Przestrzenna heterogeniczność śladu węglowego wynikająca z inwestycji Pasa i Szlaku oceniana za pomocą przekroju przekrojowego, autoregresywnego modelu rozproszonego opóźnienia

Podsumowanie

Niniejsze badanie analizuje wpływ na środowisko chińskich bezpośrednich inwestycji zagranicznych (FDI), turystyki oraz innowacji w zakresie emisji dwutlenku węgla w regionach Inicjatywy Pasa i Szlaku, wykorzystując modele przestrzenne ekonometry.

Streszczenie

Celem tego badania jest empiryczne zbadanie wieloaspektowego wpływu chińskich inwestycji bezpośrednich zagranicznych (FDI), rozwoju turystyki oraz innowacji technologicznych na emisję dwutlenku węgla w krajach uczestniczących w ramach Inicjatywy Pasa i Szlaku (BRI). Wychodząc poza analizę zbiorczą, badania analizują szczególnie często pomijany synergiczny efekt między bezpośrednimi inwestycjami zagranicznymi a turystyką oraz badają istotne regionalne heterogeniczności w tych relacjach środowiskowych. Metodologicznie badanie wykorzystuje techniki panelowe drugiej generacji, aby zapewnić solidne szacunki w obecności zależności przekrojowej i heterogeniczności stoków. Analiza wykorzystuje estymatory Cross-Cut-Cut-Screenal Autoregressive Distributed Lag (CS-ARDL) oraz Common Correlated Effects Mean Group (CCEMG) na danych z lat 2000–2020, aby rozróżnić zarówno dynamikę krótkookresową, jak i długoterminową. Kluczowe ustalenia ujawniają złożoną i dualistyczną rolę FDI. Chociaż wiąże się ze spadkiem emisji dwutlenku węgla w pełnej próbie oraz w regionach takich jak Azja Południowo-Wschodnia i Europa, znacząco zwiększa emisje w Azji Południowej i krajach MENA. Co istotne, interakcja między FDI a rozwojem turystyki pogłębia emisję dwutlenku węgla, co wskazuje, że inwestycje infrastrukturalne wzmacniają ekologiczny ślad turystyki. Ponadto innowacje technologiczne konsekwentnie ograniczają emisje, a badanie potwierdza hipotezę Krzywej Kuznetsa środowiskowego (EKC) we wszystkich próbkach. Konsekwencje tych ustaleń są głębokie dla decydentów, podkreślając konieczność wyjścia poza uniwersalne podejścia. Główną nowością badania jest wyraźne skupienie na bezpośrednich inwestycjach wspieranych przez infrastrukturę, ilościowe określenie efektu interakcji FDI z turystyką oraz przełomowe regionalne podziały, które razem ujawniają sporny i zależny od kontekstu charakter środowiskowego dziedzictwa BRI. Ta szczegółowa analiza stanowi kluczową bazę dowodową do formułowania ukierunkowanych, regionalnych polityk, które mają kierować BRI w kierunku deklarowanego celu, jakim jest zrównoważony rozwój.

Wprowadzenie

Inicjatywa Pasa i Szlaku (BRI), monumentalna globalna strategia rozwoju zainulowana przez Chiny¹, głęboko przekształciła krajobraz gospodarczy i infrastrukturalny w Azji, Afryce i Europie². Poprzez kierowanie bezprecedensowych poziomów bezpośrednich inwestycji zagranicznych (FDI) opartych na infrastrukturze w transport, energetykę i infrastrukturę, BRI dąży do zwiększenia regionalnej łączności oraz stymulowania wzrostu gospodarczego. Kluczowym, choć złożonym efektem tej zwiększonej łączności był znaczący impuls dla rozwoju turystyki w krajach uczestniczących³, ułatwiony przez lepszą dostępność i infrastrukturę⁴. Jednak ta trójka inwestycji infrastrukturalnych, wzrostu turystyki i rozwoju gospodarczego niesie ze sobą istotne implikacje środowiskowe, szczególnie w odniesieniu^{do emisji} dwutlenku węgla5. Zrozumienie wzajemnego oddziaływania tych czynników jest kluczowe dla dostosowania celów gospodarczych BRI do globalnych celów zrównoważonego rozwoju, takich jak Porozumienie Paryskie czy Cele Zrównoważonego Rozwoju^{ONZ nr 6}. Niniejsze badania analizują konkretnie konsekwencje chińskiego rozwoju inwestycji zagranicznych opartych na infrastrukturze, rozwoju turystyki i innowacji technologicznych dla emisji dwutlenku węgla w kontekście państw uczestniczących w BRI.

Istnieje znacząca literatura, która podkreśla znaczenie turystyki jako czynnika rozwoju gospodarczego, zwłaszcza na rynkach wschodzących ^7,8. Sektor ten jest aktywnie wspierany przez rządy, ponieważ generuje dochody, przyczynia się do rozwoju przedsiębiorczości i minimalizuje bezrobocie⁹. Branża ta wykazuje silny wzrost na całym świecie, ponieważ międzynarodowe przyjazdy turystyczne przekraczają prognozy i generują przychody rzędu miliardów rocznie, co jest wspierane przez rozwój technologii komunikacyjnych, zmieniające procedury wizowe oraz lepsze miejsca^turystyczne. Jednocześnie pojawiły się pytania dotyczące wpływu środowiskowego^{tego wzrostu}. Jedna z linii badań wskazuje negatywny wpływ turystyki, przypisując go bezpośredniej korelacji turystyki z zużyciem energii i emisją dwutlenku węgla związaną z transportem¹². Co więcej, pomimo możliwości, jakie duże projekty infrastrukturalne w ramach BRI przynoszą sektorowi turystycznemu, wiadomo, że powodują one również ogromny stres środowiskowy z powodu zapotrzebowania na energię i zakłóceń ekologicznych¹³.

Jednak istniejąca literatura wykazuje istotne luki, które to badanie ma na celu zniwelować. Po pierwsze, choć ogólny związek między turystyką a emisjami jest uznawany, dowody empiryczne pozostają niejednoznaczne i często nie uwzględniają unikalnego, wieloaspektowego kontekstu BRI. Relacja nie jest monolityczna; Jest ona pośredniczona przez szereg lokalnych czynników, w tym infrastrukturę logistyczną, narażenie na niestabilność polityczną, standardy środowiskowe oraz warunki klimatyczne¹⁴. Po drugie, konkurencyjna narracja w literaturze zakłada, że turystyka, zwłaszcza gdy jest zgodna z zasadami ekoturystyki i polityką ekologiczną, może być narzędziem zrównoważonego rozwoju środowiska, a nie degradacji¹⁵. Ta dwoistość podkreśla istotną lukę w wiedzy: w jakich warunkach turystyka w ramach BRI pogłębia lub ogranicza emisje? Po trzecie, rola FDI opartych na infrastrukturze jest często badana w izolacji¹⁶. Synergiczny efekt rozwoju BID i turystyki, gdzie nowe lotniska, drogi i hotele finansowane przez FDI bezpośrednio umożliwiają i stymulują napływ turystów, oraz ich łączny wpływ na środowisko, nie jest dobrze rozumiany. Badania te bezpośrednio odpowiadają na te luki, przeprowadzając zniuansowaną i kompleksową analizę środowiskowych konsekwencji czynników ekonomicznych BRI. Badacze wykraczają poza szerokie uogólnienia, badając specyficzny, połączony wpływ infrastrukturalnych inwestycji zagranicznych, rozwoju turystyki oraz innowacji technologicznych na emisję dwutlenku węgla. Wkład tego badania jest trójstronny. Po pierwsze, dostarcza nowatorskich empirycznych dowodów na powiązania inwestycji infrastrukturalnych, turystyki i emisji dwutlenku węgla w specyficznym i bardzo istotnym kontekście Inicjatywy Pasa i Szlaku. Poprzez wyraźne modelowanie interakcji między rozwojem turystyki a bezpośrednimi inwestycjami zagranicznymi, badacze odkrywają, czy ich połączenie tworzy efekt synergiczny, który wzmacnia lub łagodzi presję środowiskową — wymiar ten był w dużej mierze pomijany w poprzednich badaniach¹⁷. Po drugie, badania te wnoszą istotny wkład metodologiczny poprzez zastosowanie modelu CS-ARDL i przeprowadzenie szczegółowej analizy regionalnej. Pozwala nam to wyjść poza uniwersalne wnioski i ujawnić znaczne regionalne różnice w tym, jak te działania gospodarcze wpływają na środowisko.

Przegląd literatury

Branża turystyczna jest powszechnie uznawana za istotny katalizator rozwoju gospodarczego, szczególnie na rynkach wschodzących18. Badania empiryczne konsekwentnie pokazują jego zdolność do generowania dochodów, stymulowania działalności przedsiębiorczej i zmniejszania bezrobocia, co skłania rządy na całym świecie do przyjmowania wspierających polityk dla tego^sektora. Dane historyczne podkreślają ten dynamiczny wzrost, przy czym branża utrzymuje średni roczny wzrost na poziomie około 5%, a przyjazdy turystów międzynarodowych przekroczą 1,8 miliarda²⁰, co często jest przekraczane przez rzeczywiste dane napędzane postępem w technologii komunikacyjnych, ulepszoną infrastrukturą turystyczną oraz uproszczonymi regulacjami wizowymi²¹. Jednak wkład sektora w wzrost gospodarczy nie jest jednolity, ponieważ jego sukces jest pośredniczony przez złożony zestaw lokalnych czynników, w tym infrastrukturę logistyczną, stabilność polityczną, standardy środowiskowe i warunki klimatyczne, co sugeruje, że uogólnione modele wzrostu opartego na turystyce są często^{niewystarczające}.

Równolegle z rozwojem turystyki, środowiskowe skutki rozwoju gospodarczego stały się wyraźnie widoczne, ujawniając dualistyczną narrację w dyskursie akademickim²³. Jeden nurt literatury zdecydowanie łączy rozwój turystyki ze wzrostem zużycia energii i emisją dwutlenku węgla związaną z transportem, co stawia branżę jako istotnego czynnika degradacji środowiska²⁴. Jest to szczególnie istotne w kontekście szeroko zakrojonych inicjatyw, takich jak chińska inicjatywa Pasa i Szlaku (BRI), która poprzez bezpośrednie inwestycje zagraniczne (FDI) oparte na infrastrukturze zwiększa łączność oraz stymuluje turystykę i działalność gospodarczą, ale jednocześnie wywołuje znaczną presję środowiskową poprzez wzrost zapotrzebowania na energię i zakłócenia ekologiczne²⁵. Natomiast konkurencyjna perspektywa naukowa podkreśla potencjał zrównoważonej turystyki, argumentując, że ekoturystyka i polityka ekologiczna mogą ograniczać zanieczyszczenia i zapewnić długoterminową zrównoważoność ekologiczną, tym samym dostosowując wzrost gospodarczy do troski o środowisko²⁶. Ta dwoistość obejmuje także rolę BID, które mogą być źródłem zarówno technologii zanieczyszczających, jak i zaawansowanych, przyjaznych środowisku innowacji, tworząc empiryczną niejasność, która dodatkowo się komplikuje, gdy FDI jest skierowane konkretnie na infrastrukturę umożliwiającą rozwój turystyki²⁷.

Złożone powiązania między turystyką, inwestycjami a środowiskiem wymagają głębszego badania czynników moderujących i ram teoretycznych²⁸. Innowacje technologiczne są często wskazywane jako kluczowy mechanizm oddzielania wzrostu gospodarczego od emisji, poprzez wdrażanie energii odnawialnej i zielonych technologii²⁹. Ponadto teoretyczne podstawy hipotezy Krzywej Kuznetsa środowiskowego (EKC) stanowią ramy do badania związku między rozwojem gospodarczym a degradacją środowiska, sugerując, że emisje mogą początkowo rosnąć wraz z dochodem, a ostatecznie spadać o³⁰. Transformacyjny potencjał BRI, z prognozami sugerującymi, że gospodarki mogą stanowić połowę globalnego PKB do 2030 roku, czyni go kluczowym studium przypadku do analizy tych dynamik³¹. Jednak w literaturze pozostaje istotna luka: brak zniuansowanych, empirycznych badań, które jednocześnie modelują łączny wpływ infrastrukturalnych inwestycji zagranicznych, rozwoju turystyki i postępu technologicznego na emisje dwutlenku węgla w zróżnicowanych regionach BRI (Rysunek 1)³². Istniejące badania często traktują te czynniki w izolacji, nie rejestrując ich synergicznych efektów i regionalnych różnic, co te badania mają wypełnić, stosując metodologiczne podejście uwzględniające zarówno wspólne skorelowane efekty, jak i przekrojowe nierówności³³.

Protokół

Badanie to wykorzystało wyłącznie publicznie dostępne, wtórne dane makroekonomiczne pochodzące z oficjalnych źródeł, w tym Światowych Wskaźników Rozwoju Banku Światowego (WDI) oraz Ministerstwa Handlu Chińskiej Republiki Ludowej (MOFCOM). Podstawowe surowe dane są publicznie dostępne w Banku Światowym (https://databank.worldbank.org/source/world-development-indicators) oraz Ministerstwie Handlu Chin (MOFCOM). W badaniach nie brał udziału żaden człowiek ani zwierzęcy. W związku z tym badanie nie wymagało przeglądu ani zatwierdzenia przez instytucjonalną komisję recenzyjną (IRB) ani komisję etyki.

Konstrukcja danych i zmiennych

Niniejsze badania analizują EKC w krajach oraz BRI oraz analizują korelację między chińskimi zapasami FDI a emisją dwutlenku węgla. Ogólnie rzecz biorąc, wpływ aktywności gospodarczej na środowisko można podzielić na trzy kategorie: obejmujący to, co autorzy określili jako efekt innowacji technologicznych (TI), efekt składu przemysłowego oraz efekt skali ekonomicznej. Dlatego oprócz głównych cech badania, autorzy przedstawiają te kluczowe cechy. Poniżej przedstawiono postrzeganie tej korelacji:

   (1)

W tym modelu wykorzystuje się kilka zmiennych, które reprezentują różne wskaźniki ekonomiczne. Należą do nich:

CO2: emisje dwutlenku węgla, TD: chińskie zagraniczne zapasy bezpośrednich inwestycji zagranicznych w krajach Inicjatywy Pasa i Szlaku, TI: indeksy TD, PKB: produkt krajowy brutto, SQGDP: kwadraty PKB (używane do oznaczenia środowiskowej krzywej Kuzniecka) oraz IVA: wartość dodana przemysłowa.

Model wykorzystuje indeks dolny do wskazania liczby krajów oraz indeks dolny ε_{it} do oznaczania czasu. Parametry w modelu są reprezentowane jako β_{1} + β_{2} + β_{3} + β_{4} + β_{5} + β_{6} oraz β_{7} . Termin μ_{i} odnosi się do czynnika specyficznego przekroju poprzecznego, ε_{it}, i oznacza błędne wyrażenie.

BRI znacząco wzmocnił komunikację między Chinami a innymi krajami uczestniczącymi, co ma istotny wpływ na zużycie energii, wzrost gospodarczy oraz warunki środowiskowe. Działania podjęte przez rząd chiński w celu rozwoju zielonego BRI zgodnie z Porozumieniem Paryskim (2015) oraz SDG 2030 obejmują rozpowszechnianie przewag technologicznych oraz rozwój efektywnej i przyjaznej środowisku infrastruktury energetycznej³⁴. Gu i Zhou,^{lat 35} , przeanalizowali niedawno wybudowane projekty czystej energii w krajach BRI o mocy zainstalowanej 16 GW i pomogli zmniejszyć emisję gazów cieplarnianych o 49 ton metrycznych, potwierdzając te podejścia. Ponadto Li i ^in.36 zasugerowali, że Inicjatywa Pasa i Szlaku zwiększa efektywność energetyczną kraju gospodarczego oraz rozwój gospodarczy poprzez budowę niezawodnych obiektów energetycznych i logistycznych. Jednak bezpośrednie inwestycje bezpośrednie (FDI) Chin pogłębiają problemy ekologiczne w krajach gospodarzających ze względu na rosnące zapotrzebowanie na energię i zasoby naturalne. W zależności od tego uzasadnienia prognozuje się, że bezpośrednie inwestycje zagraniczne Chin za granicą mogą mieć wpływ na emisję dwutlenku węgla w różnych miejscach, zarówno korzystny, jak i szkodliwy:

W najnowszym badaniu Bekun i ^in.37 badali hipotezę, że przychody z turystyki przyczyniają się do niższych emisji, podczas gdy przybycie turystów mają odwrotny skutek. Ponadto synteza badań naukowych (patrz Tabela 1) podkreśliła, że zmienne turystyczne powodują określone konsekwencje środowiskowe. Aby spełnić wymagania, badania przeprowadzają skumulowany wskaźnik zaangażowania turystów, który pomaga eliminować subiektywne uprzedzenia. Ogólny wskaźnik biznesu turystycznego może mieć korzystny lub negatywny wpływ na CO2.

Podobnie jak zwiększona łączność, mniej barier dla konkurencji (zarówno ludzi, jak i towarów), szybsze wysyłki oraz poprawa infrastruktury między państwami członkowskimi BRI sprzyjają rozwojowi branży turystycznej, co może mieć kluczowy wpływ na jakość środowiska, biorąc pod uwagę cechy gospodarki turystycznej, może to być korzystne.

Biorąc pod uwagę fundamentalny charakter działalności gospodarczej, konieczne jest większe zużycie energii i paliw, co skutkuje wzrostem emisji CO2. Niemniej jednak postęp techniczny w celu tworzenia ekologicznie przyjaznych produktów i procedur oraz innowacje w dostawach energii mogą znacząco wpłynąć na zrównoważony rozwój środowiska. TI w ten sposób zmniejsza emisję dwutlenku węgla.

Teoria EKC jest wspierana przez wzrost gospodarczy powiązany ze wzrostem zużycia energii³⁸, co podnosi poziom emisji, ale kwadrat rozwoju gospodarki obniża emisję dwutlenku węgla.

Jednym z kluczowych czynników wpływających na emisje dwutlenku węgla państw gospodarzy jest struktura handlowa tych państw (Tabela 2). IVA może mieć korzystny wpływ na emisję CO2, ponieważ rosnące znaczenie przemysłu w krajach sąsiednich BRI skutkuje zwiększonym zużyciem energii i związanymi z tym emisjami³⁹.

Źródło danych i wybór próbki

Znaczenie państw BRI opiera się na założeniu, że stanowią one 30% światowego PKB, 64% jego mieszkańców, 39% terytorium, 35% handlu, 50% zużycia energii elektrycznej oraz 54% emisji_CO2. Oprócz tych danych, obszar BRI odnotował ogromny wzrost chińskiego BID, co czyni go najskuteczniejszą platformą współpracy w krajach⁴⁰ World. W związku z tym autorzy badają ekologiczne skutki bezpośrednich zagranicznych inwestycji Chin, TD i TI, w wybranych dwóch (54) krajach węzłów Belting i Roads w latach 2000–2020. Aby to osiągnąć, artykuł wykorzystuje roczne dane dotyczące emisji_CO2 (tony metryczne), chińskich zagranicznych bezpośrednich inwestycji zagranicznych (stały poziom 2010 USD), wskaźnika TD (więcej informacji w Tabeli 3) oraz całkowitego indeksu (TI), który obliczany jest jako całkowita liczba patentów (dla mieszkańców i imigrantów), PKB (ciągły 2011 USD), oraz wartości produkcyjne (% PKB). Kluczowe jest zapewnienie spójnej statystyki testowej przy rozwiązywaniu problemu różniczkowych atrybutów, ponieważ te czynniki wykazują różnorodne jednostki pomiarowe. Biorąc pod uwagę wcześniejsze badania, autorzy przekształcili wszystkie aspekty w model regresji, który daje wyniki w postaci sprężystości ułatwiające interpretację danych. Poza chińskim kapitałem bezpośrednich inwestycji zagranicznych, który pochodzi z chińskiego Departamentu Gospodarki i Handlu, informacje o tych czynnikach pochodzą z Indeksu Światowego Rozwoju (WDI).

Indeks TD

W badaniach turystyki stosuje się liczne wskaźniki do opisu działalności turystycznej. Dane z turystyki⁴¹, wydatki turystyczne Pata i Balsalobre-Lorente⁴², a wstępy⁴³ są wykorzystywane do ilościowego popytu na turystykę. Te modele turystyczne mają kilka wad, ponieważ stanowią tylko część związku między zanieczyszczeniami. Te trzy zmienne turystyczne są bardzo współrzędne i jeśli są wykorzystywane jednocześnie w jednolitym ramie, może to prowadzić do problemu wielokolinielarności; według Meng i ^in.44 PCA łączy wspólne wahania ze wszystkich zmiennych turystycznych w unikalny skumulowany wynik. Te wskaźniki turystyczne pochodzą z zbioru danych WDI, który pomaga tworzyć unikalny wskaźnik złożony poprzez łączenie bardzo kluczowych danych.

Indeks TD przez PCA

Indeks Rozwoju Turystyki (TD) został skonstruowany za pomocą analizy głównych składników (PCA), aby skonsolidować trzy silnie skorelowane zmienne turystyczne (międzynarodowe wpływy, wydatki i przyjazdy) w jeden wynik złożony. Przydatność danych do PCA została najpierw zweryfikowana za pomocą dwóch standardowych testów. Miara Kaisera-Meyera-Olkina (KMO) dotycząca adekwatności próbkowania dała wartość 0,723, przekraczającą zalecany próg 0,6, co wskazuje, że wzorce korelacji były zwarte i zatem odpowiednie do analizy czynnikowej. Ponadto Test kulistości Bartletta był statystycznie istotny (p < 0,001), potwierdzając, że macierz korelacji nie jest macierzą tożsamościową i że zmienne są wystarczająco skorelowane dla PCA. Na podstawie kryterium Kaisera (wartość własna > 1) zachowano tylko pierwszy główny składnik. Ten składnik satysfakcjonująco wyjaśnił ponad 81% całkowitej wariancji we wszystkich trzech zmiennych turystycznych. Obciążenia czynnikowe dla wszystkich trzech zmiennych były dodatnie i wysokie, co wspierało zrównoważone ważenie przy obliczaniu końcowego indeksu. Uzyskane wyniki indeksu TD wahały się od -0,681 do 5,157 dla próby, gdzie niższa wartość oznacza niższy poziom rozwoju turystyki, a wyższa wyższa na wyższy poziom rozwoju turystyki wśród krajów BRI (BRI).

Ramy analityczne

Naukowcy rozpoczęli analizę od testowania dwóch kluczowych właściwości danych panelowych: zależności przekrojowej (CSD), która wskazuje na powiązania między krajami, oraz heterogeniczności stoków (SH), która oznacza, że zależności zmiennych różnią się w zależności od kraju. Potwierdzenie tych właściwości było kluczowym pierwszym krokiem, ponieważ wymagało zastosowania specjalistycznych testów ekonometrycznych drugiej generacji dla uzyskania dokładnych wyników.

Zależność przekrojowa (CSD) i heterogeniczność stoków (SH)

Założenie zmienności o nachyleniu i zależności przekroju utrzymywanej przez pierwień jednostkowy drugiej generacji (SGN) (UR; w tym testy IPS UR uzupełniające CS) oraz testy kointegracji sprawiają, że konieczne jest weryfikacja przed przejściem do kolejności integracji czynnika. Z powodu szybkich wahań w projektach finansowych i monetarnych, które zostały odniesione przez zmiany gospodarcze, upadek bankowy, globalizację, powiązania tantiem oraz brakujące wizualne i niezauważone wspólne elementy, serie danych nieuchronnie stanowią problem CSD. Przed zastosowaniem UR i testami kointegracyjnymi, CSD pozwala nam wybrać najskuteczniejszą metodę rozwiązywania ujawnionych problemów. Badania wykorzystały bardziej zaawansowane podejście oparte na testach CD Tang i ^in.45 do weryfikacji CSD. Dodatkowo artykuł przyjmuje testy SH Zhuang i ^in.46, które są lepsze niż konwencjonalne analizy heterogeniczności, takie jak SURE, które nie pozwalają na CSD w panelach⁴⁷. Wzory analizy heterogeniczności nachyleń są następujące:

   (2)

   (3)

Test korzeni jednostkowych (URT)

Kolejnym etapem jest wykorzystanie odpowiednich eksperymentów z jednostkowymi korzeniami, aby zapewnić kolejność całkowania po zweryfikowaniu heterogeniczności CSD i nachyleń. Kolejność całkowania dla wszystkich czynników jest określana przez modele IPS (CIPS) z przekrojem poprzecznym Dickey-Fullera (CADF) oraz przekrojowym wzmocnionym IPS (CIPS). Testowanie pierwszej generacji to pierwsze dwa URT, natomiast analizy SGN to trzecie URT Ponieważ pozwala na CSD przy obliczaniu współczynników zmiennych jednostek, CIPS jest lepszy. Konwencjonalne testy panelowe jednostki korzeniowej dają fałszywe wyniki, gdy obecne jest CSD. Mimo to obecne badania wykorzystują podstawowe i zaawansowane testy rdzenia jednostkowego do obiektywnych i spójnych szacunków. Poniżej znajduje się równanie CIPS:

   (4)

Poniższe równanie wykorzystuje symbol do wskazania średniej między różnymi sekcjami.

   (5)

Testy statystyczne CIPS przedstawiają się następująco:

   (6)

Testy kointegracji panelowej

Autorzy następnie szacują związek kointegracyjny między emisjami dwutlenku węgla a ich przyczynami, w tym chińskimi wypływającymi FDI, TD, TI a ekspansją gospodarczą, potwierdzając CDS, heterogeniczność stoków oraz poziom zmienności stacjonarnej. Badania osiągają to poprzez podejście panelowej kointegracji, które daje realistyczne prognozy, gdy błędne czynniki są zależne od przekroju i gdy panele są zróżnicowane. Ponieważ test ten nie nakłada typowych ograniczeń elementów przy uwzględnianiu CSD i rozkładów strukturalnych, jest preferowany niż testy kointegracji pierwszej generacji. Dodatkowo, tradycyjne metody estymacji panelowej wykorzystujące nieobserwowaną heterogeniczność, modele efektów stałych i zmienne instrumentalne nie uwzględniają CSD o stałej wariancji, co skutkuje niedokładnymi szacunkami. W przeciwieństwie do testu kointegracji drugiej generacji, technika kointegracji panelowej uwzględnia przerwania strukturalne w różnych miejscach dla każdego przekroju, a także korelację CSD, SH i szeregową błędnych wyrażeń. Artykuł zawiera test kointegracji. Rozpad strukturalny i zmiany paradygmatu wpływają na prawdziwe wartości. Analiza ta dostarcza prognoz kointegracji bez zanieczyszczeń, przerw poziomu czy zmiany paradygmatu (Tabela 4).

Opóźnienia rozproszone o przekroju przekroju pośrednim autoregresywne

Autorzy mogą teraz rozważać eksperymentalne oceny długoterminowego związku między gazami cieplarnianymi a ich czynnikami. Tradycyjny model predykcyjny zakłada stabilność przekrojową, co nie ma miejsca w początkowych badaniach. Biorąc pod uwagę, że ilość zanieczyszczenia dwutlenkiem węgla jest kontrolowana przez niewidoczne istotne zmienne, które powodują poleganie na wyrazach błędu przekroju, jest to hipoteza mało prawdopodobna. Kilka czynników, w tym nierówny i nagły wzrost chińskich zagranicznych bezpośrednich inwestycji zagranicznych oraz zmiany ram finansowych i politycznych, nadają koncepcyjną wiarygodność przekrojowemu poleganiu na programie Pasa i Szlaku. Wynika to z faktu, że naturalne cechy mogą zostać zniekształcone przez obecność niewidocznych istotnych zmiennych powiązanych z analizą regresyjną. Estymacja CS-ARDL stanowi najlepsze rozwiązanie problemu zależności przekroju i heterogeniczności nachyleń. Zaproponuj dynamiczną strategię wspólnych skorelowanych efektów, którą metoda CS-ARDL wykorzystuje do rozwiązania tych problemów. To prowadzi nas do następującego wyprowadzenia wzoru CS-ARDL:

   (7)

Proste modele rozkładu departamentowego autoregresywnego (ARDL) mają funkcję liniową pokazaną powyżej w równaniu (7); Jeśli autorzy będą kontynuować ten wzór, uzyskają mieszane wyniki w zależności od tego, czy występują zależności przekrojowe (cross-screening). Równanie (7) jest uogólnione, aby uzyskać równanie (8) poprzez uśrednianie przez przekroje. Wpływ punktu odcięcia występuje tylko wtedy, gdy uwzględnia się zależność przekrojowa, a ta procedura pomoże wyeliminować to potencjalnie mylące założenie.

   (8)

Gdzie X_t-1 = (CO_2i,t–₁, Z_i,t–₁) można traktować jako średnią zmiennych zależnych i niezależnych, P_{w,P z,P x} Zidentyfikuj wszystkie opóźnienia w każdym parametrze. CO_2i,t, czyli emisje dwutlenku węgla (tCO2), to przykład zmiennej zależnej, a Z_i,t to wektor obejmujący wszystkie różne czynniki. Średnie przekrojowe (w tym zmienne czasowe lub wzorce) są pokazane przez X, pokazując, jak można je wykorzystać, aby uniknąć CSD spowodowanego efektem ripple. CS-ARDL wykorzystuje współczynniki krótkookresowe jako dane wejściowe do obliczania współczynników długoterminowych. Dla estymatora liczby średniej oraz współczynnika długoterminowego.

   (9)

Grupa średnia jest dana jako:

   (10)

Współczynniki krótkookresowe szacuje się jako:

   (11)

Gdzie,

    (12)

   (13)

(14)

(15)

W przypadku zakłóceń lub w czasie potrzebnym do osiągnięcia stałej równowagi, procedury korekcji błędów w CS-ARDL są porównywalne do zorganizowanego panelu średniego, który wyznacza tempo modyfikacji w kierunku długotrwałej równowagi.

Estymatory odporności

Tradycyjne procedury szacowania są zdecydowanie przeciwne uznaniu przez ten komitet istnienia heterogeniczności stoków i rozkładu wariancji. Ponadto badania wykorzystują miarę Ordinary Connected Effect Average Panel, ustanowioną przez Pesaran, aby potwierdzić podobne rzeczy. Nawet przy CSD, heterogeniczności, endogeniczności i niestacjonarności, CCEMG może być skutecznie stosowany (Tabela 5). Ma też problemy korelacji, zwłaszcza przy podziałach przekrojowych. Poniżej znajduje się wzór CCEMG:

   (16)

Przyczynowość Grangera

Przyczynowość Grangera służy do analizy składników artykułu i ich możliwych współzależności. Dzięki podstawowym założeniom ta metoda lepiej sprawdza się przy różnorodnych ekspozycjach. W porównaniu z testem hipotezy przyczynowości między zmiennymi, hipoteza zerowa analizy wielokrotnej regresji DH jest taka, że przyczynowość nie istnieje. Poniżej znajduje się opis praktycznej struktury testu przyczynowości DH Granger:

   (17)

W modelu autoregresyjnym estymator oznaczany jest jako j, a zmienne autoregresywne przez βj(j)

Wyniki

Przedstawione wyniki skutecznie pokazują użyteczność techniki Cross-Screenally Augmented Autoregressive Distributed Lag (CS-ARDL) w uchwyceniu złożonych, rzeczywistych relacji ekonomicznych (Rysunek 2). Na przykład rozbieżny długoterminowy wpływ bezpośrednich inwestycji zagranicznych (FDI) na emisje dwutlenku węgla jest negatywny w niektórych regionach, takich jak Azja Południowo-Wschodnia, a pozytywny w innych, jak Azja Południowa, co ilustruje heterogeniczność stoków, z którą model CS-ARDL...

Dyskusja

Wyniki tej empirycznej pracy dostarczają bogatej i zniuansowanej opowieści o możliwym wpływie integracji gospodarczej na środowisko w ramach Inicjatywy Pasa i Szlaku oraz przekraczają uproszczone dychotomie definiujące literaturę. Testowanie heterogeniczności stoków i zależności przekroju nie powinno być wprowadzane od samego początku jako metodologiczna uprzejmość, lecz jako podstawowy punkt; należy uznać, że relacje między bezpośrednimi inwestycjami zagranicznymi, turystyką, technologią i emisjami dwutlenku węgla nie s...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Analiza przyczynowości	Test przyczynowości panelu Grangera według Dumitrescu i Hurlina (2012)		Aby określić kierunek zależności przyczynowych między zmiennymi (np. czy FDI Grangera powoduje emisję CO2?).
Test zależności przekrojonej (CSD)	Pesaran (2015) Test zależności przekroju (CD)		Diagnostyczne zbadanie hipotezy zerowej niezależności przekroju pomiędzy wyrazami błędu jednostek panelowych.
Termin interakcji FDI-TD	Obliczone jako produkt serii indeksów FDI i rozwoju turystyki (TD).		Uchwycić synergiczny lub łagodzący efekt, jaki infrastrukturalne inwestycje bezpośrednie mają na związek między rozwojem turystyki a emisją dwutlenku węgla.
Dane dotyczące bezpośrednich inwestycji zagranicznych (FDI)	Ministerstwo Handlu Chińskiej Republiki Ludowej (MOFCOM)		Źródło danych o chińskich zapasach FDI do krajów Inicjatywy Pasa i Szlaku (BRI).
Estymacja długoterminowa i krótkookresowa	Model przekroju przekrojowego autoregresywnego z rozproszonym opóźnieniem (CS-ARDL)		Głównym estymatorem jest wyprowadzenie współczynników zarówno krótkookresowych, jak i długoterminowych, aby uwzględnić wpływ zmiennych niezależnych na emisję CO2, uwzględniając CSD i heterogeniczność.
Dane z panelu makroekonomicznego	Bank Światowy, Światowe Wskaźniki Rozwoju (WDI)		Główne źródło danych o emisji CO2, PKB, wartości dodanej przemysłu (IVA) oraz wskaźnikach turystyki (przyjazdy, wpływy).
Testy kointegracji panelowej	Westerlund i Edgerton (2008) test kointegracji z przerwami strukturalnymi		Testować istnienie długoterminowej kointegracyjnej zależności między zmiennymi, uwzględniając CSD i pęknięcia strukturalne.
Estymator Testu Odporności	Średnia grupa o wspólnych skorelowanych efektach (CCEMG)		Alternatywny estymator używany do sprawdzania odporności współczynników długoterminowych uzyskanych z modelu CS-ARDL.
Testy korzeniowe jednostek drugiej generacji	Przekrójowy Augmented Dickey-Fuller (CADF) oraz Cross-Screenal Augmented IPS (CIPS)		Określenie kolejności całkowania zmiennych (CO2, FDI, TD, TI, GDP, IVA) w obecności zależności przekroju poprzecznego.
Test heterogeniczności stoków (SH)	Pesaran i Yamagata (2008) Testy Delty i modyfikacji Delty		Diagnostyczne przetestowanie hipotezy zerowej jednorodnych nachyleń na przekrojach w panelu.
PKB kwadrat (SQGDP)	Obliczone jako kwadrat serii PKB per capita (czyli całkowitego PKB).		Empiryczne przetestowanie obecności hipotezy Krzywej Kuznetsa środowiskowego (EKC) w modelu.
Pakiet oprogramowania statystycznego	Nie jest to określone w protokole, ale niezbędne do analizy (np. Stata, R, EViews)		Platforma do zarządzania danymi, konstrukcji zmiennych oraz wykonywania wszystkich testów i estymacji ekonometrycznej (CSD, SH, korzeń jednostkowy, kointegracja, CS-ARDL, CCEMG, przyczynowość).
Dane dotyczące innowacji technologicznych	Bank Światowy, Światowe Wskaźniki Rozwoju (WDI)		Źródło danych patentowych (rezydentów i nierezydentów) użytych do skonstruowania indeksu innowacji technologicznych (TI).
Indeks Rozwoju Turystyki (TD)	Analiza głównych komponentów (PCA) zastosowana do przyjazdów, przychodów i wydatków turystów.		Stworzenie jednego, złożonego indeksu, który obejmuje ogólną aktywność turystyczną i unika wielokolinielarności wynikającej z stosowania indywidualnych wskaźników turystycznych.