Asymmetric effect of financial globalization on carbon emissions in G7 countries: Fresh insight from quantile-on-quantile regression
Notice bibliographique
Résumé
Being among the highest emitters of greenhouse gases globally, the G7 countries have pledged to halve their carbon emissions by 2030, relative to 2010. This is in clear recognition of the need to transit from carbon energy to more sustainable solutions that are climate-friendly. In view of this, understanding how financial globalization contributes to the realization of those pledges becomes necessary. In this paper, we introduce two major innovations to the literature on financial globalization and environmental degradation. First, in terms of methodology, we apply the quantile-on-quantile regression (QQR) approach with a nonparametric technique over the period 1970Q1–2018Q4. The combination of these techniques has so far received limited attention in the literature. Second, we test for an asymmetric nexus between financial globalization and carbon emission in the G7 economies—Canada, France, Germany, Italy, Japan, the United Kingdom and the United States—as they present an interesting area of research focus. Empirical results from the QQ regression show an emission-increasing effect of financial globalization on environmental degradation in the G7 nations. Furthermore, in order to assess the causal effect of financial globalization on environmental degradation, we apply the nonparametric causality technique. Overall, results from the nonparametric estimations show that financial globalization significantly predicts variation in environmental degradation across quantiles. From a policy standpoint, economic and political frameworks in these nations should be directed towards enhancing higher financial inflows that are in line with the stated economic and environmental policies, among other policy suggestions.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».