Artykuł badawczy

Wpływ polityki środowiskowej i technologii na przejście na odnawialne źródła energii

61 wyświetleń

⸱

DOI:

10.3791/71760

⸱

7 sierpnia 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

W tym artykule

Podsumowanie

To badanie 21 krajów OECD (2000-2020) wykazuje, że Indeks Polityki Środowiskowej, emisje gazów cieplarnianych i technologie związane ze środowiskiem sprzyjają przyjęciu odnawialnych źródeł energii, podczas gdy Zielony PKB utrudnia to. Między wszystkimi zmiennymi istnieje dwukierunkowa relacja przyczynowa. Tempo transformacji pozostaje niewystarczające, co wymaga reform politycznych i podatków za zanieczyszczenie.

Streszczenie

Pojemność energetyki odnawialnej (REC) odgrywa kluczową rolę w osiąganiu zrównoważonego rozwoju i neutralności węglowej, jednak wpływ efektywności polityki ekologicznej, jakości środowiska, innowacji technologicznych oraz zielonego wzrostu gospodarczego na REC jest zróżnicowany w zależności od kraju i etapu rozwoju energetyki odnawialnej. Niniejsze badanie analizuje determinanty pojemności energetyki odnawialnej w 21 krajach OECD w latach 2000-2020, koncentrując się na efektywności polityki ekologicznej (EPI), emisji gazów cieplarnianych (GHG), ekologicznych technologiach (EFT) oraz Zielonym PKB. W ramach metodologicznych zastosowana została metoda panelowej autoregresyjnej rozkładowej opóźnienia (ARDL) do badania długoterminowej kointegracji, metoda regresji kwantylowej momentów (MMQR) do uchwycenia zróżnicowanego wpływu na warunkowy rozkład REC oraz panelowe testy kauzacji Grangera w celu określenia kierunku relacji przyczynowych. Test graniczny panelowej metody ARDL potwierdza stabilną długoterminową relację równowagi między zmiennymi (F = 7,845, p < 0,01). Wyniki MMQR pokazują, że EPI wywiera pozytywny i stopniowo rosnący wpływ na poszczególne kwantyle (0,092–0,212), podczas gdy EFT wykazuje największy pozytywny gradient (0,131–0,221) i wykazuje dwukierunkową kauzalność z REC, co wskazuje na wzmacniający się cykl pomiędzy innowacjami technologicznymi a wdrażaniem energetyki odnawialnej. Emisja GHG ma umiarkowanie pozytywną korelację z REC (0,048–0,082), ale nie powoduje jednokierunkowej zmiany w REC; zamiast tego, wyższa pojemność energetyki odnawialnej znacząco zmniejsza emisję. Zielone PKB wykazuje spójnie negatywny wpływ na REC (–0,348 do –0,138), choć ten wpływ słabnie w wyższych kwantylach pojemności energetyki odnawialnej, co sugeruje przejściową adaptację podczas przemiany ku zielonej gospodarce. Te wyniki wskazują, że wpływ polityki środowiskowej, innowacji technologicznych, emisji oraz zielonego wzrostu gospodarczego jest uzależniony od etapu rozwoju, podkreślając potrzebę wdrożenia specyficznych dla etapu polityk, ciągłych inwestycji w zieloną badania i rozwój oraz uzupełniających instrumentów politycznych, aby złagodzić krótkoterminowe koszty adaptacji i przyspieszyć przemianę energetyczną.

Wprowadzenie

Wzmagające się globalne zapotrzebowanie na energię zwiększyło potrzebę szybkiego przejścia na czyste źródła energii. Chociaż odnawialne źródła energii stanowiły około 30% wzrostu w sektorze energii słonecznej, kopalne źródła energii nadal dominują w zwiększającym się zapotrzebowaniu na energię, co prowadzi do ciągłego gromadzenia emisji dwutlenku węgla (CO2) i zagraża osiągnięciem celów Porozumienia Paryskiego1. Systematyczne zrozumienie trendów inwestycji w zrównoważone źródła energii, jak pokazano na przykładzie mapowania naukowego i metaanalizy przedstawionej w Finansowaniu przyszłości: Wgląd w inwestycje w zrównoważone źródła energii, podkreśla zbieżność przemian politycznych, finansowych i technologicznych, które miały miejsce w gospodarkach OECD w latach 2000-20202. Ten dwudziestoletni okres, obejmujący 21 krajów OECD, stanowi idealne otoczenie do oceny długoterminowych determinant wdrażania odnawialnych źródeł energii3. Przejście na odnawialne źródła energii zależy od efektywnej interakcji zarządzania środowiskiem, inwestycji finansowych i innowacji technologicznych4. Niedawna systematyczna recenzja wykazała, że czynniki ekonomiczne i polityczne są głównymi czynnikami napędzającymi rozwój odnawialnych źródeł energii. Analizy progowe krajów OECD wykazały ponadto, że rygorystyczna polityka środowiskowa promuje wdrażanie odnawialnych źródeł energii dopiero po przekroczeniu krytycznego progu5, podczas gdy dyfuzja ekologicznych technologii wymaga również trwałego inwestowania przed osiągnięciem znaczących korzyści6. Co więcej, dynamiczne analizy regresji kwantoylowej panelu w 77 krajach wykazały, że ekologiczne technologie znacząco promują konsumpcję odnawialnych źródeł energii, szczególnie w gospodarkach rozwijających się7.

Mimo tych postępów, nadal pozostaje kilka ważnych luk w badaniach. Istniejące badania zazwyczaj badają politykę środowiskową i innowacje technologiczne osobno, zaniedbując ich potencjalne synergie w wdrażaniu odnawialnych źródeł energii. Ponadto pojemność odnawialnych źródeł energii (REC), używana w tym badaniu jako zmienna zależna, zyskała ograniczoną uwagę w ramach zintegrowanych empirycznych modeli, które jednocześnie uwzględniają politykę środowiskową, innowacje technologiczne, emisje i zieloną wydajność gospodarczą8. Co więcej, tempo przyswajania odnawialnych źródeł energii w zaawansowanych gospodarkach spowolniało. Emisje gazów cieplarnianych (GHG) OECD pozostają na wysokim poziomie, podczas gdy rygorystyczność polityki klimatycznej wzrosła jedynie o 1% w 2024 roku, co wskazuje na lukę w realizacji, która wymaga głębszego zbadania czynników napędzających odnawialne źródła energii w gospodarkach o wysokim dochodzie9. Zgodnie z tym, niniejsze badanie bada determinanty pojemności odnawialnych źródeł energii w 21 krajach OECD w latach 2000-2020 przy użyciu Indeksu Wyników Ekologicznych (EPI), emisji gazów cieplarnianych (GHG), ekologicznych technologii (EFT) oraz Zielonego PKB jako zmiennych wyjaśniających. Po wstępnym testowaniu diagnostycznym zastosowano test współintegracji bounds PANEL ARDL w celu ustalenia długoterminowych relacji równowagi, Metodę Kwantylową Regresji Momentów (MMQR) w celu uchwycenia heterogeniczności dystrybucji oraz testy kauzality panelowej w celu określenia kierunku relacji przyczynowych10. Wyniki pokazują, że EPI i EFT wywierają znaczące pozytywne wpływy tylko powyżej określonych progów, podczas gdy wpływ Zielonego PKB różni się w zależności od warunkowej dystrybucji pojemności odnawialnych źródeł energii, co podkreśla znaczenie skoordynowanej polityki środowiskowej, innowacji technologicznych i strategii ekonomicznych11. Poprzez eksplicitne modelowanie wspólnych wpływów efektywności polityki środowiskowej i rozwoju technologicznego na różnych poziomach pojemności odnawialnych źródeł energii, niniejsze badanie dostarcza bardziej zróżnicowanej ewidencji na poparcie formułowania polityki w zakresie odnawialnych źródeł energii.

Determinanty przejścia na odnawialne źródła energii były szeroko badane; jednak zrozumienie jest ograniczone przez fragmentaryczne perspektywy teoretyczne i przede wszystkim opisowe, zamiast integracyjne analizy empiryczne12. W szczególności główne czynniki napędzające wdrażanie odnawialnych źródeł energii, w tym efektywność polityki środowiskowej, ekologiczne technologie, emisje gazów cieplarnianych oraz zielona wydajność gospodarcza, rzadko były badane w ramach zjednoczonej analitycznej perspektywy, która uwzględnia powiązania rynków finansowych oraz digitalizację zielonego finansowania13.

Wyniki polityki środowiskowej, często mierzone za pomocą złożonych wskaźników, takich jak Indeks Wyników Ekologicznych (EPI), zajmują centralne miejsce w literaturze dotyczącej odnawialnych źródeł energii14. Wcześniejsze badania wykazały, że

Protokół

Filozofia i projekt badań
W niniejszym badaniu przyjęto pozytywistyczną filozofię badań, zakładając, że determinanty mocy odnawialnych źródeł energii (REC) mogą zostać obiektywnie zbadane przy użyciu ilościowej analizy danych panelowych. Zastosowano podłużny, międzykrajowy projekt badawczy w celu zbadania długookresowych zależności między mocą odnawialnych źródeł energii a jej determinantami w 21 krajach Organizacji Współpracy Gospodarczej i Rozwoju (OECD) w latach 2000–2020. Opierając się na tożsamości Kaya, wykorzystano podejście dedukcyjno-analityczne do opracowania modelu empirycznego i przetestowania hipotetycznych zależności między mocą odnawialnych źródeł energii, efektami polityki ekologicznej, emisjami gazów cieplarnianych (GHG), ekologicznymi technologiami (EFT) oraz zielonym PKB (Green GDP). Ramy analityczne integrują gromadzenie danych, testy diagnostyczne, analizę kointegracji, regresję kwantylową oraz analizę przyczynowości panelowej, aby zapewnić spójność metodologiczną i rzetelne wnioskowanie statystyczne.

Gromadzenie danych i zmienne
W badaniu wykorzystano zbalansowany panel danych obejmujący 21 krajów OECD obserwowanych corocznie w latach 2000–2020, co dało łącznie 441 obserwacji kraj-rok. Dane pozyskano z publicznie dostępnych i uznanych międzynarodowo baz danych w celu zapewnienia przejrzystości i odtwarzalności. Tabela 1 przedstawia zestawienie zmiennych, jednostek miary, źródeł danych oraz oczekiwanych znaków. Jako zmienną zależną przyjęto moc zainstalowanych odnawialnych źródeł energii (REC), mierzoną jako całkowita zainstalowana moc wytwórcza energii elektrycznej z OZE (MW). Zmienne objaśniające obejmują Wskaźnik Efektywności Ekologicznej (EPI), emisje gazów cieplarnianych (GHG) (tony ekwiwalentu CO₂), ekologiczne technologie (EFT), mierzone liczbą zgłoszeń patentowych związanych ze środowiskiem, oraz Zielony PKB, mierzony jako produkt krajowy brutto skorygowany o degradację środowiska i wyczerpywanie zasobów naturalnych (stały USD z 2015 r.). Dane dotyczące mocy OZE, EPI, emisji GHG oraz EFT pobrano z bazy danych OECD Statistics, natomiast dane dotyczące Zielonego PKB z bazy danych Banku Światowego. Przed dokonaniem estymacji wszystkie zmienne przekształcono za pomocą logarytmów naturalnych w celu stabilizacji wariancji, redukcji heteroskedastyczności oraz ułatwienia interpretacji elastyczności.

Ramy teoretyczne i specyfikacja modelu
Ramy empiryczne opierają się na tożsamości Kaya39, która rozkłada emisje dwutlenku węgla na liczbę ludności, aktywność gospodarczą, energochłonność oraz intensywność emisji węgla, zapewniając tym samym teoretyczną podstawę do zrozumienia czynników wpływających na zrównoważenie środowiska:

Schemat wzoru emisji CO2; CO2=Energy/Green GDP*Green GDP/Population*Population. (1)

gdzie CO2 oznacza emisje dwutlenku węgla; CO2/Energy oznacza intensywność węglową zużycia energii; Energy/Green GDP oznacza energochłonność skorygowanego środowiskowo produktu ekonomicznego; Green GDP/Population oznacza skorygowany środowiskowo produkt krajowy brutto per capita; a Population oznacza całkowitą populację.

Zmienne objaśniające odpowiadają bezpośrednio teoretycznym komponentom tożsamości Kaya. Wskaźnik Efektywności Ekologicznej reprezentuje efektywność polityki środowiskowej ukierunkowanej na promowanie czystszych systemów energetycznych. Technologia przyjazna środowisku odzwierciedla innowacje technologiczne, które poprawiają efektywność energetyczną i redukują koszty energii odnawialnej. Emisje gazów cieplarnianych reprezentują presję środowiskową na dekarbonizację, natomiast Zielony PKB oddaje skorygowaną o czynniki środowiskowe efektywność ekonomiczną. W oparciu o te założenia oszacowano następujący model empiryczny39:

Równanie modelu ekonomicznego; RECi obejmujące FP, emisję GHG, zielone PKB; analiza czynników ekonomicznych. (2)

gdzie REC oznacza moc odnawialnych źródeł energii; EPI reprezentuje Ekologiczny Wskaźnik Wydajności; GHG oznacza emisje gazów cieplarnianych; EFT reprezentuje ekologiczne technologie; Green GDP oznacza produkt krajowy brutto skorygowany o wpływ na środowisko; i indeksuje kraje; t indeksuje lata; τ0 jest wyrazem wolnym; τ1–τ4 to oszacowane współczynniki regresji; εit jest specyficznym składnikiem błędu.

Testy diagnostyczne
Przed oszacowaniem modeli empirycznych przeprowadzono serię testów diagnostycznych w celu oceny właściwości statystycznych danych panelowych i zidentyfikowania odpowiednich technik szacowania. Po pierwsze, zbadano zależność przekrojową za pomocą testu zależnośc przekrojowej (CD) Pesarana34, ponieważ kraje OECD prawdopodobnie doświadczają wspólnych wstrząsów wynikających z globalnych warunków gospodarczych, międzynarodowych rynków energii oraz skoordynowanej polityki środowiskowej:

CSD_LM-Skorygowany wzór, analiza statystyczna, równanie, wariancja, ocena danych eksperymentalnych. (3)

gdzie N oznacza liczbę jednostek przekroju poprzecznego; T oznacza liczbę okresów czasu; i oraz k indeksują jednostki przekroju poprzecznego (i ≠ k); Równanie reprezentujące tensor szybkości odkształcenia \( \hat{\gamma}_{ik} \). reprezentuje oszacowany współczynnik korelacji parowej reszt regresji pomiędzy jednostkami przekroju poprzecznego i i k; j oznacza rząd opóźnienia; E(·) reprezentuje wartość oczekiwaną; a V(·) oznacza wariancję używaną do standaryzacji statystyki testowej. Po drugie, heterogeniczność nachylenia oceniono za pomocą testu heterogeniczności nachylenia Pesarana–Yamagaty, aby ustalić, czy efekty zmiennych objaśniających różniły się pomiędzy krajami40:

Wzór przedstawiający analizę statystyczną; równanie obejmuje zmienne N, k, Ŝ; wizualizacja koncepcji. (4)
równanie równowagi statycznej, ΣFx=0, wzór matematyczny dla analizy bilansu sił (5)

gdzie Δ̃adj oznacza skorygowaną statystykę testu heterogeniczności nachylenia; N reprezentuje liczbę jednostek przekrojowych; T oznacza liczbę okresów czasowych; k to liczba zmiennych objaśniających; a S̃ reprezentuje standaryzowaną statystykę dyspersji nachylenia Swamya, wykorzystywaną do oceny heterogeniczności parametrów w jednostkach panelowych. Na koniec stacjonarność oceniono za pomocą testu pierwiastka jednostkowego Cross-sectionally Augmented Im–Pesaran–Shin (CIPS), który uwzględnia zarówno zależność przekrojową, jak i heterogeniczne współczynniki nachylenia41:

Wzór CIP̅S dla funkcji rozkładu skumulowanego; równanie matematyczne do analizy statystycznej. (6)

gdzie CIPS oznacza statystykę pierwiastka jednostkowego dla paneli Im–Pesaran–Shin z augmentacją przekrojową; N reprezentuje liczbę jednostek przekrojowych; CDFi oznacza statystykę Dickeya–Fullera z augmentacją przekrojową dla i-tej jednostki przekrojowej; a i indeksuje poszczególne jednostki przekrojowe. Wyniki tych testów diagnostycznych pomogły w wyborze ekonometrycznych technik panelowych drugiej generacji, odpowiednich dla heterogenicznych zbiorów danych panelowych.

Test kointegracji panelowej
Aby określić, czy istnieje stabilna długookresowa relacja równowagi pomiędzy mocą odnawialnych źródeł energii, efektywnością polityki środowiskowej, emisjami gazów cieplarnianych, technologią przyjazną środowisku a zielonym PKB (Green GDP), zastosowano panelowy test kointegracji ARDL (bounds test). W porównaniu z konwencjonalnymi testami kointegracji opartymi na residuach, podejście Westerlunda uwzględnia zależność przekrojową, heterogeniczne współczynniki nachylenia oraz małe rozmiary próby. Test generuje cztery statystyki: dwie statystyki średnich grupowych (Gt oraz Ga) i dwie statystyki panelowe (Pt oraz Pa). Odrzucenie hipotezy zerowej wskazuje na obecność długookresowej relacji równowagi pomiędzy zmiennymi36,42:

Równanie statystyczne Σϑ/SE(ϑ) do analizy danych; formuła sumowania; interpretacja danych badawczych. (7a)
Równanie równowagi statycznej, Σ(Tϑ̂ᵢ/ϑ̂ᵢ(1)), formuła bilansu, schemat edukacyjny. (7b)
Statystyczne testowanie hipotez; równanie testu t; schemat do celów badań edukacyjnych. (7c)
Równanie termodynamiki: Pa=Tvϑ, równowaga statyczna, formuła fizyczna. (7d)

gdzie Gt oraz Ga oznaczają średnie grupowe statystyki testowe testu kointegracji granic Panel ARDL; Pt i Pa oznaczają panelowe statystyki testowe; N reprezentuje liczbę jednostek przekrojowych; T oznacza liczbę okresów czasowych; Symbol teorii estymacji \(\hat{\vartheta}_i\), obejmuje koncepcję analizy statystycznej. jest oszacowanym współczynnikiem korekty błędu dla itej jednostki przekrojowej; Równanie równowagi statycznej ΣFx=0, ΣFy=0 diagram; koncepcja mechaniki do użytku edukacyjnego. reprezentuje połączony współczynnik korekty błędu; SE(Symbol teorii estymacji \(\hat{\vartheta}_i\), obejmuje koncepcję analizy statystycznej.) oraz SE(Równanie równowagi statycznej ΣFx=0, ΣFy=0 diagram; koncepcja mechaniki do użytku edukacyjnego.) oznaczają odpowiednie błędy standardowe; a i indeksuje poszczególne jednostki przekrojowe. Obecność kointegracji uzasadnia szacowanie elastyczności długookresowych i późniejsze analizy oparte na kwantylach.

Regresja kwantylowa metodą momentów (MMQR)
Ponieważ konwencjonalne estymatory danych panelowych dostarczają jedynie efektów średnich, mogą one maskować znaczną heterogeniczność pomiędzy krajami funkcjonującymi na różnych poziomach wdrażania energii odnawialnej. Aby uchwycić te heterogeniczne efekty, zastosowano regresję kwantylową metodą momentów (MMQR).

Metoda MMQR szacuje wpływ efektywności polityki ekologicznej, emisji gazów cieplarnianych, technologii przyjaznych środowisku oraz Zielonego PKB w wielu warunkowych kwantylach mocy energii odnawialnej, co pozwala na zróżnicowanie wpływu zmiennych objaśniających w zależności od stopnia dojrzałości wdrożenia energii odnawialnej. Metoda ta jednocześnie uwzględnia indywidualne efekty stałe oraz nieobserwowalną heterogeniczność, szacując parametry położenia i skali43:

Równanie regresji kwantylowej, \(Q_{y_{it}}(\tau |X_{it}) = \sigma_1 + X_{it} \zeta + ( \alpha_i + Z_{it} \gamma ) U_{it}\) (8)

gdzie Qτ(Yto | Xto) oznacza warunkowanie τth kwantyl zmiennej zależnej; Yto oznacza moc zainstalowaną w odnawialnych źródłach energii (REC); Xit oznacza wektor zmiennych objaśniających (EPI, emisje GHG, EFT oraz zielone PKB); σ1 jest punktem przecięcia z osią rzędnych; ζ jest wektorem parametrów położenia; αi reprezentuje efekt stały specyficzny dla danego kraju; Zto oznacza kowarianty skali; γ jest wektorem parametrów skali; Uto jest składnikiem błędu; a i i t indeksują odpowiednio kraje oraz lata. Komponent skali modelu MMQR określono w następujący sposób43:

Równanie matematyczne, Zi=Zi(X), i=1,...,k, stosowane w analizie statystycznej lub obliczeniowej. (9)

gdzie Zi(X) oznacza funkcję skali zmiennych objaśniających; Zi reprezentuje wektor współzmiennych skali; X oznacza wektor zmiennych objaśniających; i indeksuje jednostki przekrojowe (kraje); a k oznacza całkowitą liczbę zmiennych objaśniających. W ramach analizy odporności oszacowano również konwencjonalną regresję kwantylową dla danych panelowych z błędami standardowymi uzyskanymi metodą bootstrap, aby zweryfikować spójność wyników MMQR.

Test przyczynowości panelowej
Kierunek relacji przyczynowych pomiędzy mocą energii odnawialnej, efektywnością polityki ekologicznej, emisjami gazów cieplarnianych, technologią przyjazną środowisku a zielonym PKB zbadano przy użyciu panelowego testu nieprzyczynowości Grangera Dumitrescu–Hurlin44. Podejście to uwzględnia zależność przekrojową i heterogeniczne struktury panelowe, pozwalając jednocześnie zidentyfikować, czy relacje przyczynowe są jednostronne czy dwustronne.

Analiza przyczynowości panelowej uzupełnia analizy kointegracji i MMQR, odróżniając zmienne, które napędzają wzrost mocy energii odnawialnej, od tych, które reagują na zmiany w jej wdrażaniu. Ustalenie kierunku przyczynowości dostarcza dodatkowych dowodów, które mogą pomóc w ustaleniu priorytetów polityki oraz sekwencji działań w zakresie energii odnawialnej.

Wszystkie analizy statystyczne zostały przeprowadzone przy użyciu oprogramowania do analizy statystycznej. Sekwencja analityczna, obejmująca testy diagnostyczne i analizę kointegracji, a następnie regresję kwantylową i testy przyczynowości panelowej, stanowi spójne i powtarzalne ramy oceny czynników determinujących moc energii odnawialnej w krajach OECD.

Wyniki

Statystyki opisowe
Charakterystyka rozkładu zmiennych badawczych została zbadana przed estymacją ekonometryczną. Tabela 2 przedstawia statystyki opisowe dla zmiennych przekształconych logarytmicznie w 21 krajach OECD w latach 2000–2020. Pojemność energetyki odnawialnej (REC), wskaźnik ekologicznej wydajności (EPI), emisje gazów cieplarnianych (GHG), ekologiczna technologia (EFT) i Zielone PKB wykazywały znaczne różnice między krajami i w czasie, ze średnimi wartościami odchyleń standardowych przekraczającymi jeden dla wszystkich zmiennych. REC wahało się od –2,132 do 2,822, podczas gdy Zielone PKB wahało się od 11,990 do 14,411. Współczynniki skośności wskazywały na lewostronnie skośne rozkłady dla REC, emisji GHG i EPI, podczas gdy EFT i Zielone PKB były dodatnio skośne. Wartości kurtozy przekraczały trzy dla wszystkich zmiennych, przy czym REC wykazywało najwyższą kurtozę (7,66), co wskazuje na rozkład leptokurtozyczny. Test Jarque–Bera odrzucił hipotezę zerowej normalności dla REC, emisji GHG, EPI i Zielonego PKB (p < 0,01), podczas gdy EFT nie wykazywał znaczącego odchylenia od normalności (p = 0,593). Te wyniki potwierdzają zastosowanie metod estymacji opartych na kwantylach, które są odporne na nienormalne rozkłady.

Odpowiedniość przekroju poprzecznego i nierównoległość nachyleń
Odpowiedniość przekroju poprzecznego i nierównoległość nachyleń zostały przebadane przed estymacją modeli panelowych. Jak pokazano w Tabeli 3, statystyki zależności przekroju poprzecznego Pesaran były istotne dla REC, Zielonego PKB, EPI, emisji GHG i EFT (wszystkie p < 0,01), odrzucając hipotezę zerowej zależności przekroju poprzecznego. Wyniki te wskazują, że szoki występujące w jednym kraju OECD są przenoszone na inne kraje, co odzwierciedla ich integrację gospodarczą i wspólne ramy polityki środowiskowej. Statystyki nierównoległości nachyleń Pesaran–Yamagata (λ̅ = 16,513; λ̅ dostosowany = 18,263) były również istotne na poziomie 1%, odrzucając jednorodność nachyleń. Łącznie wyniki te uzasadniają zastosowanie panelowych technik ekonometrycznych drugiej generacji, które uwzględniają zależność przekroju poprzecznego i nierównoległość współczynników nachylenia.

Analiza jednostek korzeniowych panelowych
Właściwości stacjonarności zmiennych zostały ocenione za pomocą testu panelowego jednostki korzeniowej Cross-sectionally Augmented Im–Pesaran–Shin (CIPS). Jak przedstawiono w Tabeli 4, REC, EPI i EFT były stacjonarne na poziomie [I(0)], podczas gdy emisje GHG i Zielone PKB stawały się stacjonarne po pierwszej różnicy [I(1)]. Brak zmiennych zintegrowanych drugiego rzędu [I(2)] wspiera zastosowanie podejścia testu granicznego Panel ARDL do badania długoterminowych relacji między zmiennymi.

Analiza kowariancji panelowej
Długoterminowe relacje równowagi między pojemnością energetyki odnawialnej, EPI, emisjami GHG, EFT i Zielonym PKB zostały zbadane za pomocą testu granicznego Panel ARDL. Tabela 5 pokazuje, że obliczona statystyka F (7,845) przekroczyła górną granicę krytyczną na poziomie istotności 1%, odrzucając hipotezę zerowej długoterminowej relacji. Wyniki te potwierdzają istnienie stabilnej długoterminowej równowagi między zmiennymi i wspierają następcze estymacje długoterminowych efektów za pomocą technik regresji kwantylowej.

Regresja kwantylowa metodą momentów
Heterogenne efekty zmiennych wyjaśniających wzdłuż warunkowej dystrybucji pojemności energetyki odnawialnej zostały oszacowane za pomocą regresji kwantylowej metodą momentów (MMQR). Wyniki są przedstawione w Tabeli 6.

EPI wykazywał dodatnią i statystycznie istotną korelację z REC na wszystkich kwantylach, przy czym estymowany współczynnik zwiększał się od 0,092 w 10. percenlilu do 0,212 w 90. percenlilu, wskazując na coraz silniejszy efekt polityki wraz ze wzrostem pojemności energetyki odnawialnej. Podobnie, emisje GHG wykazywały dodatnią korelację z REC, przy czym współczynniki zwiększały się wzdłuż kwantyli, sugerując, że kraje z wyższą pojemnością energetyki odnawialnej reagowały silniej na presję emisyjną. EFT wykazywał największy dodatni wzrost wzdłuż kwantyli, co wskazuje, że innowacja technologiczna większy wkład włożyła w wdrażanie energetyki odnawialnej w krajach o większej pojemności energetyki odnawialnej.

Zielone PKB wykazywało spójnie ujemną korelację z REC na wszystkich kwantylach, choć wielkość ujemnego współczynnika spadała od –0,348 w 10. percenlilu do –0,138 w 90. percenlilu, co wskazuje na osłabianie ujemnej korelacji wraz ze wzrostem pojemności energetyki odnawialnej. Ogólnie rzecz biorąc, wyniki MMQR wykazują znaczną różnorodność dystrybucyjną w efektach działań polityki środowiskowej, innowacji technologicznych, emisji gazów cieplarnianych i Zielonego PKB na pojemność energetyki

Dyskusja

Niniejsze badanie zbadał determinanty zdolności energetycznych odnawialnych źródeł w 21 krajach OECD w okresie 2000–2020 poprzez zintegrowanie wyników działań polityki środowiskowej, emisji gazów cieplarnianych (GHG), ekologicznych technologii (EFT) i Zielonego PKB w ramach Metody Kwantyli Regresji Momentów (MMQR). Wyniki badań ujawniają znaczną niejednorodność w warunkowym rozkładzie zdolności energetycznych odnawialnych źródeł, wskazując, że wpływ czynników środowiskowych, technologicznych i ekonomicznych różni się w zależności od stadiów rozwoju odnawialnych źródeł energii w poszczególnych krajach. Wyniki te rozszerzają wcześniejsze badania, pokazując, że przemiany w zakresie energii odnawialnej charakteryzują się odpowiedziami uzależnionymi od stadiów rozwoju, a nie jednolitymi.

Wyniki MMQR pokazują, że Zielony PKB jest negatywnie i istotnie związany z zdolnością energetyczną odnawialnych źródeł w całych zakresach kwantylowych, chociaż wielkość tego negatywnego związku stopniowo słabnie od dolnych do górnych kwantyli. Konkretnie, współczynnik wzrasta od –0,348 przy 10. kwantylu do –0,138 przy 90. kwantylu, co wskazuje, że niekorzystny związek staje się mniej wyraźny w miarę rozwoju zdolności energetycznych odnawialnych źródeł. To odkrycie sugeruje, że wzrost gospodarczy uwzględniający czynniki środowiskowe niekoniecznie przekłada się na natychmiastowe inwestycje w energię odnawialną, szczególnie w krajach na wcześniejszych stadiach transformacji energetycznej. Jednym z możliwych wyjaśnień jest to, że poprawa efektywności środowiskowej może początkowo wynikać z działań na rzecz oszczędzania energii, restrukturyzacji przemysłu lub czystszych procesów produkcyjnych, a nie z dodatkowego wdrażania odnawialnych źródeł energii. To odkrycie wspiera asymetrię czasową zgłoszoną przez Behera i wsp.45, zgodnie z którą zielona wydajność ekonomiczna może tymczasowo zmniejszać motywację do dodatkowych inwestycji w energię odnawialną podczas wczesnych etapów transformacji strukturalnej. Stopniowe osłabianie się negatywnego współczynnika w wyższych kwantylach sugeruje, że ta relacja staje się mniej restrykcyjna w miarę dojrzewania systemów energetycznych odnawialnych źródeł.

Wyniki polityki środowiskowej, mierzone za pomocą Indeksu Wyników Polityki Środowiskowej (EPI), wykazują pozytywny i statystycznie istotny wpływ na wszystkie kwantyle, ze współczynnikami rosnącymi stopniowo od 0,092 przy 10. kwantylu do 0,212 przy 90. kwantylu. Wyniki te wskazują, że polityka środowiskowa staje się coraz bardziej skuteczna w promowaniu zdolności energetycznych odnawialnych źródeł w miarę postępu krajów w transformacji energetycznej. Zamiast wywierać jednolity wpływ, silniejsze zarządzanie środowiskowe wydaje się przynosić większe zyski w krajach o bardziej rozwiniętych sektorach energii odnawialnej, gdzie wsparcie instytucjonalne, ramy regulacyjne i warunki rynkowe są już ustanowione. Te wyniki są zgodne z hipotezą Portera, która argumentuje, że dobrze zaprojektowane regulacje środowiskowe mogą stymulować innowacje i zachęcać do inwestycji w czystszą energię46,47. Potwierdzają również wcześniejsze dowody na to, że skuteczność polityki środowiskowej zależy od jakości instytucjonalnej i zdolności realizacyjnych48. W związku z tym, wzmacnianie zarządzania środowiskowego pozostaje istotnym narzędziem politycznym w celu przyspieszenia wdrażania energii odnawialnej, szczególnie w krajach o rozwijających się systemach energii odnawialnej.

Wyniki badań wykazują również, że emisje GHG są pozytywnie związane z zdolnością energetyczną odnawialnych źródeł w całych kwantylach, przy czym oszacowane współczynniki wzrastają od 0,048 przy 10. kwantylu do 0,082 przy 90. kwantylu. Ten wzorzec sugeruje, że kraje, które doświadczają większej presji środowiskowej, inwestują intensywniej w energię odnawialną i że ta reakcja staje się silniejsza wśród krajów o wyższych poziomach zdolności energetycznych odnawialnych źródeł. Wyniki te wspierają pogląd, że wzrost emisji tworzy silniejsze zachęty dla rządów do prowadzenia czystszej polityki energetycznej i rozwijania infrastruktury energii odnawialnej49. Jednakże, analiza przyczynowości panelowej wskazuje, że przyczynowość przebiega od zdolności energetycznych odnawialnych źródeł do emisji GHG, a nie odwrotnie, co oznacza, że chociaż presja emisyjna jest pozytywnie związana z rozwojem energii odnawialnej, nie wywołuje samodzielnie rozwoju energii odnawialnej. Zamiast tego, zmniejszenie emisji osiąga się poprzez późniejszy rozwój zdolności energetycznych odnawialnych źródeł. Ta różnica podkreśla znaczenie uzupełniających interwencji politycznych, które przekładają presję środowiskową na konkretne inwestycje w energię odnawialną, zgodnie z wcześniejszymi dowodami na nieliniowe relacje między emisjami a rozwojem energii odnawialnej50.

Ek

Oświadczenia

Wszyscy autorzy deklarują brak konfliktu interesów.

Podziękowania

To dzieło jest wspierane przez Projekt Badań nad Filozofią i Naukami Społecznymi Departamentu Edukacji Prowincji Jiangsu (2022SJYB2268).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Test korzeni jednostek CIPSStataCorpStata 18Zaimplementowano za pomocą polecenia xtcips lub multipurt do przeprowadzenia testu korzeni jednostek panelowych Im-Pesaran-Shin wzmocnionego przekrojowo.
Test zależności przekrojowej (CD)StataCorpStata 18Zaimplementowano za pomocą polecenia xtcsd do przeprowadzenia testu CD Pesaran.
Test Grangera nieprzyczynowości panelowej Dumitrescu–HurlinStataCorpStata 18Zaimplementowano za pomocą polecenia xtgcause do analizy przyczynowości panelowej.
Ekologiczna technologia (EFT)OECD StatisticsN/ADane dotyczące wniosków patentowych związanych z działalnością środowiskową pobrane z bazy danych OECD Statistics (https://stats.oecd.org/).
Indeksu Wykonania Ekologicznego (EPI)OECD StatisticsN/ADane pobrane z bazy danych OECD Statistics (https://stats.oecd.org/).
EViewsIHS Global Inc.Wersja 14Alternatywne oprogramowanie do analizy statystycznej panelu ekonometrii.
Zielony PKBBank ŚwiatowyN/ADane pobrane z Banku Danych Światowego (https://databank.worldbank.org/). W szczególności dane dotyczące skorygowanych oszczędności netto, które są używane do obliczenia zielonego PKB.
Emisja gazów cieplarnianych (GHG)OECD StatisticsN/ADane pobrane z bazy danych OECD Statistics (https://stats.oecd.org/).
Metoda kwantylowej regresji Momentów (MMQR)StataCorpStata 18Zaimplementowano za pomocą polecenia mmqreg, które musi zostać zainstalowane z archiwum Statistical Software Components (SSC).
Test heterogeniczności stoku Pesaran–YamagataStataCorpStata 18Zaimplementowano za pomocą polecenia xttest3 lub xthetero.
RR FoundationWersja 4.6.0 lub wyższaOtwarta alternatywa dla statystycznych obliczeń.
Pojemność energii odnawialnej (REC)OECD StatisticsN/ADane pobrane z bazy danych OECD Statistics (https://stats.oecd.org/).
Test kointegracji panelowej WesterlundStataCorpStata 18Zaimplementowano za pomocą polecenia xtwest, które musi zostać zainstalowane z SSC

Bibliografia

  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.

Przedruki i uprawnienia

Tagi

rodowiskoNumer 234Numer 234potencja energii odnawialnejekologiczny wska nik wydajno ciprzyjazna rodowisku technologiazielony PKBregresja kwantylowa metod moment w
Film wkrótce dostępny
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.