Green versus non-green technology innovation and environmental quality: Cointegration and counterfactual analysis
Notice bibliographique
Résumé
Despite growing interest in green innovation and green investment as solutions to climate change, existing literature largely examines these elements in isolation, overlooking their combined effects and the contrasting role of non-green technologies. Addressing this gap, the present study investigates the impact of both green and non-green technological innovations on carbon emissions in Canada, while incorporating the roles of green investment, institutional quality, and geopolitical risks. Using annual time series data from 1990 to 2023, the study employs a novel dynamic autoregressive distributed lag (DARDL) approach to explore the cointegrating and counterfactual relationships among these variables. The findings indicate that green innovation and green investment significantly enhance environmental quality by reducing carbon emissions. In contrast, non-green innovation, along with institutional quality and geopolitical risks, is associated with increased emissions and environmental degradation in the long run. Furthermore, the interactions among green and non-green innovations, as well as between green innovation and green investment, and non-green innovation and green investment, show negative links with carbon emissions. Additionally, a counterfactual analysis is conducted to assess the impact of ±1% and ±5% shocks from the independent variables on the dependent variable. To further validate the robustness of these findings, the study utilizes the Kernel-based Regularized Least Squares (KRLS) machine learning algorithm. Finally, the study discusses key policy implications based on the results.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».