienlijke heterogeniteit in de voorwaardelijke verdeling van de capaciteit van hernieuwbare energie, wat aangeeft dat de effecten van milieu-, tec...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

Alle auteurs geven geen belangenconflicten op.

Dankbetuigingen

Dit werk wordt ondersteund door het Filosofie en Sociale Wetenschappen Onderzoeksproject van het provinciaal onderwijsdepartement van Jiangsu (2022SJYB2268).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
CIPS eenheidsworteltestStataCorpStata 18Geïmplementeerd met behulp van de xtcips of multipurt commando voor de dwarsdoorsnede versterkte Im-Pesaran-Shin panel eenheidswortel test.
Dwarsdoorsnede afhankelijkheid (CD) testStataCorpStata 18Geïmplementeerd met behulp van de xtcsd commando om de Pesaran CD test uit te voeren.
Dumitrescu–Hurlin panel Granger niet-causaliteit testStataCorpStata 18Geïmplementeerd met behulp van de xtgcause commando voor panel causaliteitsanalyse.
Eco-vriendelijke technologie (EFT)OECD StatisticsN/AGegevens over milieugerelateerde octrooiaanvragen opgehaald uit de OECD Statistics database (https://stats.oecd.org/).
Ecologische Prestatie Index (EPI)OECD StatisticsN/AGegevens opgehaald uit de OECD Statistics database (https://stats.oecd.org/).
EViewsIHS Global Inc.Versie 14Alternatieve statistische analysesoftware voor panel econometrie.
Groen BBPWereldbankN/AGegevens opgehaald uit de World Bank DataBank (https://databank.worldbank.org/). Specifiek, gegevens over aangepaste netto-besparingen, die worden gebruikt om Groen BBP te berekenen.
Kassengas (GHG) emissieOECD StatisticsN/AGegevens opgehaald uit de OECD Statistics database (https://stats.oecd.org/).
Momentenmethode Quantile Regressie (MMQR)StataCorpStata 18Geïmplementeerd met behulp van de mmqreg commando, die moet worden geïnstalleerd vanuit het Statistical Software Components (SSC) archief.
Pesaran–Yamagata helling heterogeniteit testStataCorpStata 18Geïmplementeerd met behulp van de xttest3 of xthetero commando.
RR FoundationVersie 4.6.0 of hogerOpen-source alternatief voor statistische berekening.
Hernieuwbare energie capaciteit (REC)OECD StatisticsN/AGegevens opgehaald uit de OECD Statistics database (https://stats.oecd.org/).
StataStataCorpVersie 18Primaire software gebruikt voor alle statistische analyses, inclusief diagnostisch testen, co-integratie, quantile regressie en panel causaliteitstests.
Westerlund panel co-integratie testStataCorpStata 18Geïmplementeerd met behulp van de xtwest commando, die moet worden geïnstalleerd vanuit de SSC

Referenties

  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.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

MilieuNummer 234Nummer 234capaciteit voor hernieuwbare energieecologische prestatie indexmilieuvriendelijke technologiegroen BBPmethode van momenten kwantielregressie
Video binnenkort beschikbaar
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.