Estymacja przestrzenno-czasowej środowiskowej krzywej Kuznetsa za pomocą regresji ważonej geograficznie

• Autorzy: Elżbieta Antczak

Warianty tytułu

Estimation of spatio-temporal environmental Kuznets curve using geographically weighted regression

• Języki publikacji: PL

Abstrakty

Celem artykułu jest przedstawienie możliwości zastosowania regresji ważonej geograficznie do weryfikacji zależności ekologiczno-ekonomicznych (opisanych funkcją środowiskowej krzywej Kuznetsa). Przewaga GWR nad klasycznymi modelami regresji polega na możliwości uwzględnienia heterogeniczności przestrzennej w relacji pomiędzy zmienną zależną (tu ilość zebranych odpadów komunalnych w kg/capita) a zmiennymi niezależnymi (tu PKB/capita w PPS w cenach stałych, odpowiednio zwielokrotniona wartość zmiennej - stanowiąca odwzorowanie krzywej Kuznetsa) dla poszczególnych obserwacji (wybranych krajów Europy). W modelu wykorzystano różne macierze wag przestrzennych. Wyznaczono wartości ocen parametrów (dla każdej jednostki osobno), których statystyczna istotność wskazuje na realizację badanej zależności uwarunkowanej lokalnymi czynnikami i powiązaniami regionalnymi. Analizę przeprowadzono dla lat 1990-2011 (dane uśrednione).(abstrakt oryginalny)

EN

The aim of this article is to present the possibility of using Geographically Weighted Regression to verify eco-economic dependences (described by the Environmental Kuznets Curve). GWR advantage over classical regression models is the ability to take into account the spatial heterogeneity in the relationship between the dependent variable (here the amount of collected municipal waste in kg/capita) and the independent variables (here, GDP/capita in PPS, constant prices, multiplied-representing Kuznets Curve function) for each observation (selected countries of Europe). In the model there were used different spatial weights matrices. The statistical significance values of local parameters estimated for each unit separately evidence the EKC hypothesis. Results depended on local factor sand interregional links. The analysis was performed for the years 1990-2011 (average of data). (original abstract)

Słowa kluczowe

PL

Estymacja; Modele panelowe; Analiza przestrzenna

EN

Estimation; Panel model; Spatial analysis

• Czasopismo: Roczniki Kolegium Analiz Ekonomicznych / Szkoła Główna Handlowa
• Rocznik: 2014
• Numer: nr 34 Modelowanie danych panelowych : teoria i praktyka : III Ogólnopolska Konferencja
• Strony: 11--25

Twórcy

autor

Elżbieta Antczak

• Uniwersytet Łódzki

Bibliografia

• Antczak E., Aplikacja przestrzennych modeli panelowych do weryfikacji hipotezy środowiskowej krzywej Kuznetsa na przykładzie Polski, "Roczniki" Kolegium Analiz Ekonomicznych SGH, z. 27, Oficyna Wydawnicza SGH, Warszawa 2012, s. 113-130.
• Antczak E., Przestrzenno-czasowe modelowanie transgranicznego przemieszczania (się) odpadów w Europie, "Roczniki" Kolegium Analiz Ekonomicznych SGH, z. 30, Oficyna Wydawnicza SGH, Warszawa 2013, s. 9-25.
• Atkinson P.M., German S.E., Sear D.A., Clark M.J., Exploring the relations between riverbank erosion and geomorphological controls using geographically weighted logistic regression, "Geographical Analysis" 2003, vol. 35, s. 58-82.
• Bitter C., Mulligan G.F., Dall'erba S., Incorporating spatial variation in housing attribute prices: a comparison of geographically weighted regression and the spatial expansion method, "Journal of Geographical Systems" 2007, vol. 9, s. 7-27.
• Bivand R., Brunstad R., Regional growth in Western Europe: detecting spatial misspecification using the R environment, "Regional Science" 2006, vol. 85(2), s. 277-297.
• Brunsdon C., Fotheringham A.S., Charlton M.E., GWR: A Method for Exploring Spatial Nonstationarity, "Geographical Analysis" 1996, vol. 28(4), s. 281-298.
• Cai R., Yu D., Oppenheimer M., Estimating the Effects of Weather Variations on Corn Yields using GWPR, AAEA Meeting, Washington 2012.
• Charlton M., Fotheringham S., Geographically weighted regression, National Centre for Geocomputation, Maynooth 2009.
• Chrzanowska M., Przestrzenna analiza warszawskiego (wtórnego) rynku mieszkaniowego, "Journal of The Polish Real Estate Scientific Society" 2011, vol. 19, no. 3, s. 169-180.
• Ciriaci D., Palma D., Geography, environmental efficiency and Italian economic growth: a spatially-adapted EKC, http://mpra.ub.uni-muenchen.de/22899 (dostęp 27.03.2014).
• Cleveland W.S., Robust Locally Weighted Regression and Smoothing Scatterplots, "Journal of the American Statistical Association" 1979, vol. 74(368), s. 829- 836.
• Congdon P., Modelling spatially varying impacts of socioeconomic predictors on mortality outcomes, "Journal of Geographical Systems" 2003, vol. 5, s. 161- 184.
• Fotheringham A.S., Brunsdon C., Charlton M.E., Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Wiley, Chichester 2002.
• Fotheringham A.S., Brunsdon C., Charlton M.E., Quantitative geography: perspectives on spatial data analysis, Sage, London 2000.
• Ilnicki D., Janc K., Kryza M., Szymanowski M., Cechy rozmieszczenia sklepów w przestrzeni wielkomiejskiej na przykładzie Wrocławia - zastosowanie regresji ważonej geograficznie, "Folia Oeconomica" 2011, nr 253, s. 253-268.
• Kisiała W., Wykorzystanie geograficznie ważonej regresji do analizy czynników kształtujących zapotrzebowanie na świadczenia przedszpitalnego ratownictwa medycznego, "Przegląd Geograficzny" 2013, t. 85, nr 2, s. 219-242.
• Páez A., Exploring contextual variations in land use and transport analysis using a probit model with geographical weights, "Transport Geography" 2006, vol. 14, s. 167-176.
• Rada UE, Odnowiona strategia UE dotycząca trwałego rozwoju, Bruksela 2006.
• Suchecki B., Ekonometria przestrzenna. Podstawowe metody i modele analizy danych przestrzennych, C.H. Beck, Warszawa 2010.
• Szymanowski M., Kryza M., Zastosowanie regresji ważonej geograficznie do modelowania miejskiej wyspy ciepła we Wrocławiu, "Archiwum Fotogrametrii, Kartografii i Teledetekcji" 2009, t. 20, s. 407-419.
• Tanaka K., Matsuoka S., Reconsidering the Environmental Kuzntes Curve: Geographically Weighted Regression Approach, Discussion Paper Series, vol. 2007-8, UK.
• Videras J., Spatial Patterns of Carbon Emissions in the U.S.: A Geographically Weighted Regression Approach, Hamilton College, January 2012.
• Waller L.A., Zhu L., Gotway C.A., Gorman D.M., Grunewald P.J., Quantifying geographic variations in associations between alcohol distribution and violence: a comparison of geographically weighted regression and spatially varying coefficient models, "Stochastic Environmental Research and Risk Assessment" 2007,vol. 21, s. 573-588.
• Wang Y., Kockelman K.M., Wang X., Anticipating land use change using geographically weighted regression models for discrete response, "Transportation Research Record" 2011, no. 2245, s. 111-123.
• Yu D., Bruna F., Geographically Weighted Panel Regression, 6th Seminar J. Paelinck, Universidad Autónoma de Madrid, 18-19 October 2013, Madrid.