عنوان مقاله:
مدیریت زیرساخت های اقتصادی سبز و پایداری زیست محیطی در اقتصادهای ابتکاری یک کمربند و جاده
Management of Green Economic Infrastructure and Environmental Sustainability in One Belt and Road Enitiative Economies
سال انتشار: 2022
رشته: مهندسی محیط زیست - مهندسی فناوری اطلاعات - اقتصاد - مهندسی صنایع
گرایش: اینترنت و شبکه های گسترده - آلودگی های محیط زیست - اقتصاد مالی - لجستیک و زنجیره تامین
دانلود رایگان این مقاله:
دانلود مقاله پایداری زیست محیطی
مشاهده سایر مقالات جدید:
مقالات ISI مهندسی فناوری اطلاعات
Results and discussions
To investigate the relationship between green economic infrastructure and CO2 emissions in the OBRI countries, we have relied on panel data estimation techniques, including FE, RE, 2SLS, and GMM. First of all, we have performed a preliminary check such as correlation matrix and descriptive statistics. The correlation matrix confrms that the correlation between the variables is within the range. We did not fnd evidence of perfect multicollinearity. The highest correlation is recorded between the internet and GL, which is 0.55, whereas the lowest correlation appears between GL and FDI. As far as the descriptive statistics are concerned, we have reported two components, i.e., mean and standard deviation that confrms the normality of our data. The mean of CO2, GL, internet, GT, IND, EC, and FDI are 11.19 kt, 2.891 index, 47.31%, 11.84%, 30.59%, 79.10, and 4.102%, respectively. While our model is also free from multicollinearity problems, which indicates by the correlation matrix. For detailed results of the correlation matrix and descriptive statistics, see Table 2. Once confrmed that our variables are not perfectly correlated, we can now proceed to the next step, discussing our estimates.
In Table 3, we have provided the results of FE and RE techniques for a complete sample of OBRI and sub-samples of Central Asian, South Asian, East and Southeast Asian, European, and MENA countries. The estimates of GL are signifcant and positive in OBRI, South Asia, and MENA, while negative in European countries in FE and RE models. Similarly, in Table 4, applying the 2SLS and GMM techniques found the positive impact of GL on CO2 emissions in OBRI, Central Asian, and MENA countries. While estimates of GL appeared to be negatively signifcant in the context of European countries. In general, our fndings imply that green logistics is not helpful to mitigate CO2 emissions, particularly in a sample of OBRI countries. However, in the case of a sub-sample of European economies, green logistics help reduce CO2 emissions. In other sub-regions such as South Asia, Central Asia, and MENA, we fnd mixed results regarding the efects of GL.
Finding infers that the logistics structure of a country is essential to promote its economic growth and consequently the CO2 emissions. While eating enormous energy reserves, the logistics sector releases a greater quantity of carbon discharges (Rashidi and Cullinane, 2019). Consequently, profcient and green ecological management is required to give a pollution-free and clean environment for efective conveyance and logistics. Growing globalization makes logistics global (Rodrigue et al., 2001), and while easing trade, logistics actions cause an upsurge in carbon discharges. Against this backdrop, the logistics sector has been under immense pressure to make its carbon management more efcient and efective. So that the role of logistics in achieving economic development can be increased alongside the goal of a sustainable environment (Herold and Lee 2017). According to Roth and Kåberger (2002), it is essential to make the economic characteristic according to the standards of sustainability for the logistics sector in contrast to the other sectors. Likewise, Oberhofer and Dieplinger (2014) contended that environmentally friendly and green logistics are essential to mitigate CO2 emissions. Our results show that logistics have played a positive role in reducing CO2 emissions in European countries. The probable reason could be the aforementioned green aspects of the logistic industry and supply chain services.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
نتایج و بحث ها
برای بررسی رابطه بین زیرساخت‌های اقتصادی سبز و انتشار CO2 در کشورهای OBRI، ما بر تکنیک‌های تخمین داده‌های تابلویی، از جمله FE، RE، 2SLS، و GMM تکیه کرده‌ایم. ابتدا یک بررسی مقدماتی مانند ماتریس همبستگی و آمار توصیفی انجام داده ایم. ماتریس همبستگی تأیید می کند که همبستگی بین متغیرها در محدوده است. ما شواهدی مبنی بر چند خطی بودن کامل پیدا نکردیم. بیشترین همبستگی بین اینترنت و GL که 0.55 است، در حالی که کمترین همبستگی بین GL و FDI مشاهده می شود. تا آنجا که به آمار توصیفی مربوط می شود، ما دو مؤلفه، یعنی میانگین و انحراف معیار را گزارش کرده ایم که نرمال بودن داده های ما را تأیید می کند. میانگین CO2، GL، اینترنت، GT، IND، EC و FDI به ترتیب 11.19 kt، شاخص 2.891، 47.31، 11.84، 30.59، 79.10 و 4.102 درصد است. در حالی که مدل ما نیز عاری از مسائل چند خطی است که با ماتریس همبستگی نشان می دهد. برای نتایج جزئی ماتریس همبستگی و آمار توصیفی، جدول 2 را ببینید. پس از تأیید اینکه متغیرهای ما کاملاً همبسته نیستند، اکنون می‌توانیم به مرحله بعدی برویم و در مورد برآوردهای خود بحث کنیم.
در جدول 3، نتایج تکنیک‌های FE و RE را برای نمونه کامل OBRI و نمونه‌های فرعی کشورهای آسیای مرکزی، جنوب آسیا، شرق و جنوب شرق آسیا، اروپا و MENA ارائه کرده‌ایم. تخمین GL در OBRI، آسیای جنوبی و MENA مثبت و معنادار است، در حالی که در کشورهای اروپایی در مدل‌های FE و RE منفی است. به طور مشابه، در جدول 4، استفاده از تکنیک های 2SLS و GMM تأثیر مثبت GL بر انتشار CO2 در کشورهای OBRI، آسیای مرکزی و MENA را نشان داد. در حالی که به نظر می رسد برآوردهای GL در زمینه کشورهای اروپایی به طور منفی مهم است. به طور کلی، یافته‌های ما حاکی از آن است که لجستیک سبز برای کاهش انتشار CO2، به ویژه در نمونه‌ای از کشورهای OBRI مفید نیست. با این حال، در مورد یک نمونه فرعی از اقتصادهای اروپایی، لجستیک سبز به کاهش انتشار CO2 کمک می کند. در سایر مناطق فرعی مانند جنوب آسیا، آسیای مرکزی و MENA، نتایج متفاوتی در مورد اثرات GL یافتیم.
