É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

A influência das políticas e tecnologias ambientais na transição para energia renovável

89 visualizações

⸱

DOI:

10.3791/71760

⸱

7 de agosto de 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

Neste artigo

Resumo

Este estudo com 21 países da OCDE (2000-2020) conclui que o Índice de Política Ambiental, as emissões de gases de efeito estufa e a tecnologia relacionada ao meio ambiente facilitam a adoção de energia renovável, enquanto o PIB Verde a impede. Existe uma relação causal bidirecional entre todas as variáveis. O ritmo da transição continua insuficiente, exigindo reformas políticas e impostos sobre a poluição.

Resumo

A capacidade de energia renovável (REC) desempenha um papel central na conquista do desenvolvimento sustentável e da neutralidade de carbono, porém os efeitos do desempenho das políticas ecológicas, qualidade ambiental, inovação tecnológica e crescimento econômico verde sobre a REC permanecem heterogêneos entre países e estágios de desenvolvimento de energia renovável. Este estudo investiga os determinantes da capacidade de energia renovável em 21 países da OCDE de 2000 a 2020, com foco no desempenho em políticas ecológicas (PEI), emissões de gases de efeito estufa (GEE), tecnologia ecológica (EFT) e PIB Verde. A estrutura empírica utiliza a abordagem de teste de limites de Atraso Distribuído Autoregressivo (ARDL) para examinar a cointegração de longo prazo, a Regressão Quantile do Método de Momentos (MMQR) para capturar efeitos heterogêneos na distribuição condicional da REC, e testes de causalidade de Granger em painel para determinar a direção das relações causais. O teste de limites do painel ARDL confirma uma relação de equilíbrio estável de longo prazo entre as variáveis (F = 7,845, p < 0,01). Os resultados do MMQR mostram que a EPI exerce um efeito positivo e progressivamente mais forte em quantos (0,092–0,212), enquanto a EFT apresenta o gradiente positivo mais acentuado (0,131–0,221) e demonstra causalidade bidirecional com a REC, indicando um ciclo de reforço entre inovação tecnológica e implantação de energia renovável. As emissões de GEE têm uma associação positiva modesta com a REC (0,048–0,082), mas não causam REC de forma unidirecional; em vez disso, uma maior capacidade de energia renovável reduz significativamente as emissões. O PIB verde apresenta consistentemente um efeito negativo sobre a REC (−0,348 a −0,138), embora esse efeito enfraqueça em quantis mais altos de capacidade de energia renovável, sugerindo um ajuste transitório durante a transição para uma economia mais verde. Esses achados indicam que os efeitos da política ambiental, inovação tecnológica, emissões e desempenho econômico verde dependem de cada etapa, destacando a necessidade de estruturas políticas específicas para implantação, investimentos sustentados em pesquisa e desenvolvimento verde e instrumentos de políticas complementares para mitigar custos de ajuste de curto prazo enquanto aceleram a transição para energias renováveis.

Introdução

A crescente demanda global de energia intensificou a necessidade de uma transição rápida para fontes de energia limpas. Embora a energia renovável tenha representado aproximadamente 30% do crescimento da oferta de energia solar, os combustíveis fósseis continuam dominando a demanda incremental de energia, resultando no acúmulo contínuo de emissões de dióxido de carbono (CO2) e ameaçando o cumprimento das metas do Acordode Paris 1. Uma compreensão sistemática das tendências de investimento em energia sustentável, ilustrada pelo mapeamento científico e meta-análise apresentados em Financing the Future: Insights into Sustainable Energy Investments, destaca a convergência das transformações políticas, financeiras e tecnológicas que ocorreram nas economias da OCDE entre 2000 e 2020. Esse período de vinte anos, abrangendo 21 países da OCDE, oferece um cenário ideal para avaliar os determinantes de longo prazo da implantação de energiarenovável 3. A transição para energia renovável depende da interação eficaz entre governança ambiental, investimento financeiro e inovaçãotecnológica 4. Uma revisão sistemática recente identificou fatores econômicos e de políticas públicas como os principais motores da expansão das energias renováveis. Análises de limiar de países da OCDE demonstraram ainda que a rigidez das políticas ambientais promove a implantação de energia renovável somente após ultrapassar um limitecrítico 5, enquanto a difusão de tecnologias ecológicas também exige investimento sustentado antes que benefícios significativos sejamalcançados 6. Além disso, análises dinâmicas de regressão quantil em painel em 77 países mostraram que tecnologias ecológicas promovem significativamente o consumo de energia renovável, especialmente em economias emdesenvolvimento.

Apesar desses avanços, várias lacunas importantes em pesquisa permanecem. Estudos existentes normalmente examinam políticas ambientais e inovação tecnológica isoladamente, ignorando suas potenciais sinergias na implantação de energia renovável. Além disso, a capacidade de energia renovável (REC), usada neste estudo como variável dependente, recebeu atenção limitada dentro de estruturas empíricas integradas que consideram simultaneamente políticas ambientais, inovação tecnológica, emissões e desempenho econômicoverde 8. Além disso, o impulso para a adoção de energia renovável em economias avançadas desacelerou. As emissões de gases de efeito estufa (GEE) da OCDE continuam altas, enquanto a rigidez das políticas climáticas aumentou apenas 1% em 2024, destacando uma lacuna de implementação que justifica uma investigação mais aprofundada dos fatores de energia renovável em economias de altarenda 9. Assim, este estudo examina os determinantes da capacidade de energia renovável em 21 países da OCDE de 2000 a 2020, utilizando o Índice de Desempenho Ecológico (PEI), emissões de gases de efeito estufa (GEE), tecnologia ecológica (EFT) e PIB Verde como variáveis explicativas. Após testes diagnósticos preliminares, o teste de cointegração de limites do painel ARDL é empregado para estabelecer relações de equilíbrio de longo prazo, o Método de Regressão Quantil de Momentos (MMQR) é aplicado para capturar a heterogeneidade distribucional, e testes de causalidade em painel são realizados para determinar a direção das relaçõescausais 10. Os resultados demonstram que EPI e EFT exercem efeitos positivos significativos apenas além de limites específicos, enquanto a influência do PIB Verde varia ao longo da distribuição condicional da capacidade de energia renovável, enfatizando a importância de políticas ambientais coordenadas, inovação tecnológica e estratégiaseconômicas 11. Ao modelar explicitamente os efeitos conjuntos do desempenho das políticas ambientais e do desenvolvimento tecnológico em diferentes níveis de capacidade de energia renovável, este estudo fornece evidências mais nuançadas para apoiar a formulação de políticas de energia renovável.

Os determinantes da transição para energia renovável foram amplamente investigados; No entanto, o entendimento permanece limitado por perspectivas teóricas fragmentadas e análises empíricas predominantemente descritivas em vez deintegrativas 12. Em particular, os principais motores da implantação de energia renovável, incluindo desempenho em políticas ambientais, tecnologia ecológica, emissões de gases de efeito estufa e produção econômica ajustada pelo verde, raramente foram analisados dentro de um quadro analítico unificado considerando a interconexão dos mercados financeiros e a digitalização das finançasverdes 13.

O desempenho em políticas ambientais, comumente medido por indicadores compostos como o Índice de Desempenho Ecológico (EPI), ocupa uma posição central na literatura sobre energiasrenováveis 14. Estudos iniciais demonstraram que regulamentações ambientais bem elaboradas reduzem a incerteza dos investimentos e fornecem sinais previsíveis de mercado que incentivam investimentos de baixo carbono15. Estudos mais recentes em painéis de países da OCDE que empregam estimadores de efeitos fixos e métodos de momentos generalizados em sistemas relataram que um aumento de uma unidade na rigidez da política ambiental está associado a um aumento de 0,34% na geração de eletricidaderenovável 16. No entanto, uma avaliação crítica desta literatura indica que os efeitos positivos da rigidez das políticas diminuem em níveis muito altos devido à fadigaregulatória 17. Além disso, o foco exclusivo nas economias de alta renda limita a validade externa desses achados. Uma meta-análise abrangente de 89 estudos empíricos concluiu que instrumentos de políticas baseados no mercado, incluindo impostos sobre carbono e sistemas de comércio de emissões, superam consistentemente as regulamentações de comando e controle na promoção da capacidade de energiarenovável 18. Embora esta meta-análise tenha sintetizado evidências de diversas regiões geográficas e abordagens metodológicas, os autores enfatizaram que a eficácia das políticas continua substancialmente maior em países com maior capacidade institucional, destacando uma importante lacuna geográfica na literatura19. Além disso, estudos orientados para políticas geralmente tratam os mercados de energia renovável como independentes dos sistemas financeiros mais amplos, ignorando a possibilidade de que transbordamentos financeiros entre mercados possam fortalecer ou enfraquecer a eficácia das políticas20.

Um segundo corpo de literatura identifica a tecnologia ecológica (EFT) como um catalisador importante para reduzir os custos de energia renovável e acelerar a difusão da tecnologia. Evidências empíricas baseadas em dados de patentes de 25 países europeus demonstraram que um aumento de 10% nos pedidos de patentes relacionadas ao meio ambiente reduziu o custo nivelado dos sistemas fotovoltaicos solares em 1,8% e da energia eólica terrestre em 2,3%. Embora esses estudos empreguem métodos econométricos rigorosos, eles dependem principalmente de indicadores convencionais de inovação e não levam em conta a crescente importância das finanças verdes digitais e da tecnologia financeira (FinTech) na facilitação do investimentoclimático 22. Evidências recentes das economias emergentes da Organização de Cooperação Islâmica (OCI) indicam que os serviços financeiros digitais fortalecem políticas ambientais ao reduzir custos de transação e expandir o acesso ao financiamentoverde 23. Consequentemente, medir a EFT apenas por meio da atividade de patentes pode subestimar as interações entre política ambiental e mecanismos financeiros habilitadospor tecnologia 24. Além disso, estudos sobre difusão tecnológica relatam efeitos substanciais de transbordamento transfronteiriço, com inovações originadas na Alemanha e Dinamarca contribuindo significativamente para a implantação global de energiaeólica 25. No entanto, essas investigações raramente consideram como o contágio financeiro nos mercados de energia limpa influencia a difusão de tecnologia ecológica. Evidências recentes sobre interconexão dinâmica entre mercados financeiros verdes, de energia limpa e sustentáveis demonstram impactos substanciais de volatilidade, sugerindo que choques que afetam um segmento do sistema financeiro verde podem influenciar rapidamente o investimento em energiarenovável 26. Assim, interpretar a EFT exclusivamente como um indicador doméstico baseado em patentes ignora o ambiente financeiro mais amplo pelo qual a difusão tecnológica ocorrecada vez mais 27.

A relação entre emissões de gases de efeito estufa (GEE) e a implantação de energia renovável continua controversa. De acordo com a hipótese da "pressão política", o aumento das emissões estimula a demanda pública por políticas de descarbonização mais fortes e por mais investimentos em energia renovável. Uma análise em painel cruzado de 34 países da OCDE apoia essa hipótese, demonstrando que um aumento de um desvio padrão nas emissões per capita de GEE prevê um aumento subsequente de 0,21 desvio padrão no investimento em energia renovável após doisanos e 28. No entanto, esses achados baseiam-se exclusivamente em economias avançadas com qualidade institucional relativamente forte, o que limita sua aplicabilidade a países em desenvolvimento intensivos em carbono. Evidências alternativas sugerem uma relação não linear na qual interesses poderosos de combustíveis fósseis restringem cada vez mais as políticas de energia renovável quando as emissões ultrapassam um limitecrítico de 29. Análises de regressão limiar usando dados de 60 países identificaram uma relação em forma de U invertida, com o ponto de virada variando com a qualidade institucional e a dependênciade recursos naturais 30. Importante destacar que esses estudos geralmente ignoram a influência moderadora da interconexão dos mercados financeiros. Durante períodos de aumento das emissões, o sentimento negativo dos investidores pode se espalhar para os mercados financeiros de energia limpa, restringindo o financiamento de energia renovável justamente quando a demanda por investimentos é maior. Evidências recentes sobre transmissão de volatilidade entre mercados apoiam esse mecanismo e sugerem que os efeitos financeiros podem complicar a relação positiva esperada entre emissões e investimento em energiarenovável 31,32.

O PIB Verde, definido como o produto interno bruto ajustado pela degradação ambiental e pelo esgotamento dos recursos naturais, oferece uma medida mais abrangente do desempenho econômico sustentável do que o PIBconvencional 33. No entanto, evidências empíricas sobre sua relação com a capacidade de energia renovável permanecem mistas. Alguns estudos argumentam que melhorias no PIB Verde reduzem a urgência percebida do investimento em energia renovável ao sinalizar danos ambientais menores por unidade de produção econômica34. Em contraste, outras investigações sugerem que o crescimento sustentado do PIB Verde reflete uma transformação estrutural em direção a economias orientadas para serviços e menos intensivas em energia, que facilitam a integração de energiasrenováveis 35. Análises de cointegração em painel que abrangem 40 países entre 2000 e 2018 fornecem evidências de assimetria temporal, revelando um efeito negativo de curto prazo do PIB Verde sobre a capacidade de energia renovável, mas uma relação positiva de longo prazo após o crescimento econômico sustentávelverde 36. Embora essas evidências sejam baseadas em conjuntos de dados extensos e longos períodos de observação, elas não consideram os efeitos dos choques financeiros globais. Durante episódios de instabilidade financeira, os transbordamentos de volatilidade nos mercados financeiros verdes podem enfraquecer a relação PIB Verde e capacidade de energia renovável ao restringir os fluxos de investimento em projetos de energia renovável, apesar das melhorias no desempenhoambiental 37,38.

Em resumo, pesquisas existentes melhoraram substancialmente nossa compreensão dos determinantes da implantação de energia renovável; No entanto, lacunas importantes permanecem. Estudos anteriores geralmente examinaram políticas ambientais, inovação tecnológica, emissões de gases de efeito estufa e desempenho econômico verde de forma independente, em vez de dentro de um quadro analítico integrado. Além disso, a tecnologia ecológica ainda é medida principalmente usando indicadores convencionais de inovação. Para abordar essas limitações, este estudo investiga a capacidade de energia renovável em 21 países da OCDE entre 2000 e 2020, utilizando o Índice de Desempenho Ecológico, emissões de gases de efeito estufa, tecnologia ecológica e PIB verde como variáveis explicativas. Ao aplicar a Regressão Quantile do Método dos Momentos, o estudo captura efeitos heterogêneos na distribuição da capacidade de energia renovável, proporcionando uma compreensão mais abrangente dos fatores políticos, tecnológicos e econômicos que moldam a transição para energia renovável. Pesquisas futuras devem incorporar indicadores FinTech e medidas de risco financeiro para avançar ainda mais nesse campo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Filosofia de pesquisa e design
Este estudo adota uma filosofia de pesquisa positivista, assumindo que os determinantes da capacidade de energia renovável (REC) podem ser analisados objetivamente por meio de análise quantitativa de dados em painéis. Um desenho longitudinal e transnacional de pesquisa comparativa é empregado para investigar as relações de longo prazo entre a capacidade de energia renovável e seus determinantes em 21 países da Organização para a Cooperação e Desenvolvimento Econômico (OCDE) no período de 2000 a 2020. Guiados pela Identidade Kaya, uma abordagem dedutivo-analítica é usada para desenvolver o modelo empírico e testar as relações hipotetizadas entre capacidade de energia renovável, desempenho em políticas ecológicas, emissões de gases de efeito estufa (GEE), tecnologia ecológica (EFT) e PIB Verde. A estrutura analítica integra coleta de dados, testes diagnósticos, análise de cointegração, regressão quantil e análise de causalidade em painel para garantir consistência metodológica e inferência estatística robusta.

Coleta de dados e variáveis
O estudo utiliza um conjunto de dados balanceado que inclui 21 países da OCDE observados anualmente de 2000 a 2020, resultando em 441 observações país-ano. Os dados foram obtidos de bancos de dados públicos e reconhecidos internacionalmente para garantir transparência e reprodutibilidade. A Tabela 1 resume as variáveis, unidades de medição, fontes de dados e sinais esperados. A capacidade de energia renovável (REC) é usada como variável dependente e é medida como a capacidade total instalada de geração de eletricidade renovável (MW). As variáveis explicativas incluem o Índice de Desempenho Ecológico (EPI), emissões de gases de efeito estufa (GEE) (toneladas equivalentes a CO₂), tecnologia ecológica (EFT), medida por meio de pedidos de patente ambientais, e PIB Verde, medido como produto interno bruto ajustado para degradação ambiental e esgotamento dos recursos naturais (USD constante em 2015). Capacidade de energia renovável, EPI, emissões de GEE e EFT foram obtidos do banco de dados de Estatísticas da OCDE, enquanto o PIB Verde foi obtido do banco de dados do Banco Mundial. Todas as variáveis foram transformadas em logaritmos naturais antes da estimativa para estabilizar a variância, reduzir a heteroscedasticidade e facilitar a interpretação da elasticidade.

Estrutura teórica e especificação do modelo
A estrutura empírica baseia-se na IdentidadeKaya 39, que decompõe as emissões de dióxido de carbono em população, atividade econômica, intensidade energética e intensidade de carbono, fornecendo assim uma base teórica para entender os fatores que impulsionam a sustentabilidade ambiental:

figure-protocol-1 (1)

onde oCO2 representa emissões de dióxido de carbono; CO2/Energia denota a intensidade de carbono do consumo de energia; Energia/PIB Verde representa a intensidade energética da produção econômica ajustada ambientalmente; O PIB Verde/População indica o produto interno bruto per capita ajustado ambientalmente; e População representa a população total.

As variáveis explicativas correspondem diretamente aos componentes teóricos da Identidade de Kaya. O Índice de Desempenho Ecológico representa o desempenho das políticas ambientais com o objetivo de promover sistemas de energia mais limpos. A tecnologia ecológica reflete inovações tecnológicas que melhoram a eficiência energética e reduzem os custos de energia renovável. As emissões de gases de efeito estufa representam pressão ambiental para a descarbonização, enquanto o PIB Verde captura o desempenho econômico ambientalmente ajustado. Com base nesse quadro, estima-se que o seguinte modelo empíricoseja 39:

figure-protocol-2 (2)

onde REC denota capacidade de energia renovável; O EPI representa o Índice de Desempenho Ecológico; GEE indica emissões de gases de efeito estufa; EFT representa tecnologia ecológica; PIB verde indica produto interno bruto ajustado ambientalmente; i indexa países; t índices de anos; τ0 é a interceptação; τ1–τ 4 são os coeficientes de regressão estimados; εé o termo de erro idiossincrático.

Testes diagnósticos
Antes de estimar os modelos empíricos, uma série de testes diagnósticos foi realizada para avaliar as propriedades estatísticas dos dados do painel e identificar técnicas de estimativa apropriadas. Primeiro, a dependência transversal foi examinada usando o teste34 de dependência transversal (CD) de Pesaran, já que os países da OCDE provavelmente experimentarão choques comuns decorrentes das condições econômicas globais, mercados internacionais de energia e políticas ambientais coordenadas:

figure-protocol-3 (3)

onde N denota o número de unidades de seção transversal; T denota o número de períodos de tempo; i e k indexam as unidades de seção transversal (i ≠ k); figure-protocol-4 representa o coeficiente de correlação par a par estimado dos resíduos de regressão entre as unidades de seção transversal i e k; j denota a ordem de atraso; E(·) representa o valor esperado; e V(·) denota a variância usada para padronizar a estatística do teste. Segundo, a heterogeneidade da inclinação foi avaliada usando o teste de heterogeneidade da inclinação Pesaran–Yamagata para determinar se os efeitos das variáveis explicativas diferiam entre ospaíses 40:

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

onde Δ̃adj denota a estatística do teste de heterogeneidade de inclinação ajustada; N representa o número de unidades de seção transversal; T denota o número de períodos de tempo; k é o número de variáveis explicativas; e S̃ representa a estatística padronizada de dispersão da inclinação de Swamy usada para avaliar a heterogeneidade dos parâmetros entre unidades de painel. Por fim, a estacionariedade foi avaliada usando o teste de raiz unitária Im–Pesaran–Shin (CIPS), que acomoda tanto a dependência da seção transversal quanto os coeficientes de inclinaçãoheterogêneos 41:

figure-protocol-7 (6)

onde CIPS denota a estatística raiz da unidade de painel Im–Pesaran–Shin Aumentada em Seção Transversal; N representa o número de unidades de seção transversal; CDFi denota a estatística de Dickey–Fuller aumentada em seção transversal para a i ésima unidade de seção transversal; e i indexa as unidades secionais transversais individuais. Os resultados desses testes diagnósticos orientaram a seleção de técnicas econométricas de painel de segunda geração adequadas para conjuntos de dados heterogêneos.

Teste de cointegração em painel
Para determinar se existe uma relação de equilíbrio estável de longo prazo entre capacidade de energia renovável, desempenho em políticas ambientais, emissões de gases de efeito estufa, tecnologia ecológica e PIB Verde, foi utilizado o teste de cointegração de limites do Painel ARDL. Comparado aos testes convencionais de cointegração baseados em residuos, a abordagem de Westerlund acomoda dependência de seção transversal, coeficientes de inclinação heterogêneos e pequenos tamanhos de amostra. O teste produz quatro estatísticas: duas estatísticas de média de grupo (Gt e Ga) e duas estatísticas de painel (Pt e Pa). A rejeição da hipótese nula indica a presença de uma relação de equilíbrio de longo prazo entre as variáveis 36,42:

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

onde G, t e G a denotam as estatísticas de teste de média de grupo do teste de cointegração de limites do Painel ARDL; Pt e P a denotam as estatísticas do painel de testes; N representa o número de unidades de seção transversal; T denota o número de períodos de tempo; figure-protocol-12 é o coeficiente estimado de correção de erro para a i-ésima unidade de seção transversal; figure-protocol-13 representa o coeficiente de correção de erros agrupado; SE(figure-protocol-14) e SE(figure-protocol-15) denotam os erros padrão correspondentes; e i indexa as unidades de seção transversal individuais. A presença de cointegração justifica a estimativa de elasticidades de longo prazo e subsequentes análises baseadas em quantis.

Método de regressão quantil de momentos (MMQR)
Como os estimadores convencionais de painel fornecem apenas efeitos médios, eles podem ocultar uma heterogeneidade substancial entre países que operam em diferentes níveis de implantação de energia renovável. Para capturar esses efeitos heterogêneos, foi empregado o Método de Regressão Quantile de Momentos (MMQR).

O MMQR estima os efeitos do desempenho em políticas ecológicas, emissões de gases de efeito estufa, tecnologia ecológica e PIB verde em múltiplos quantos condicionais de capacidade de energia renovável, permitindo assim que a influência das variáveis explicativas varie conforme a maturidade da implantação de energia renovável. O método leva em conta simultaneamente efeitos fixos individuais e heterogeneidade não observada, estimando tanto os parâmetros de localização quantode escala 43:

figure-protocol-16 (8)

onde Qτ(Yit | Xit) denota o quantil τ ésimo condicional da variável dependente; E representa a capacidade de energia renovável (REC); Xdenota o vetor das variáveis explicativas (EPI, emissões de GEE, EFT e PIB Verde); σ1 é a interceptação; ζ é o vetor dos parâmetros de localização; αi representa o efeito fixo específico de cada país; Zdenota as covariáveis da escala; γ é o vetor dos parâmetros da escala; Ué o termo de erro; e países e anos dos índices i e t, respectivamente. O componente de escala do modelo MMQR é especificado da seguinteforma: 43:

figure-protocol-17 (9)

onde Zi(X) denota a função de escala das variáveis explicativas; Zi representa o vetor das covariáveis da escala; X denota o vetor das variáveis explicativas; i indexa as unidades transversais (países); e k denota o número total de variáveis explicativas. Como análise de robustez, uma regressão quantil convencional em painel com erros padrão bootstrapados também foi estimada para verificar a consistência dos achados do MMQR.

Teste de causalidade do painel
A direção das relações causais entre capacidade de energia renovável, desempenho em políticas ecológicas, emissões de gases de efeito estufa, tecnologia ecológica e PIB Verde foi examinada usandoo teste de não-causalidade 44 do painel Dumitrescu–Hurlin. Essa abordagem acomoda dependência transversal e estruturas de painel heterogêneas, identificando se as relações causais são unidirecionais ou bidirecionais.

A análise de causalidade em painel complementa as análises de cointegração e MMQR ao distinguir entre variáveis que impulsionam a capacidade de energia renovável e aquelas que respondem a mudanças na implantação de energia renovável. Estabelecer direção causal fornece evidências adicionais para orientar a priorização de políticas e o sequenciamento das intervenções em energia renovável.

Todas as análises estatísticas foram realizadas usando software de análise estatística. A sequência analítica, desde testes diagnósticos e análise de cointegração até regressão quantil e testes de causalidade em painel, fornece uma estrutura coerente e reprodutível para avaliar os determinantes da capacidade de energia renovável entre os países da OCDE.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Estatísticas descritivas
As características distributivas das variáveis do estudo foram examinadas antes da estimativa econométrica. A Tabela 2 resume as estatísticas descritivas para as variáveis transformadas logarítmicamente em 21 países da OCDE durante 2000–2020. Capacidade de energia renovável (REC), índice de desempenho ecológico (EPI), emissões de gases de efeito estufa (GEE), tecnologia ecológica (EFT) e PIB verde apresentaram variações substa...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

O presente estudo examinou os determinantes da capacidade de energia renovável em 21 países da OCDE entre 2000 e 2020, integrando desempenho em políticas ambientais, emissões de gases de efeito estufa (GEE), tecnologia ecológica (EFT) e PIB Verde dentro de um modelo de Regressão Quantile do Método de Momentos (MMQR). Os achados revelam uma heterogeneidade substancial na distribuição condicional da capacidade de energia renovável, indicando que os efeitos de fatores ambientais, tecnológic...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Todos os autores declaram não haver conflitos de interesse.

Agradecimentos

Este trabalho é apoiado pelo Projeto de Pesquisa em Filosofia e Ciências Sociais do Departamento Provincial de Educação de Jiangsu (2022SJYB2268).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
CIPS unit root testStataCorpStata 18Implementado usando o comando xtcips ou multipurt para o teste de raiz unitária de painel Im-Pesaran-Shin com augmentação transversal.
Cross-sectional dependence (CD) testStataCorpStata 18Implementado usando o comando xtcsd para realizar o teste de CD de Pesaran.
Dumitrescu–Hurlin panel Granger non-causality testStataCorpStata 18Implementado usando o comando xtgcause para análise de causalidade de painel.
Eco-friendly technology (EFT)OECD StatisticsN/ADados sobre aplicações de patentes relacionadas ao meio ambiente recuperados do banco de dados da OECD Statistics (https://stats.oecd.org/).
Ecological Performance Index (EPI)OECD StatisticsN/ADados recuperados do banco de dados da OECD Statistics (https://stats.oecd.org/).
EViewsIHS Global Inc.Versão 14Software alternativo de análise estatística para econometria de painel.
Green GDPWorld BankN/ADados recuperados do World Bank DataBank (https://databank.worldbank.org/). Especificamente, dados sobre Poupança Líquida Ajustada, que é usada para calcular o Green GDP.
Greenhouse gas (GHG) emissionsOECD StatisticsN/ADados recuperados do banco de dados da OECD Statistics (https://stats.oecd.org/).
Method of Moments Quantile Regression (MMQR)StataCorpStata 18Implementado usando o comando mmqreg, que deve ser instalado a partir do arquivo Statistical Software Components (SSC).
Pesaran–Yamagata slope heterogeneity testStataCorpStata 18Implementado usando o comando xttest3 ou xthetero.
RR FoundationVersão 4.6.0 ou superiorAlternativa de código aberto para computação estatística.
Renewable energy capacity (REC)OECD StatisticsN/ADados recuperados do banco de dados da OECD Statistics (https://stats.oecd.org/).
StataStataCorpVersão 18Software principal usado para todas as análises estatísticas, incluindo testes de diagnóstico, cointegração, regressão quantil e testes de causalidade de painel.
Westerlund panel cointegration testStataCorpStata 18Implementado usando o comando xtwest, que deve ser instalado a partir do SSC

Referências

  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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

EnvironmentEdição 234Edição 234capacidade de energia renovávelíndice de desempenho ecológicotecnologia ecologicamente corretaPIB verderegressão quantílica pelo método dos momentos

Este artigo foi publicado

Vídeo em breve

Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.