The Dynamic Impact of Financial Technology and Energy Consumption on Environmental Sustainability
Notice bibliographique
Résumé
This research investigates the dynamic interplay between financial technology, information and communication technology, energy consumption, and economic growth on environmental sustainability within Emerging and Growth-Leading Economies (EAGLEs) from 2005 to 2020. Utilizing advanced econometric techniques, such as Fully Modified Least Squares (FMOLS) and Vector Autoregressive Error Correction Model (VECM), the investigation scrutinizes the hypothesized relationships among these variables. Panel unit root tests were deployed to assess stationarity, while panel least squares methodology was employed to determine the presence of co-integration among the variables under study. The analysis reveals that internet usage, GDP, and renewable energy consumption exhibit a notable influence in diminishing CO2 emissions within EAGLE economies. Additionally, the findings substantiate the existence of long-term causality originating from these variables and impacting CO2 emissions. Conversely, the role of ATM networks in CO2 emissions remains ambiguous, implying that financial technology’s influence on environmental sustainability is inconclusive. Consequently, the research posits that environmental sustainability in EAGLE economies is chiefly determined by factors such as internet usage, economic expansion, and renewable energy consumption, with financial technology demonstrating no discernable impact. In light of these findings, the study advocates for the reevaluation and adaptation of existing policies and strategies to account for shifting climatic conditions. By doing so, decision-makers can better align their efforts with the pursuit of environmental sustainability in the context of rapidly evolving economies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».