How effective is government spending on environmental protection in a developing country?
Notice bibliographique
Résumé
Purpose The objective of this paper is twofold as follows: first, it explores the relationship between economic growth and the environment in the context of the environmental Kuznets curve (EKC) in Iran, as a semi-industrialized and largest developing economy in the Middle East. Second, it investigates the effectiveness of government spending on environmental protection. Design/methodology/approach The paper uses the ecological footprint data and an ARDL model to gauge the income and government spending effects on environmental improvement. This method avoids the problems associated with using the regression including a squared income. Findings The results find no evidence for a turning point in the income–pollution relationship and no significant impact of government spending on reducing footprint. We conjecture that the structure of the economy and the weak institutional quality may explain the results. Research limitations/implications This includes limited time series data on institutional quality indices and their small variations over time. Practical implications Creating an environmental fund using the oil windfall and applying environmental tax/subsidies policies will help address increasing environmental challenges in energy-rich developing countries. Education and public awareness about environmental problems and their impacts on the standard of living are also nonexpensive but effective ways to increase citizen's engagement towards improving environment. Social implications The EKC may take different forms in various countries depending on their economic structure and institution qualities. Originality/value The paper uses the ARDL method rather than a commonly used regression with a squared income to estimate the EKC. It also uses ecological footprint as a measure of environmental damage. Exploring government effectiveness in managing public good is also novel in the empirical literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».