Can Financial Institutional Deepening and Renewable Energy Consumption Lower CO2 Emissions in G-10 Countries: Fresh Evidence from Advanced Methodologies
Notice bibliographique
Résumé
To tackle the challenges associated with global warming and climate change, several countries set their targets to lower carbon emissions in accordance with COP21 (Paris Conference). Even though studies highlighted the different aspects that contribute to environmental degradation, there still exists the scarcity of adequate research that emphasizes the environmental implications of financial institutional deepening, renewable energy consumption (REC), and technology innovations. Therefore, this study investigated the significance of financial institutional deepening, REC, gross domestic product (GDP), imports, exports, and technology innovations to achieve sustainability in G-10 countries, namely The Netherlands, Germany, France, Switzerland, United Kingdom, Sweden, Japan, Belgium, Canada, and Italy from 1990 to 2020. The results obtained from cross-sectionally augmented autoregressive distributed lag (CS-ARDL) and the dynamic common correlated effects mean group (DCCEMG) models reveal that financial institutional deepening and imports positively impact CO2 emissions (CO2e) both in the long and short run. A 1% increase in financial institutional deepening and import will increase CO2e by 0.5403% and 0.2942% in the short run and 0.2980% and 0.1479% in the long run levels, respectively. Contrary to this, REC, GDP, exports, and technology innovations improve environmental quality in these countries. The Dumitrescu & Hurlin causality test shows bidirectional causality between imports and CO2e, GDP and CO2e, exports and CO2e, and financial institutional deepening and CO2e, compared to unidirectional causality from technology innovations to CO2e and from REC to CO2e. Apart from this, the outcomes suggest that policymakers in G-10 countries have to consider their financial markets and firms to revise their current environmental policies.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».