1. The Environmental Kuznets Curve for Biodiversity -
Insights from Tropical Deforestation
[Miljø-Kuznets-kurven for biodiversitet - indsigt via tropisk skovhugst]
Rasmus Mortensen [20080943]
Supervisor: Professor Jan Bentzen
Department for Economics and Business (cand. oecon), Aarhus University
Deadline: May 20, 2015
This thesis may be published
2. Abstract
Economic growth is widely believed to damage the natural resources we humans so largely
depend. Motivated by the ongoing biodiversity, forest and climate debate the purpose of
this paper is to challenge the existing literature on deforestation, investigated by exami-
ning the relationship between income and loss in biodiversity.
With deforestation as a proxy for biodiversity, the hypothesized Environmental Kuznets
Curve (EKC) relationship between income and environmental deterioration is challenged,
whilst simultaneously trying to identify drivers of deforestation and loss in biodiversity.
With improved quality of data and added variables, the existence of an EKC relationship
is found to be dubious at least. From testing the time series properties of the data it is
clear that earlier literature has failed to recognize, among others, a unit root problem.
Failing to reject a co-integrated relationship between income and deforestation, a fully
robust Fully Modified (FM) OLS estimation technique is implemented.
Some evidence of a long run EKC relationship for the regions Latin America and Asia is
found, whilst Africa and the total panel showed mixed results. The initial effect of macro-
and sociopolitical variables is supported in spite of a certain degree of insignificant co-
efficients. Given the varying significance there overall seems to be support of promoting
institutions, civil rights, environmental regulation and better allocation of resources in
order to slow down deforestation, thereby saving vital natural resources. These policy im-
plications should be remembered and underlined in the on going debate and the upcoming
world wide climate negotiations.
1
6. 1 Indledning
I 2010 udkom FN’s Fødevareorganisation (FAO)’s Global Forest Resource Assesment
(FRA 2010)[24], som er den mest omfangsrige og grundigt udarbejdede analyse af verdens
skoves tilstand. Rapporten indeholder data fra 233 lande og dækker syv emner, herunder
skov som ressource, biodiversitet, skovenes tilstand mm. Mere end 900 eksperter fra 178
lande har bidraget til rapporten som har taget mere end 4 år at udarbejde.
I denne opgave lægges der vægt på rapportens overordnede konklusion, at biodiversiteten
i verdens skove er truet af en stigning i skovrydning, skovnedbrydelse såvel som et fald
i uberørt skov. I mange lande ser tendenserne dog ud til at vende, med positive trends
mod bevarelse af biologisk biodiversitet igennem oprettelse af beskyttede skovområder.
Fra 2000 og 2010 er der på globalt plan blevet konverteret ca. 13 mio. ha skov fra skov
til anden anvendelse, herunder landbrug, eller tab som følge af naturlige årsager. Ifølge
FRA 2010 er det et fald fra ca. 16 mio. ha i samme periodelængde henover 1990’erne.
Mere end en tredjedel af alt skov klassificeres som primær skov, hvilket vil sige, at det ikke
har tydelige tegn på menneskelig påvirkning. Primær skov, specielt i tropiske egne står
for nogle af verdens mest artrige og diverse økosystemer. Primær skov udgør 36 procent
(1,4 mia. ha) af verdens samlede skovområde, men er mindsket i størrelse med mere end
40 mio. ha årligt de sidste 10 år. Et årligt fald på 0,4 procent.
Faldet i primær skov har ikke direkte resulteret i et fald i skovområder generelt. Ofte er
skoven blevet re-klassificeret på grund af menneskelig indgriben i løbet af perioden. Fra
FN’s side lægges der vægt på at menneskelig påvirket skov, hvis behandlet korrekt, til
stadighed kan være hjem for vigtig biodiversitet, bidrage til miljøbeskyttelse samt være le-
vegrundlag for befolkningsgrupper. Sydamerika står uden tvivl for det største tab i primær
skov efterfulgt af Afrika og Asien. Andre trusler til primær skov omfatter ikke-bæredygtig
skovanvendelse, klimaforandringer, skovbrænde, insektplager og træsygdomme, naturka-
tastrofer og invasive arter.
Samtidig er arealet af beskyttede områder steget mere end 95 mio. ha siden 1990. Særligt
stor var stigningen fra 2000-2005 med 46 procent. I dag er 12 procent af verdens skove,
mere end 460 mio. ha, beskyttet med henblik på at bevare biologisk diversitet.
Områder beskyttet ved lov, såsom nationalparker, vildreservater og lignende dækker nu
mere end 10 procent af de totale skovområder i de fleste lande og regioner. Disse områders
primære funktion er bevarelse af biologisk diversitet, beskyttelse af jord og vandressour-
cer eller bevarelsen af kulturarv. “The world’s forests represent a vital source of forest
biological diversity. This biodiversity is an important treasure, especially as forests will
not just have to adapt to climate change but are also expected to help mitigate it. Grea-
ter investments in sustainable forest management are urgently required to better conserve
and manage forest biodiversity.”1
. På trods af en bedring i antallet af lande, som imple-
menterer politik til bevarelse af biodiversitet, er der til stadighed brug for handling mod
at forbedre effektiviteten af denne bevarelse og bæredygtig anvendelse af biodiversitet i
produktionsskov. Fra FN’s side er der desuden stor bekymring omkring overudnyttelse og
ikke-bæredygtig anvendelse af dyrelivet i mange tropiske egne, ofte i beskyttede områder,
mest udtalt i centralafrikanske egne.
1FAO Assistant Director-General Eduardo Rojas
5
7. Der kan ikke herske tvivl om, at skovrydning står højt på den politiske agenda indenfor
CO2-udledning. Støtte til initiativer, som skal mindske udledning af drivhusgasser som
følge af skovhugst og skovnedbrydning, er blevet udtrykt på højeste politiske niveau, så-
som G8 og FN’s generalforsamling. Dette var ligeledes et hovedtema på klimatopmødet
på Bali i 2013 (COP-13), hvor “The Bali Action Plan” blev vedtaget og gjort til en del af
FN’s rammekonvention for klimaforandringer (UNFCCC). Det er blevet anerkendt som et
alvorligt problem og som et nøgleområde i forhold til at sikre nedbringelse af den globale
CO2-koncentration. Dette forsøges opnået ved blandt andet, at give lande ekstra tid til
at skifte over til lav-emissions teknologier2
. Beslutningerne vedtaget i “The Bali Action
Plan” og på COP-13 med henblik på reducering af udledning fra skovhugst i udviklings-
lande, opfordres partnerne til at udforske en række af tiltag og identificere løsninger på
problemet samt faktorer, som driver skovhugst. Det er derfor essentielt, at der foretages
empiriske studier, som undersøger netop disse faktorer på tværs af geografiske områder.
Studier, som kan bidrage med værdifuld viden, herunder anbefalinger til politikskabelsen
på internationalt såvel som nationalt niveau.
En grundlæggende forståelse, for hvad der driver skovhugst og skovnedbrydning, er derfor
fundamental for politikudvikling. Ligeså er en forståelse for de tiltag, der har til hensigt
at ændre nuværende trends indenfor skovaktivitet mod et mere klima- og biodiversitets-
venligt udfald.
1.1 Problemformulering
Med henblik på at underbygge problemstillingen indledes opgaven med en status for
tab af biodiversitet igennem tropisk skovhugst, ved at anvende skovhugst som proxy for
biodiversitet, samt et kort overblik over den eksisterende litteratur på området. Dernæst
bliver det teoretiske og empiriske ræsonnement for, at der skulle eksistere et Kuznets-type
forhold mellem indkomst per indbygger og biodiversitet (skovdække) kort gennemgået.
Med henblik på den senere analyse gives der efterfølgende en kort introduktion til panel
data estimation samt de økonometriske værktøjer, der tages i brug i første del af opgaven.
Med skovdække som proxy for biodiversitet redegøres efterfølgende for det makroøko-
nomiske og empiriske grundlag for valg af variable og model til at beskrive ændringer i
skovdække. Med udgangspunkt heri analyseres og sammenholdes de statistiske resultater
fra regressioner mellem skovdække og en række forklarende variable på data for hen-
holdsvis det samlede datasæt og de tre regioner Sydamerika, Afrika og Asien. Forholdet
mellem indkomst per indbygger og skovdække testes for, om det kan udtrykkes som en
kuznets kurve og implikationerne af de statistiske og økonometriske antagelser, der gæl-
der for regressionerne, analyseres. Som opfølgning på eventuelle fejl i de økonometriske
antagelser udføres stationaritetstest af de anvendte variable, hvilket leder til en test for
kointegrerende forhold og efterfølgende kointegrationsrobust estimering ved hjælp af fully
modified (FM) OLS.
Afslutningsvis diskuteres eventuelle fordele og ulemper ved den anvendte metode samt
alternative modeller til at beskrive forholdet mellem vækst og biodiversitet.
Opgaven bidrager såldes med at undersøge følgende forhold:
2UN-REDD
6
8. • Der bliver udført panel data regression, og forklaring af skovdække via en række
forklarende makrovariable, herunder indkomst og ulighed.
• Der bliver anvendt tidsserie unit-root test til at undersøge stationaritetsegenska-
berne for de makroøkonomiske tidsserier. Panel data tilgangen er nødvendig som
følge af lav styrke af unit root test for korte tidsserier. En egenskab der kendetegner
makroøkonomiske tidsserievariable.
• Johansens kointegrations tilgang bliver anvendt til at teste for multivariate kointe-
grerende forhold i paneldataen. Der bliver desuden udført alternative kointegrations-
test med henblik på at underbygge eller afvise konklusionen opnået ved Johansen
test.
• De potentielle kointegrerende forhold estimeres ved hjælp af fully modified (FM)
OLS estimation for heterogene kointegrerede paneler. En tilgang der sikrer robu-
ste estimater selv ved inkludering af kointegrerede variable samt tager højde for
endogenitet og seriekorellation.
1.2 Disposition
Opgaven er følgende struktureret ved, at der i afsnit 2 lægges ud med en oversigt over
tropisk skovhugst samt anvendelse af land. I afsnit 3 bliver der efterfølgende gennemgået
relevant empiri. Både indenfor befolkning og miljø, den eksisterende litteratur og forhol-
det mellem økonomisk vækst og skov, herunder Kuznets-kurven. Afsnit 4 præsenterer den
anvendte metodik, herunder panaldata teori samt valg af model til estimation. I afsnit
5 bliver den anvendte data gennemgået - kilder for data, baggrund for valg af forklaren-
de variable, forventede resultater og deskriptiv statistik. Afsnit 6 præsenterer model og
estimation og estimationsresultater bliver gennemgået og holdt op mod de forventede re-
sultater fra afsnit 5. Eventuelle økonometriske problemstillinger rejses i afsnit 7 hvor også
teorien for test og behandling af relevante problemstillinger bliver gennemgået. I afsnit 8
udføres omtalte økonometriske test. Der estimeres endvidere en, overfor de relevante pro-
blemstillinger, robust model og resultater sammenholdes med den i afsnit 6 estimerede
model. Afsnit 9 sammenfatter opgaven i form af en afsluttende diskussion og konklusion.
2 Tropisk skovhugst og anvendelse af land
Verdens samlede skovareal var i 2010 lige over 4 mia. ha, hvilket svarer til godt 0,6 ha per
indbygger. Fem lande, herunder Rusland, Brasilien, Canada, USA og Kina, står for mere
end halvdelen af jordens samlede skovareal.
På et globalt plan er mere end en tredjedel af alle skove primære skove. Dette betyder at
de er hjem for oprindelige arter og ikke huser tydelige tegn på menneskelig aktivitet samt
at de naturlige processer ikke er blevet markant forstyrret. De primære skovområder og
herunder specielt tropisk skov, er klodens mest artsrige og diverse økosystemer. Faldet
i primær skov på 0,4 procent de sidste ti år, skyldes hovedsagelig omklassificering af
7
9. primær skov til “anden naturlig regenereret skov” grundet selektiv skovrydning og andre
menneskelige interventioner.
Hastigheden hvormed skovfældningen sker er faldene, men stadig alarmerende høj. Sko-
vhugst, dvs. hovedsageligt omdannelsen af tropisk skov til landbrugsjord, er aftagende
i enkelte lande, mens den i høj grad fortsætter i andre. Det fremgår ligeledes af FRA
2010, at den årlige ændring i skovdække lå på godt -4,07 mio. ha for Afrika i perioden
1990-2000, mens den i den seneste periode fra 2005-2010 er nede på 3,41 mio. ha, se ta-
bel 2.1 på den følgende side. Den procentvise årlige ændring er faldet fra 0,56 til 0,50.
Ligeledes er der sket et fald i skovhugsten for Latinamerika, med en ændring fra 4,21 mio.
ha per år til 3,58. Asien har ikke blot formået at nedskalere skovhugsten, men at vende
udviklingen, således at der i 2005-2010 har været en tilvækst i skovdække på 1,69 mio.
ha per år. Dette skyldes hovedsageligt store genplantningsprojekter i Kina og et fald i
skovhugst i Indonesien, der tilsammen mere end opvejer den fortsatte skovhugst i store
dele af Syd- og Sydøstasien. Den største mængde skovhugst foregår på nuværende tids-
punkt (læs. 2010) i Sydamerika, skarpt efterfulgt af Afrika, begge med et tabt på godt
3,5 mio. ha årligt. Den højeste hastighed observeres i Centralamerika, hvor det årlige tab
er på næsten 1,2 procent. I stort set alle regioner er hastigheden hvormed skoven fælles,
konstant eller faldene over hele perioden undtagen for Oceanien. Her har der været en
kraftigt stigning i både hastigheden og den absolutte mængde skov, der er fældet, fra et
fald i skovdække på 0,02 procent pr. år i perioden 1990-2010 til 0,55 procent per år fra
2005-2010.
I 2010 vurderede FAO, at verdens skoves sammenlagte biomasse binder i omegnen af 289
gigaton kulstof. Mens genplantning og miljøbeskyttelse kan sikre en stigning i dette tal,
vil skovhugst og dårlig administrering af naturressourcer sænke det betragteligt. På et
globalt plan er det samlede kulstoflager, i biomassen i skove, faldet med ca. 0,5 gigaton
årligt i perioden 2005-2010, hovedsageligt som følge af et fald i globale skovområder. Det
er altså ikke alene er et spørgsmål om tab i biodiversitet som følge af et fald i primær
skov, men også et klimaspørgsmål.
8
11. 3 Empiri
Dette afsnit gør rede for dele af den eksisterende empiri indenfor forholdet mellem menne-
skelig aktivitet og miljø. Der gennemgås igennem hvilke kanaler menneskelig aktivitet på-
virker miljøet, samt de forskellige hypoteser, der ligger til grund for litteraturen. Dernæst
berøres kort, hvordan identifikation af indikatorer for miljønedbrydning, i dette tilfælde
skovhugst, er en meget vigtig problemstilling og til dato stadig er relevant. Afslutningsvist
behandles forholdet mellem indkomst og skovhugst og hvordan forholdet kan udtrykkes
ved en miljø Kuznets-kurve.
3.1 Befolkning og miljø
Malthus behandlede som den første, spørgsmålet om hvordan menneskelig aktivitet og
miljø påvirker hinanden. I hans bog fra 1798 viser han, hvordan befolkningstilvækst i
sidste ende vil nå grænsen for hvad ressourcerne kan bære, hvis ikke teknologien udvikler
sig. Konventionel viden ser økonomisk vækst som nøglen til menneskets velbefindende.
Dog er dette synspunkt blevet udfordret indenfor det seneste årti, særligt efter den finan-
sielle krise i 2008. “Degrowth bevægelsen” opstiller f.eks. et paradigme om at “menneskelige
fremskridt uden økonomisk vækst er mulig” (Schneider et al., 2010)[66]. De tilføjer desu-
den, at bæredygtig ”degrowth” ikke nødvendigvis medfører negativ vækst i alle områder
af økonomien eller regionen. “Degrowth” bevægelsen er blevet kritiseret for at være ustabil
og i sidste ende medføre stigende arbejdsløshed og faldende konkurrenceevne, der i sidste
ende vil medføre recession (Jackson, 2009). Fortalere for “grøn økonomi” ser derimod pro-
blemstillingen som en mulighed i sig selv, hvor grønne investeringer i nøglesektorer som
energi, bebyggelse mm. er vejen til at skabe arbejdspladser og erstatte den kulbaserede
økonomi med bæredygtig energi (Barbier, 2010)[9]. Denne “green keynesian”-politik har
kapaciteten til at løse krisen på kort sigt, og samtidig bane vejen for en mere bæredygtigt
økonomi på lang sigt. Et synspunkt der er meget populært især på den venstreorienterede
del af det politiske felt i Danmark. Ved “Aftale om et grønnere Danmark” mellem regerin-
gen og Enhedslisten der f.eks. vedtaget oprettelse af Danmarks Grønne Investeringsfond.
En fond der har til formål at understøtte investeringer i grønne formål herunder energi,
bebyggelse og teknologi.
3.2 Hypoteser i litteraturen
Igennem de seneste blot 20 år, har verdensøkonomien ændret sig radikalt. Globaliseringen
har medført øget samhandel på tværs af grænser. Hvordan handel i sig selv har påvirket
den miljømæssige bæredygtighed i individuelle lande er interessant. Der er i litteratu-
ren, blevet argumenteret for, hvordan handel kan påvirke miljøet igennem flere forskellige
kanaler. Det kan medføre et tab af miljøregulering for at opretholde konkurrenceevnen,
10
12. også kendt som “race-to-the-bottom” hypotesen. Selv med opretholdt eller forstærket mil-
jøregulering, kan handel have en negativ effekt på miljøet. Ressourceforbandelsen(Collier,
2005,[17]), også kendt som “dutch disease”, argumenterer for, at åbenhed mod handel kan
medføre en naturlig stigning i prisen på ressourcer i den hjemlige økonomi. Som igen fører
til en appreciering i den reelle valutakurs, der igen vil påvirke fremstillingsindustrien kon-
traktivt eller flytte kapital og arbejdskraft væk fra fremstilling mod udvindingsindustrier.
Modsatrettet argumenterer “gains from trade”-hypotesen for, at åbenhed vil medføre en
adoptering af højere miljøstandarder og samtidig medføre teknologisk innnovation, som
igen vil reducere presset på naturen.
Sammenhængen mellem miljøet og økonomisk vækst er blevet behandlet med flere for-
skellige tilgange. I denne opgave er naturressourcers effekt på vækst og dermed miljøet
undersøgt ud fra ressourceknapheds hypotesen, mens miljø Kuznets-kurven, som der vil
blive vendt tilbage til senere, ser på hvordan økonomisk vækst direkte påvirker forskellige
forhold for miljømæssig kvalitet.
I starten af 90’erne undersøgte Shafik og Bandyopadhyay[70] det empiriske forhold mellem
miljønedbrydning, i dette tilfælde forurening og økonomisk vækst. Ved hjælp af simple
estimationer af udledninger og indkomst per indbygger fandt de det omvendte u-forhold
og døbte fænomenet “The Environmental Kuznets Curve” efter Simon Kuznet. Lige si-
den er der jævnligt kommet nu litteratur på området og ideen har spredt sig til ikke
bare at inkludere forurening som udledning men også andre miljøindikatorer, herunder
skovhugst. Teorien omkring et omvendt i forhold mellem miljønedbrydning og indkomst
per indbygger er i høj grad interessant, da hvis forholdet holder er økonomisk vækst ikke
nødvendigvis et onde for global bæredygtighed. En holdning der ofte præger debatten på
området.
3.3 Forholdet mellem vækst og skov
For at forstå hvad der påvirker skovhugst er det, som nævnt tidligere, essentielt at forstå
forholdet mellem indkomst og skovhugst. Følgende kapitel tager udgangspunkt i netop
dette forhold med en dybere gennemgang af teorien om Kuznets-kurven fremsat af den
nobelprisvindende Simon Kuznets i 1954 og hvordan den senere er blevet adopteret i
miljø-økonomien.
3.3.1 Kuznets-kurven
Ved det 67. årlige møde i The American Economic Association i 1954 leverede Simon
Kuznets sin tale om “Economic Growth and Income Equality” og fremsatte ideen om
at, som indkomst per indbygger stiger, vil indkomstuligheden først stige for derefter at
nå et vendepunkt hvor den efterfølgende vil falde (Kuznets, 1955)[41]. Det varierende
forhold mellem indkomst per indbygger og indkomstulighed kan repræsenteres ved et
inverteret U-forhold, også kendt som Kuznets-kurven, for hvilken han modtog nobelprisen
i økonomi i 1971. Kuznets-kurve hypotesen forudsætter, at der i det initiale stadie, ved
lave niveauer af indkomst per indbygger, vil være en højre skæv indkomstfordeling og
11
13. dermed en høj indkomstulighed. Med en indkomststigning vil skævvridningen reduceres
og indkomstuligheden falde.
Kuznets-kurven er blevet bekræftet empirisk indtil flere gange af f.eks. Ahluwalia (1976)[1],
Randolph og Lott (1993)[63], Barro (2000)[11] samt mange andre. Ahluwalia (1976)[1] an-
vendte en multipel regressionsmodel til at regressere ulighedsforholdet på tværs af landene,
og fandt nogen evidens for Kuzents’ originale påstand; at ændringer af produktionsstruk-
turen igangsætter en mekanisme igennem hvilken udvikling påvirker ulighed. Barro (2000)
og Randolph og Lott (1993) estimerede forholdet mellem Gini-koefficienten og den natur-
lige logaritme til indkomst per indbygger og fandt resultater der, under visse betingelser,
understøtter Kuznets-kurven.
Der findes dog ikke megen akademisk litteratur indenfor teoretisk analyse af Kuznets-
kurven. Robinson (1976)[64], viser som en af de få, at Kuznets-kurven kan udledes fra
en simpel model med et minimum af antagelser. Knight (1976)[39] og Fields (1979)[23]
forklarer analytisk, hvordan ændringer i produktionsstrukturen relaterer sig til indkomst-
fordelingen.
3.3.2 Miljø Kuznets-kurven
I slutningen af 90’erne tog miljøøkonomer forholdet til sig og opstillede en hypotese om,
at det samme forhold er gældende mellem vækst i indkomst og miljønedbrydning, også
kendt som miljø-Kuznets-kurven (Environmental Kuznets Curve, EKC). EKC-forholdet
sammenholder niveauet for miljøskade (beskyttelse), givet ved en udvalgt miljømæssig
indikator, med niveauet af økonomisk udvikling for et land eller en region. Det ligger
implicit i forholdet, at en svag grad af miljøskade er uundgåelig i det initiale stadie af
økonomisk udvikling, mens øget vækst i sidste ende vil medføre initiativer til at forbed-
re miljøforholdene. EKC-forholdet har derfor den miljøpolitiske implikation, at væksten i
udviklingslande er bæredygtig så længe at den fortsætter til niveauet, hvor den miljømæs-
sige genopbygning begynder at finde sted, og at den ikke forinden har overskredet den
naturlige (irreversibilitet) grænse3
. Det betyder dog ikke, at de politiske og institutionelle
rammer for miljøet i det tidlige stadie er mindre vigtige, men derimod at den negative ind-
virkning fra udviklingsprogrammer skal holdes indenfor den økologiske grænse (Bhattarai
& Hamming, 2001)[12].
EKC-studierne har derudover bidraget til dagsordenen for miljøpolitiske programmer ved
at tilskynde restrukturering af udviklingsprogrammer, så de bevæger sig på en mere stabil
vækststi, ved at gøre EKC fladere for de relevante miljømæssige indikatorer. Målet med
dette er at undgå den samme mængde miljøbeskadigelse som i industrialiserede lande i
deres indledende faser uden at hindre den generelle økonomiske vækst (Panayotou, 2003,
Munasinghe, 1999)[55, 51].
Størstedelen af studier indefor EKC baserer deres analyse på objektive mål for miljøkvali-
tet såsom observerede niveauer for svovldioxid, vandforurenende stoffer eller partikler i luf-
ten (Panayotou, 1997, Shafik, 1994, Selden & Song,1994, Shfik et al., 1992) [54, 69, 68, 70].
De empiriske resultater peger på at der eksisterer et EKC forhold, men den statistiske
3Når grænsen er overskredet vil det ikke være mulighed at genoprette den oprindelige miljøkvalitet
12
14. opbakning er ikke ens på tværs af de kvalitative mål for miljøkvalitet. De varierer i forhold
til valg af mål, tidsperiode, landeområde eller region samt valget af forklarende variab-
le. Derudover er resultaterne, som man næsten kan forvente, i høj grad påvirket af den
anvendte økonometriske metode (Stern et al., 1996) [73].
Hvordan ændringer i institutioner påvirker velstanden er et komplekst forhold der ikke
altid bliver taget højde for i EKC-studier. Forholdet mellem vækst i indkomst og mil-
jømæssig kvalitet er ikke ligetil og involverer en række feedback-mekanismer. Det går
igennem forskellige institutionelle kanaler, hvor det påvirker både markeds- og politiske
kræfter (Antle & Heidebrink, 1995)[5].
Det er også foreslået i litteraturen at øget læsekundskab, demokratiske institutioner og
almene borgerettigheder vil dæmpe EKC hypotesens indkomsteffekt. Torras og Boyce
(1998) finder at institutionelle faktorer påvirker EKC forholdet, specielt i lav-indkomstlande,
og at en højere grad af læsefærdighed og politisk frihed og borgerrettigheder vil påvir-
ke kvaliteten af miljøet positivt (Torras & Boyce, 1998)[74]. Panayotou (1997) finder på
samme måde, at miljøpolitik kan påvirke harmoniseringen mellem økonomisk vækst og
kvaliteten af miljø. Han foreslår derudover, at kvaliteten af de omtalte miljøpolitikker, så-
som opretholdelsen af ejendomsrettigheder og konktrakter, kan hjælpe til med at udglatte
EKC samt reducere den miljømæssige omkostning ved økonomisk vækst.
Institutioner former rammen omkring økonomisk vækst. De kan tilskynde væksten, gøre
økonomien mere efficient og dermed påvirke indkomst-miljø forholdet. Der findes flere
empiriske studier der understreger, at de rette institutioner, opretholdelse af lov og orden,
ejendomsrettigheder mm. sikrer højere vækst, blandt andre Knack og Keefer (1995)[37]
og Scully (1998)[67].
Der kan argumenteres for, at når en økonomi når et vist stadie i dens udvikling, vil struk-
turen ændre sig og den vil bl.a. substituere træ som brændsel med alternative energikilder.
En ændring der alt andet lige kan regnes for at nedsætte skovfældningen og derfor gav-
ne miljøet og dermed understøtte EKC-hypotesen (Cropper & Griffiths, 1994)[18]. Det
regnes derudover sandsynligt, at samfundet i højere grad sætter pris på miljømæssig
nytteværdi af naturressourcer, såsom biodiversitet, æstetisk værdi, CO2 udledning, ved
højere indkomstniveauer.
Det er først, når et samfund har fået dækket basale behov, at det vil overveje anvendelsen
af naturressourcer på ovenstående måde. Hvordan denne transformation finder sted, og
om alle samfund skal igennem den samme transformationsproces, er i litteraturen stadig
uklart. Den begrænsede empiri på området indenfor skovfældning har givet blandede
resultater, herunder Shafik & Bandhyopadhyay (1992)[70], Cropper & Griffiths (1994)[18],
Shafik (1994b)[71], Koop & Tole (1999)[40], Mather, Needle & Fairbairn (1999)[47]. Ingen
af disse studier tager højde for institutionelle faktorer - faktorer, der i denne opgave vil
forsøgt behandlet.
Hovedparten af studierne, der ser på økonomien ved skovfældning på tværs af lande, har
fokuseret på effekten af befolkningstilvækst (Allan & Barnes, 1985, Cropper & Griffths,
1994, Coop et al., 1999, Mather et al., 1999)[2, 18, 40, 47]. Dette skyldes i høj grad
en mangel på pålidelig data for institutionelle og makropolitiske variable for en stor del
af udviklingslandene (Bhattarai & Hamming, 2001)[12]. Der har dog været tiltag fra
Verdensbanken og Freedom House Publication, som har sikret, at der nu er næsten tre
13
15. årtiers sammenligneligt institutionelt data på tværs af lande. Som i Bhattari & Hamming
(2001)[12] forventes det i dette studie, at den institutionelle struktur spiller en vigtig
rolle i implementeringen af miljøpolitik og i forholdet mellem miljømæssig kvalitet og
samfundsmæssig indkomst.
3.4 Opsummering
I dette kapitel er der blevet gjort rede for den eksisterende empiri indenfor forholdet
mellem menneskelig aktivitet og miljø, igennem hvilke kanaler menneskelig aktivitet på-
virker miljøet samt de forskellige hypoteser, der ligger til grund for litteraturen, herunder
“race-to-the-bottom”, “gains-from-trade”, “ressource-trap” og “miljø-Kuznets-kurven”. Med
udgangspunkt heri blev Kuznets teori aflsutningsvist gennemgået. Der blev blandt andet
redegjort for, hvordan den kan adapteres til miljø-økonomi, i høj grad er relevant for den
overordnede problemstilling omkring tab af skov igennem økonomisk vækst og om den
overordnede påvirkning overhovedet er negativ.
14
16. 4 Metode
I det følgende afsnit præsenteres teorien anvendt i forbindelse med panel data estimationen
i de senere afsnit. Panel data har i stigende grad vundet indpas i empiriske analyser
på grund af den ofte manglede styrke af den rene tidsserieestimation. Da styrken øges
gennem bredden og ikke frekvensen af observationer kan problemet omgås ved enten at øge
tidseriedimensionen eller ved at øge mængden af individer. Specielt i makroøkonomiske
studier er det svært at øge tidsseriedimensionen uden at kompromittere kvaliteten af
dataen, og det er derfor langt mere hensigstsmæssigt at inkludere flere individer, øge
antallet af lande, virksomheder mm. At samle observationer over flere individer over den
samme tidsserie øger styrken (Pedroni, 2004,[58]) og det er derfor oplagt at anvende
paneldata.
4.1 Panel data
I forbindelse med anvendelse af panel data er der en række ting man skal være opmærksom
på. Jeg vil derfor kort redegøre for hvordan panel data er konstrueret samt eventuelle
fordele og ulemper.
Panel data er en kombination af:
• Cross-section data: observationer af mange forskellige enheder på et givet tidspunkt.
• Time series data: observationer af en enkelt enhed på forskellige tidspunkter i tiden.
Når der arbejdes med datasæt, som er en kombination af cross-section og tidsserie, er det
vigtigt, at der skelnes mellem:
• Pooled cross-section data: tilfældig stikprøve af flere enheder på forskellige tidspunk-
ter. Da det er en tilfældig stikprøve, vil det typisk ikke være de samme enheder som
indgår på de forskellige tidspunkter. Dette er netop ulempen ved pooled cross-section
data frem for panel data.
• Panel data: en tidsserie for de samme cross-section enheder. De samme individer
(byer, mennesker, lande, etc) følges, og der indsamles data på forskellige tidspunkter
i tiden.
Et panel datasæt er alt andet lige, at foretrække frem for pooled cross-section. Grunden
til dette er, at der er i pooled cross-section ligger en stor usikkerhed i, at de enheder man
trækker i hver periode, typisk er forskellige. Af samme grund er det langt sværere at få fat
i et godt panel datasæt end et pooled cross-section, da man skal have data fra de samme
individer på forskellige tidspunkter i tiden. Ved panel data kan der opstå problemer med
at datasættet er ubalanceret, hvilket vil sige at der ikke er det samme antal observationer
over tid. Dette kan eksempelvis ske hvis mennesker dør, virksomheder går konkurs eller
politiske forhold har gjort rapporteringen umulig for en periode.
At lave en kombination af tidsserie og cross-section øger stikprøve størrelsen, fordi der er
to dimensioner frem for blot én, hvilket giver flere fordele:
15
17. • Der kan kontrolleres for individuel heterogenitet.
• Panel data sikrer mere informativ data, mere variation, mindre kolliniaritet mellem
variable, flere frihedsgrader og mere efficiens.
• Panel data er bedre til at studere dynamikken af tilpasning. Cross-section forde-
linger der ser relativt stabile ud, kan nemt “gemme” den underliggende dynamik af
ændringer.
• Med panel data er det i højere grad muligt at identificere og måle effekter, der ikke
er målbare i ren cross-section eller tidserie data.
• Panel data modeller tillader konstruktion og test af mere komplicerede adfærdsmo-
deller end med rent cross-section eller tids-serie data.
• I kontrast til ikke-stationære tidsserier og tilhørende estimater konvergerer forde-
linger og estimater udledt på baggrund af paneldatatest mod en standard normal-
fordeling.
Ulemperne inkluderer:
• Det er ikke altid muligt at antage uafhængighed mellem observationer. Makropane-
ler på lande eller regioner med lange tidsserier, der ikke tager højde for afhængighed
på tværs af lande, kan lede til misledende inferens.
• I tilfælde af ikke-stationært data er det svært at tolke på baggrund af panel unit-
root tests da de kun siger noget om en signifikant andel af tværsnittet, ikke hvor
stor en andel eller hvilke cross-section enheder, der er tale om. Der skal ligeledes
tages højde for en eventuel kointegration mellem variable på tværs af grupper (cross-
section integration).
• Kompliceret asymptotisk teori som følge af to dimensioner
• Design- og datasamlingsproblemer
• Forstyrrelser og målefejl
4.1.1 Grundlæggende model
Den grundlæggende model for panel data kan opskrives på følgende form:
yit = xit + ci + uit
Hvor xit er en (1 ⇥ k) vektor, som indeholder alle k observerbare forklarende variable for
individ i, og er en (k ⇥ 1) vektor der indeholder koefficienter til observerbare forklarende
variable. ci er her en skalar og er en forklarende variabel, men er uobserverbar. Det kunne
eksempelvis være individ i0
s medfødte evne, som ikke kan observeres, men som stadig vil
påvirke y. Dette led har forskellige navne: Unobserved effect, fixed effect eller unobserved
heterogeneity. Leddet antages at være konstant over tid, og det er netop denne antagelse
der gør, at vi kan kontrollere for den. Da den alligevel ikke observeres og er konstant over
tid kan vi uden tab af generalitet sætte koefficienten foran lig 1.
16
18. 4.1.2 Panel data frem for pooled cross-section data
Det er netop denne uobserverbare effekt ci, som gør at panel data har en vigtig fordel i
forhold til pooled cross-section data.
Hvis der anvendes pooled cross-section data, kan der ikke kontrolleres for denne uobser-
verbare effekt på samme måde. Ved pooled cross-section data, vil i’erne være forskellige
over tid og derved vil f.eks. den medfødte evne også være forskellig. Det kan derfor ikke på
samme måde antages, at ci er konstant over tid, og det vil derfor være svært at kontrollere
for denne.
4.1.3 To metoder til at behandle den uobserverbare effekt ci
Der er forskel på, hvordan man estimere modellen alt efter om ci behandles som random
eller fixed.
Random effect Ved random effect er forventningen til ci, betinget af at de forklarende
variable lig forventingen til ci ubetinget.
E [ei |xi1, xi2, . . . , xiT ] = E [ci]
Dette vil være tilfældet hvis xit og ci er uafhængige. Det er her tilstrækkeligt, at de er
ukorreleret:
cov (xit, ci) = 0 t = 1, . . . T
Dermed skal den uobserverbare effekt ci være ukorreleret med alle de forklarende variable
på alle tidspunkter.
Fixed effect Det er her tilladt for den uobserverbare effekt at være korreleret med de
forklarende variable, da der kontrolleres for samme:
cov (xit, ci) 6= 0 t = 1, . . . T
Hvorvidt man skal bruge random effect eller fixed effect afhænger typisk af ens forklarende
variable. Hvis man eksempelvis har uddannelse som en forklarende variabel, og ci er den
medfødte evne/talent, vil disse typisk være korrelerede og en fixed effect model vil være
at foretrække.
17
19. 4.1.4 Streng eksogenitet
For både fixed effect og random effect modeller gælder der en antagelse om streng ekso-
genitet. Det vil sige at:
E [yit |xi1, xi2, . . . , xiT , ci ] = E [yit |xit, ci ] = xit + ci
Hvor det første lighedstegn betyder, at når når der er kontrolleret for xit og ci, vil xis ikke
have nogen partiel effekt på yit for i 6= s. Det gælder altså at forventingen til fejlleddet,
givet de forklarende variable og de uobserverbare led, skal være lig 0:
E [uit |xit, ci ] = E [uit] = 0
Dette betyder, at de forklarende variable i hver periode og den uobserverbare effekt skal
være ukorreleret med fejlleddet:
E [x0
isuit] = 0 s, t = 1, . . . , T
Den ovenstående antagelse betyder bl.a., at der ikke kan anvendes laggede værdier af den
forklarende variabel yit som forklarende variable, da yi,t 1 er korreleret med ui,t 1.
4.1.5 Random effects estimation
Antagelserne for random effects modellen er:
1. E [uit |xit, ci ] = 0
2. E [uiu0
i |xi, ci ] = 2
uIT
3. E [ci |xi ] = E [ci]
W LOG
= 0
4. E
⇥
c2
i |xi
⇤
= 2
c
Hvor xi1 = (x0
i1, . . . , x0
iT )
0
er en (T ⇥ k) matrice. ui = (ui1, . . . , uiT )
0
er en (T ⇥ 1)-vektor.
Den første antagelse er omkring streng eksogenitet, mens den anden er homoskedasticitet
og autokorrelations antagelsen. De gælder begge under random såvel fixed effects estima-
tion.
På grund af antagelsen om streng eksogenitet og som følge af at ci er uobserverbar, kan
ci og uit samles i et fejlled, vit = ci +uit. Othogonalitetsbetingelsen, dvs. at regressorerne
er ukorrelerede med den observerbare effekt, vil da stadig være opfyldt fordi både ci og
uit er ukorreleret med de forklarende variable.
Modellen kan da skrives som:
yit = xit + vit (4.1)
18
20. Modellen i ligning 4.1 estimeres ved hjælp af pooled OLS, og der opnås derved konsistente
-estimater. OLS er dog ikke efficient, fordi der opstår et problem med seriekorrelation,
da ci er inkluderet i fejlleddet. Det ses ved:
E [vitvis] = E [(ci + uit) (cit + uis)] = E
⇥
E
⇥
c2
i + ciuis + ciuis + uituis xi, ci
⇤⇤
E [vitvis] = E
⇥
c2
i + 0
⇤
= 2
c
Der kan derfor opnås mere efficiente estimater ved at estimere modellen vha. Generalized
Least Squares (GLS), hvor der laves en transformation af modellen ved at pre-multiplicere
med en (ukendt) (T ⇥ T) matrice A. Dette giver:
Ayi = Axi + Avi
Fra denne nye model kræves det at:
var (vi) = var (Avi) = E [Avi] = E [Aviv0
iA0
] = A⌦A0
= IT
Da kan A konstrueres på en sådan måde at varians-kovarians matricen ⌦ = A 1
(A0
)
1
=
(A0
A)
1
, hvilket sikrer homoskedasticitet og ingen autokorrelation i fejlledet i den trans-
formerede model. Modellen med de transformerede værdier bliver da:
eyi = ˜xi + ˜vi
Ved at anvende OLS på den transformerede model opnås GLS estimatoren. Ækvivalent
kan estimatoren findes ved at udføre pooled OLS på:
yit ¯yi = (xit ¯xi) + (vit ¯vi) (4.2)
Hvor ¯yi = T 1
PT
t=1 yit, ¯xi =
PT
t=1 xit, ¯ui =
PT
t=1 uit og
= 1
2
u
T 2
c + 2
u
1/2
(4.3)
Givet at de sædvanelige betingelser er imødekommet, er GLS-estimatoren konsistent og
asymptotisk normalfordelt.
For at finde A kræver det et estimat for ⌦ som ofte ikke findes i praksis, men som kan
estimeres ved at finde 2
u og 2
c . Denne version kaldes derfor Feasible Generalized Least
Squares (FGLS). 2
u findes ved at fjerne “within mean” og finde forskellen i variablene til
deres middelværdi, (ligesom fixed effects).
Endelig udregnes 2
c fra 2
c = 2
⌘
1
T
2
u. 2
⌘ kommer fra ¯yi = xi + ⌘i. Det skal yderligere
nævnes, at estimatet på 2
i ikke nødvendigvis er positivt. Er det negativt, kan det være
et tegn på en fejlspecificeret model.
19
21. Evaluering af tilstedeværelsen af uobserved effects Ved at sammenholde estima-
terne for 2
c relativt til 2
u, er det muligt at få en ide om tilstedeværelsen af en unoberserved
effect. Derudover kan de to estimater anvendes til at udregne fra ligning 4.3 og derved
sammenholde random effects-estimatoren til både pooled OLS og fixed effects-estimatoren
ved at se på ligning 4.2. Pooled OLS fås, når = 0, mens fixed effects fås, når = 1. I
praksis er aldrig lig 0 eller 1, men hvis er tæt på 0, vil random effects-estimaterne være
tæt på pooled OLS. Dette er tilfældet, når den uobserverbare effekt er relativt ubetydelig
(på grund af den lille varians relativt til 2
u). Det sker oftere, at 2
c er større relativt til
2
u, i hvilket tilfælde vil være tættere på 1. Som T bliver større, vil gå mod 1, og dette
gør random effects og fixed effects estimtoren tæt på at være ens.
4.1.6 Fixed effects estimation
Antagelserne for fixed effect modellen er som følger:
1. E [uit |xit, ci ] = 0
2. E [uiu0
i |xi, ci ] = 2
uIT
Hvilket vil sige at vi tillader det uobserverbare led ci at være korreleret med de forklarende
variable. Tricket i fixed effect estimation er at transformere modellen, således at det
uobserverbare led ci elimineres.
Det uobserverbare led elimineres ved først at fjerne “within mean”. Det vil sige at man
finder middelværdien af alle variable over tid, for alle individer i.
¯yi = ¯xi + ¯ci + ui = ¯xi + ci + ¯ui
hvor ¯yi = 1
T
PT
t=1 yit, ¯xi = 1
T
PT
t=1 xit, ¯ci = 1
T
PT
t=1 cit = T ci
T = ci, ¯ui = 1
T
PT
t=1 uit
ci elimineres da ved at se på variablene i afvigelse fra deres middelværdi:
yit ¯yi = (xit ¯xi) + (ci ci) + (uit ¯ui) = ¨yit = ¨xit + ¨uit (4.4)
Modellen udtrykt i ligning 4.4 estimeres da ved hjælp af pooled OLS og giver konsistente
estimater, givet at antagelse 1 holder, og stabilitetsbetingelsen er opfyldt:
plim
1
n
n
X
i=1
¨x0
i ¨x
!
= Q med rank (Q) = k
Denne betingelse er kun opfyldt, såfemt at der er variation i alle ¨xit. Fordi den er de-
meaned, vil dette ikke være tilfældet, hvis nogle af variablene er konstante over tid. Derfor
kan der ikke anvendes tids-konstante variable i fixed effects estimation (medmindre der
inkluderes tidsdummies eller lign.). Det er derfor ikke muligt at inkludere f.eks. køn eller
en by’s distance fra en flod som variable. I random effect modellen kan der i modsætning
til fixed effects godt indgå tids-konstante variable.
20
22. 4.1.7 Random effects vs. fixed effects
Som hovedregel skal fixed effects anvendes frem for random effects hvis:
corr (xit, ci) 6= 0
i hvilket tilfælde random effects-estimationen er inkonsistent.
Random effects estimationen skal derimod anvendes hvis:
• corr (xit, ci) = 0. Dvs. at transformationen, der laves med henblik på at eliminere
ci, resulterer i inefficiente estimatorer.
• Vigtige forklarende variable er tids-konstante (tidsinvariante variable kan ikke in-
kluderes i fixed effects-estimation).
• Vigtige forklarende variable udviser meget svag variation over tid, da fixed effects
estimationen i dette tilfælde kan give upræcise estimater.
Hausman-test for random effects Hvis corr (xit, ci) = 0, er både random effects og
fixed effects estimationen konsistent, mens at hvis corr (xit, ci) 6= 0 vil kun fixed effects
være konsistent. Hvis de to estimater er statistisk signifikant forskellige, tolkes det som
bevis mod random effects antagelsen om corr (xit, ci) = 0.
Dette testes ved hjælp af Hausman-testen, hvis statistik er som følger:
H =
⇣
ˆF E
ˆRE
⌘0 h
ˆVF E
ˆVRE
i 1 ⇣
ˆF E
ˆRE
⌘
s 2
(M)
Hvor ˆV står for den estimerede kovariansmatrice og M K er antallet af tidsvariante
forklarende variable. Hausman specifikationstesten sammenligner fixed effects og random
effects under nul hypotesen: den individuelle effekt er ukorreleret med andre regressorer
i modellen (Hausman 1978)[29]. Hvis korreleret (H0 afvises), giver en random effect-
model biased estimatorer ved at bryde en af Gauss-Markov antagelserne4
, og fixed effects
er at foretrække. Hausman’s essentielle resultat er, at kovariansmatricen for en efficient
estimator med dennes differens fra en inefficient estimator er nul (Greene 2003)[28].
4.2 Opsummering
I dette afsnit blev den økonometriske teori og metode, der ligger til grund for estimation
på baggrund af paneldata, gennemgået. Det præsenteredes hvordan paneldata er konstru-
eret og fordele og ulemper ved strukturen blev gennemgået. Den grundlæggende model,
pooled estimation, random effects- og fixed effects estimation blev gennemgået, herun-
der antagelser omkring streng eksogenitet samt hvordan der vælges imellem de forskellige
estimationsmetoder.
I det næste kapitel identificeres de indikatorer, der vil danne rammen omkring den videre
undersøgelse af bl.a. eksistensen af en miljø-Kuznets-kurve.
4Under hvilke estimaterne er bedste lineære, centrale estimatore
21
23. 5 Data
I dette afsnit introduceres den empiriske opsætning. Først gennemgås den forklarede va-
riabel, skovhugst, der anvendes som en proxy for biodiversitet. Dernæst gennemgås for-
klarende variable, baggrund for inkludering samt datakilde og konstruktion af samme.
Information om forklaret og forklarende variable er opsummeret i tabel 5.3. Dernæst ar-
gumenteres der for inkludering og udelukkelse af lande efterfulgt af et kort afsnit, der
præsenterer den deskriptive statistik for panelserierne.
5.1 Skovhugst
Takket være FAO er konsistent og pålideligt data for skovområder let tilgængeligt for
perioden 1990-2010. Tidligere studier har anvendt statistik helt tilbage til 1961, blandt
andre Shafik & Bandhyopadhyay, shafik (1994a)[71], Cropper Griffiths (1994)[18] og Koop
& Tole (1999)[40]. Der opstår dog indtil flere problemer, specielt mangel på tilsvarende
data for makrovariable, for perioder så langt tilbage i tiden for udviklingslande. Dette
gælder specielt for Afrika.
Der har været forskellige tilgange til definitionen af skovområder og en vis diskussion af
samme, herunder Arrow et al (1995) og Stern et al (1996). Til trods for, at definitionen
fra FAO har ændret sig en smule siden 1990, anvendes der i denne opgave data fra FAO’s
database FAOSTAT.
FAOSTAT definerer skovområde som:
Et skovområde er land, der breder sig over mere end 0,5 hektar, med træer højere end 5
meter og en trækrone, som dækker mere end 10 procent, eller træer, som kan nå at opfylde
grænserne fra der hvor de står. Det inkluderer ikke land, som hovedsageligt anvendes til
landbrug eller bebyggelse. Skov er defineret ud fra både tilstedeværelsen af træer og fraværet
af alternative anvendelser af land. Træerne skal kunne nå en minimum højde af 5 meter
på stedet. Områder, som er under genplantning, som forventes, men endnu ikke har nået
at dække 10 procent af trækronen, og som har en træ højde på 5 meter, inkluderes. Det
samme gælder for midlertidige ryddede områder, som forventes at vokse tilbage. Inkluderet
er områder med bambus og palmer, såfremt krav til højde og trækrone opfyldes; tilplantede
veje, brandbelter og andre mindre åbne områder; skov i national parker, natur reservater og
andre beskyttede områder, vindhegn, og rækker af træer, hvis areal er større end 0,5 hektar
og med en bredde på mere end 20 m; plantager som primært anvendes til skovbrug eller
beskyttende formål såsom gummi- og kork plantager. Ekskluderet er træstande i forbindelse
med landbrug, såsom frugtplantager. Ekskluderet er også træer i byparker og haver.
Tidligere studier (Shafik 1994b; Cropper & Grifftihs; Koop & Tole 1999) har ligeledes
anvendt FAOSTAT-data på skov og skovområder til at måle skovhugst uden at tage
højde for visse dataproblemer tilknyttet dette data. Kritikken går på, at FAO-data for
skov bygger på 2010 Global Forest Resource Assesment, som er et befolkningstilvækst
forecast. Data bygger på denne undersøgelse, for at komme problemer med utilstrækkeligt
data til livs. Det betyder, at FAO’s data på skovområder er uhensigtsmæssig at anvende
i estimationer, som inkluderer demografiske forklarende variable. Det må dog antages,
22
24. at problemet er blevet mindre med tiden, i takt med at rapporteringen er blevet mere
systematiseret.
FAO verificere deres data på feldtniveau ud fra årlige rundspørger og undersøgelser i
regionale offentlige styrelser. De fleste videnskabelige skovdatabaser i udviklingslande blev
startet i slutningen af 1960’erne og starten af 1970’erne da problemet med skovrydning for
første gang blev et internationalt debbateret emne. Blandt andet grundet det tvivlsomme
data i startperioden og i årene op gennem 1080’erne med stor politisk ustabilitet især i
Sydamerika og Afrika, anvendes der data fra 1990 og frem i dette studie. Tidsperioden er,
som det nævnes tidligere, i høj grad også præget af kvaliteten af makrovariable, herunder
specielt ulighedsmål, for perioden før 1990.
5.2 Ulighed
I følge Thomas Piketty (2014)[61] blev Kuzents-kurven i det store hele formuleret på
det forkerte grundlag, og dens teoretiske fundment var og er ekstremt skrøbeligt. Den
skarpe reduktion i indkomstulighed, der ses i stort set alle rige lande mellem 1914 og
1945, skyldes verdenskrigene og de voldsomme økonomiske og politiske shock, der fulgte
med dem. Det havde i langt mindre grad at gøre med den langsomt arbejdende proces af
tværfaglig mobilitet beskrevet af Kuznets (Piketty, 2014)[61].
Der er intet fundament for, at tro at vækst automatisk er balanceret. Det er derfor på høje
tid, at spørgsmålet omkring ulighed rejses igen i økonomisk analyse og de spørgsmål, der
første gang blev stillet i det 19. århundrede forsøges besvaret. Alt for længe har økonomier
negligeret fordelingen af rigdom, til dels som følge af Kuznets optimistiske konklusioner
og dels fordi professionens unødige entusiasme for simple matematiske modeller baseret
på såkaldte agenter (Piketty, 2014)[61].
Hypotesen omkring Kuznets-kurven forklarer hvordan miljømæssig skade først stiger og
derefter falder med indkomst per indbygger. Eksistensen af dette vendepunkt kan blandt
andet forklares ved “skala-effekten”. “Skala-effekten” opstår når mere output, alt andet
lige, resulterer i negativ indflydelse på miljøet, bliver opvejet af “kompositionseffekten”,
dvs. at den underliggende struktur i økonomien ændres og teknikeffekten, der kommer
som ændring i produktionsmetode. Hvor stor en påvirkning de to effekter har, afhænger
i høj grad af, hvilke incitamenter aktører og politikere i økonomien stilles overfor. Med
en stigning i indkomsten vil både efterspørgslen efter bedre miljøforhold og midlerne til
mere miljøvenlige investeringer stige. Der er i et bredt omfang lavet empiri på ovenstående
område. Se blandt andre Shafik and Bandyopadhyay[71], Cropper & Griffiths, 1994[18],
og Panayotou, 1995[54].
Skridtet videre fra ovenstående empiriske undersøgelser har været at tilføje en forde-
lingsmæssig effekt. Boyce (1994) argumenterer for, at ulighed kan være en vigtig fak-
tor i forklaringen af miljønedbrydning. Han argumenterer for, at større indkomstlighed i
samfundet vil sikre mindre nedbrydning af miljøet. Hvis argumentet ift. kuznets-kurven
holder, at højere indkomst vil medføre større hensyntagen til miljøet, er ulighedsparame-
teren en naturlig forlængelse. Den gennemsnitlige indkomst siger ikke nødvendigvis noget
om indkomsten for den nederste percentil af befolkningen. Et godt eksempel er Ækvato-
rial Guinea, et land der ramte olie og blev meget rigt meget hurtigt. Til gengæld blev
23
25. indkomsten meget ulige fordelt, og det er i dag hovedsageligt den øverste persentil, som
er blevet meget rigere end resten af befolkningen. Den højere gennemsnitlige indkomst
burde derfor ikke have effekt på miljøet, da 90 procent befolkningen ikke er blevet rigere,
men blot relativt fattigere.
Til at approksimere ulighed, er der valgt at anvende to forskelige proxyer. GINI-indekset
fortæller i hvor stor en grad fordelingen af indkomsten eller forbrug mellem individer eller
husstande indenfor en økonomi er lige fordelt. Lorenz-kurven plotter den kumulative pro-
centdel af total indkomst modtaget mod det komulative antal modtagere - startende med
de fattigste individer i økonomien. GINI-indekset måler da området mellem Lorenz-kurven
og den hypotetiske linje for absolut lighed, udregnet ved en procent af det maksimale om-
råde under linjen. Et GINI-indeks på 100 repræsenterer derfor perfekt ulighed, mens 0 er
perfekt lighed.
En ulempe ved anvendelsen af GINI-indekset er dens variation med fordelingen. Lige me-
get om ændringen sker ved toppen, bunden eller i midten. En hvilken som helst ændring
i fordelingen mellem to grupper påvirker indekset. Hvis man gerne vil se specifikt på ind-
komstandelen for populationen i bunden, vil en bedre indikator være et direkte mål, såsom
indkomstandelen der går til f.eks. de fattigste 20 procent. Dette mål vil ikke være påvirket
af f.eks. en skattelettelse, som sikrer en højere disponibel indkomst til middelklassen på
bekostning af de rigeste i samfundet.
Et andet mål for ulighed er derfor indkomstandelen, som foruden de ovenstående fordele
også er langt mere simpel end GINI-koefficienten. Målet angiver, hvor stor en procentuel
andel af indkomsten eller forbruget, som tilgår undergrupper i populationen, der er blandt
de 10 procent fattigste. Målet er et udtryk for, hvordan indkomsten eller forbruget er
fordelt i befolknigen. Det forventes i høj grad, at desto større andel af indkomsten som
tilgår den nederste 10 procent af befolkningen, desto mindre skovhugst vil der forgå. Det
er netop spændende at se på den nederste 20 procent af befolkningen, da det oftest er de
10 procent fattigste som bor i landområder og i høj grad fælder skoven, enten som led i
en udvidelse af landbrugsområde, salg af tømmer eller til anvendelse som brændsel.
Data for indkomstfordeling og GINI-koefficient er hentet fra United Nations Universi-
ty, UNU-WIDER’s, “World Income Inequality Database (WIID3.0b)”, September 2014,
(WIID). Dette er en sekundær database, der bl.a. henter observationer fra OECD og
EUROSTAT. At finde data for indkomstfordeling er ikke nemt, da der ikke er en standar-
diseret tilgang til rapportering såsom nationalregnskabsdata. Kilder og metoder varierer,
både på tværs af lande men også indenfor lande. Atkinson & Brandolini (2001)[6] disku-
terer brugen af data for indkomstfordeling og viser bl.a. af niveauer og trends kan variere
meget i forhold til datavalg. Det er derfor vigtigt at være kritisk overfor konklusioner
opnået på baggrund af data for indkomstfordeling og om ikke andet tage det i mente, når
der drages inferens på baggrund af estimationerne. WIID-databasen er anvendt flittigt i
litteraturen og må derfor antages også at være anvendelig i dette speciale. For yderligere
forklaring af datakilder for hver enkelt observation henvises til WIID’s hjemmeside5
.
Fordi data for både GINI og indkomstandele er ekstremt hullet, er der valgt at inkludere
en proxy for ulighed. FOA’s data er generelt af højere kvalitet, og der er derfor valgt, at
5http://www.wider.unu.edu/research/WIID3-0B/en_GB/database/
24
26. anvende den procentuelle andel af befolkningen som er underernæret, opgivet som 3-års
middel i FOASTAT. Anvendelsen af underernæring som proxy for ulighed gør det muligt
at observere effekten på et paneldata-sæt af langt højere kvalitet, end ved inkludering af
de to ekstra ulighedsmål.
5.3 Indkomst
Ved et højere BNP per indbygger forventes det, at efterspørgslen efter landbrugsprodukter
eller produkter fra skoven generelt vil være stigende og derfor lede til øget skovhugst. På
den anden side vil et højere niveau af BNP per indbygger reducere skovhugst igennem
krav om beskyttelse. Dette har ofte tidligere været tilfældet i mange udviklingslande,
hvor den økonomiske udvikling har ledt til en højere vurdering af naturressourcer. Et højt
niveau for BNP per indbygger kan være med til at reducere skovhugsten på andre måder
i tropiske lande. Efterspørgslen efter arbejdskraft i den industrielle ikke-landbrugssektor
kan stige og derved øge urbaniseringen, som igen vil få efterspørgslen efter træbaserede
energiformer til at skifte til alternative energiformer (Rude, 1998)[65]. Der er dog fundet en
positiv sammenhæng mellem niveauet for BNP per indbygger og skovhugst (Capistrano,
1995)[15].
Hvis EKC-hypotesen skal bekræftes, kræver det at BNP er positiv, mens at BNP kva-
dreret er negativt. Derved er funktionen konkav, og vi ser det omvendte u-forhold. Der
er ingen forventning til det kubiske led. Bhattari & Hamming 2001 oplever både et ne-
gativt og positiv kuberet indkomstled. Målet for indkomst per indbygger er hentet fra
Verdensbanken, “World Development Indicators” og er opgivet i 1000$.
5.4 Institutioner
Forbedring af miljøet som følge af øget vækst i indkomsten afhænger i høj grad af politik
og institutioner. Vækst i BNP sikrer muligheder for miljøforbedring ved at hæve efter-
spørgslen efter forbedret miljømæssig kvalitet samt sikrer, at der er ressourcer til at sikre
samme. Hvorvidt, og i så fald hvornår der sker miljøforbedringer eller nedbrydningen blot
reduceres, afhænger i høj grad af regeringspolitik, sociale institutioner og markedskræfter.
Politik og markeder bestemmer den miljømæssige pris på økonomisk vækst, og ved tilste-
deværelsen af en miljømæssig grænse bestemmer de muligheden for at genoprette allerede
påført skade, Specielt skovhugst er svær at genoprette efter at øverste lag jord er vasket
væk af regn. Politik og markeder bestemmer også, hvordan der responderes på øget frem-
tidig efterspørgsel på miljømæssig kvalitet og dermed udsigten til miljøforbedring. Bedre
politik og fjernelse af forstyrrende subsidier, opretholdelse af ejendomsret og indførelse
af forureningsafgifter vil sikre en omkostning på eksternaliteter og forventes at reducere
den miljømæssige pris for økonomisk vækst. Dette vil udglatte indkomst-miljø forholdet
og muligvis rykke vendetangenten frem i tiden. Derudover vil den institutionelle ramme
påvirke evnen til at måle nedbrydningen af miljøet bedre og dermed øge farten på sociale
ændringer og mindske den endelig skade. Bedre økonomisk og miljømæssig lovgivning
indenfor kvaliteten af miljøet forventes derfor at være utvetydigt positive. (Panayotou,
1997)[54]
25
27. Bhattari & Hamming (2001) antager, at vækst har en positiv effekt på socio-politiske
institutioner, miljølovgivning og regulering og allokering af miljøressourcer, som oftest
anses som offentlige goder. Der antages derfor en hypotese om, at underliggende institu-
tionelle og politiske forhold påvirker sammenhængen mellem skovhugst og indkomst, og
derfor forskyder EKC tilsvarende op eller ned.
Variablen for politisk frihed måles ud fra Freedom House’s(FH) indekser for politisk og
civil frihed. Det politiske frihedsindeks måler, hvorvidt regeringen kom til magten ved valg
eller ved kup, om valg, er frie og retfærdige, og om oppositionen eksisterer og har mulighed
for at tage magten ved valg. Det civile frihedsindeks måler hvor begrænset pressefriheden
er, og hvor begrænset retten er til at debbatere, lave forsamlinger, demonstrere og danne
foreninger, herunder politiske partier. Da disse indeks i høj grad er korreleret, anvendes
et gennemsnit af de to. Begge indeks måles på en skala fra 1-7, hvor 7 er den højeste grad
af frihed6
.
5.5 Gæld som andel af BNP
Forskning indenfor skovrydning indikerer, at en høj grad af udenlandsk gæld påvirker
omkostningerne og dermed også fordelene ved anvendelse af land i landlige områder enten
direkte eller indirekte. I mange udviklingslande er gældskrisen ofte et symptom på en
dybereliggende økonomisk og institutionel krise, hvor gælden kun yderligere undergraver
økonomien. Lande, der står overfor gældskriser, kan vælge enten at omstrukturere deres
gæld, defaulte, øge deres låneomkostninger, devaluere valutaen, indføre begrænsninger for
import og/eller øge eksporten. I praksis afhænger valget ofte af landets kreditværdighed,
som afhænger af dets eksportmuligheder og udviklingsniveau[33]. Anvendelse af land, og i
særdeleshed udvidelsen af landbrugsjord og dermed skovrydning, afhænger oftest i sidste
ende af gælden. Dette kan være igennem et forsøg på at imødekomme gælden ved at
adoptere “structural adjustment programs”, fattigdomsinduceret skovhugst eller eksport
af landbrugsgoder og tømmer i et forsøg på at nedbringe gælden på kort sigt[19].
5.6 Lovgivningssystem og ejendomsret
Som nævnt har indtil flere studier tidligere undersøgt EKC-forholdet i henhold til skov-
hugst med kvantitative modeller. Der er dog sjældent blevet set på effekterne af egentlig
ejendomsret. Der har været enkelte studier, som har lagt vægt på institutioner som en
betydende faktor, men de har i et bredt omfang været begrænset af data der direkte
fungerer som forklaring af den private ejendomsret. De omtalte studier, som f.eks. Bhat-
tarai og Hamming (2001)[12], bygger på indekser for politisk og personlig frihed, variable
der kun til dels fanger effekten af ejendomsret og kontraktuelle aftaler. Knack og Keefer
(1995)[38] giver flere begrundelser for, hvorfor disse institutionelle mål ikke fuldt ud kan
reflektere variationen i ejendomsretssikkerhed mellem lande.
Specielt de mål, som anvendes af Bhattarai og Hamming (2001), og som er meget lig dem,
der anvendes som proxy for institutioner i denne opgave, er blevet kritiseret for fejlagtigt
6Variablen er blevet omskalleret da den højeste grad af frihed er 1 i det originale dataset
26
28. at afbillede kvaliteten af institutioner. De tager kun svagt højde for ejendomsretssikkerhed
og indeholder derimod andre dimensioner såsom civil og politisk frihed. Der er derfor med
stor sandsynlighed en vis mængde målefejl i evalueringen af institutioner, som antages
at påvirke ejendomsret, kontraktuelle rettigheder og efficiensen, hvormed offentlige goder
bliver allokeret(tradegy of the commons)(Knack, 1995)[38].
Der anvendes derfor også mere direkte indikatorer for ejendomsret for at tage højde for
institutionerne, da netop institutioner er en central faktor, når det kommer til investe-
ringer og efficient allokering af ressourcer. Ejendomsretsikkerheden er desuden i høj grad
afhængig af håndhævelse af aftaler, og der anvendes derfor et gennemsnit af protection
of propterty rights og legal enforcement of contracts fra Economic Freedom of the World-
data (EFW)[32].
Kategorien, der er anvendt fra EFW-databasen, dækker ikke kun over ejendomsretten,
men også i hvor høj grad den enkelte borger og dennes ejendom, herunder afkast fra
deres eget arbejde, er beskyttet. Først og fremmest er sikre og omsættelige rettigheder
for aktiver og kontrakter centrale for investeringsklimaet. Investorer skal være sikre på,
at de vil modtage overskuddet fra deres investeringer (Mundial, 2001) [52]. Investerings-
omkostninger bliver ofte realiseret indenfor en kort tidshorisont, mens langsigtet afkast
skal reduceres med en risikopræmie. Den risikoreducerende effekt, kan tænkes at have
en generel miljømæssig effekt da miljøprojekter ofte er langsigtede investeringer . Ud-
pining af jorden og inefficient udnyttelse af naturressourcer som følge af “tradegy of the
commons” er ofte et resultat af dårligt definerede ejendomsrettigheder. Et højt risikoni-
veau opfordrer til kortsigtede udvinding af naturressourcer og overudnyttelse af græs- og
landbrugsområder frem for bevarelse (Mink, 1993)[50].
Opretholdt ejendomsret vil sikre en efficient alokering af aktiver. Aktiver vil blive overført
til ejere med den største forventede profit. Ejendomsretten er derfor en forudsætning for
en markedsløsning på miljøproblemer (Larson, 1990)[42].
Aktiver, der er offentlig tilgængelige, og derfor er en del af “the commons” såsom havet,
atmosfæren, og i nogle tilfælde skoven har ofte ingen eller svage juridiske grænser. På
trods af at skov ofte ligger indenfor landegrænser, kan det til stadighed klassificeres som
et offentlig gode, da hele jordens befolkning nyder godt af den CO2, skoven aftager. Men
da den juridiske enhed, som kan sikre bedre ejendomsret, arbejder på landeniveau, har
det enkelte land et incitament til at free-ride, og der burde derfor i højere grad være
en international enhed, som kan opretholde bedre defineret ejendomsret på aktiver som
dette[10].
Indekset er konstrueret ud fra en lang række under-indekser herunder juridisk uafhængig-
hed, uafhængige domstole, beskyttelse af ejendomsret, militær indblanding i opretholdel-
sen af lov og politisk magt, det juridiske systems integritet, opretholdelse af kontrakter,
restriktioner på salg af grund, politiets pålidelighed og den forretningsmæssige omkostning
af kriminalitet.
5.7 Befolkningstæthed - et spørgsmål om plads
Udryddelsen af arter er uden tvivl korreleret med udbredelsen af mennesker (Klein 2000,
Alroy 2001, McKee 2005[36, 3, 48]). Indtil flere studier har forsøgt at kvantificere dette
27
29. udsagn ved at sammenholde størrelse, tæthed og udbredelsen af verdens befolkning med
mængden af truede dyrearter. Blandt andre Kerr og Currie 1995[34] og Forester og Ma-
chlis 1996[25]. De specifikke konklusioner har varieret, men størstedelen bakker op om
korrelationen mellem befolkningstæthed og det relative antal truede dyrearter. Verdens
befolkningstal stiger fortsat eksponentiel, og det er derfor vigtigt at forstå den potentielle
påvirkning af biodiversiteten[49]. Mennesket kan påvirke antallet af dyrearter igennem
flere kanaler, men først og fremmest via en direkte konkurrence om landområder.
Konkurrencen mellem mennesker og andre arter demonstreres bedst ved omdannelsen
af land til landbrug, vandbrug, infrastruktur, byudvikling, industri og ikke-bæredygtigt
skovbrug[14]. Se tabel 5.1, der viser tal for omdannelsen af land på regionsniveau. Siden
1990 har de tropiske egne, som er domineret af udviklingslande, oplevet et fald i skovom-
råder. Dette skyldes i høj grad konverteringen af land til permanente afgrøder og/eller
græsarealer. Tallene i tabel 5.1 indikerer, at udvidelsen af landbrugsjord i tropiske egne
især kan være relateret til landbrugets strukturelle egenskaber i udviklingslande, såsom
lavt udbytte per. hektar pga. mangel på bl.a. gødning og vand. En stigning i landbrugets
produktivitet vil lede til mindre pres på konverteringen af skovområder til landbrugsjord
og dermed biodiversiteteten.
Tabel 5.1: Konvertering af land fra 1990-2010
Landbrug Skovområder Permanente
afgrøder
Permanente
græsgange &
græsningsarealer
Andet
Verden 1,3 -3,2 30,0 1,2 0,6
Afrika 5,8 -10,0 29,4 1,2 0,8
Amerikas 2,6 -5,1 4,7 3,2 5,4
Asien 26,8 5,8 60,5 38,4 3,6
Europa -39,6 0,0 -15,1 -56,4 -16,7
Oceanien -14,6 -3,7 35,7 14,7 46,4
Kilde: World Bank
Mennesker konkurrerer kun marginalt med andre arter om plads i verdenshavene, mens
de er i direkte konkurrence om landområder. Den eksponentielle udvikling af befolknings-
tal er velkendt. Tabel 5.2 afbilleder Verdensbankens forudsigelser for de næste 40 års
befolkningsvækst. Den forventes at stabilisere omkring 12 mia. mennesker mod starten af
næste århundrede, næsten 5 mia. flere mennesker end der er på kloden i dag. Den højeste
vækstrate er i sub-Sahara Afrika, som forventes at have mere end 2 mia. indbyggere i
2050, over dobbelt så mange som i dag.
28
30. Tabel 5.2: Verdens befolkning i mia. og regioner i % af total
1980 2000 2014 2020 2030 2050
Verden 4,4 6,1 7,2 7,8 8,4 9,5
Europa & Centralasien 17,9 14,1 12,5 11,8 10,9 9,5
Østasien & Stillehavsregionen 35,1 33,5 31,5 30,6 28,9 25,4
Mellemøsten og Nordafrika 4,2 5,1 5,7 5,9 6,1 6,3
Sub-Sahara Afrika 8,6 10,9 13,3 14,6 17,0 22,7
Sydasien 20,4 22,7 23,5 23,7 23,8 23,3
Latinamerika & Caribbien 8,2 8,6 8,6 8,6 8,5 8,2
Kilde: World Bank
Disse tal taler kun for øget konkurrence om pladsen med andre levende arter. I litteraturen
argumenteres der for, at fordelen ved denne proces kan opveje omkostningerne, se Simon
(1986,[72]). Højst sandsynligt bygger denne argumentation dog på en fejlagtig vurdering
af biodversitets økonomiske værdi[56].
Fordi der både vil opstå et pres fra den stigende befolkningstilvækst og fra andelen af
befolkningen som lever i landområder, inkluderes begge som variable. Der er overvejende
opbakning i litteraturen til, at en stigende befolkningsvækst vil lede til øget skovhugst, se
bl.a. Kahn og McDonald (1995,[33]). Det forventes derfor, at samme vil blive bekræftet i
den empiriske del. Målet for befolkningsvækst er hentet fra Verdensbanken og er opgivet
i årlig procentsats. Målet for andel af befolkningen, som lever på landet, er udledt på
baggrund af FAO’s statistikker for henholdsvis befolkningstal i by- og landområder.
5.8 International handel
Den samlede effekt af mulighederne for handel er til stadighed omdiskuteret i littera-
turen. Det forventes, at højere priser på træ og landbrugsvarer, som et resultat af en
handelsliberalisering og valutadevaluering, vil øge skovrydningen [4]. Modsatrettet vil en
prisstigning som følge af hypotesen omkring knaphed, på kort sigt øge skovhugsten, men
på lang sigt skabe incitamenter til at bevare naturen frem for at udrydde den, således
at nettoeffekten på skovrydning er negativ[65]. For at fange effekterne af handel er der
valgt både at inkludere et indeks for friheden til at handle fra Economic Freedom of the
World[32]. Indekset er beskrevet nærmere i følgende afsnit.
Frihed til at handle Frihed til at handle kan have både positive og negative effekter på
miljøet. Mulighederne for handel kan skabe grundlaget for et “pollution haven”, som kan
gavne såvel som skade miljøet afhængigt af den økonomiske og politiske struktur i landet.
Fra makroøkonomisk teori er der almen konsensus omkring, at handel medfører specialise-
ring. Ifølge “pollution haven”-hypotesen vil lande med svag miljøpolitik og regulering være
mere eksponeret for at tiltrække kapital, der er bundet op på “beskidte” industrier. Det
29
31. gælder derfor at eksportfremmende lande med svage præferencer for beskyttelse af miljø-
et kan opleve en udvidelse af forurenende og affaldsrig produktion, og omvendt for lande
med stærke præferencer for miljøbeskyttelse. Cole 2004[16] finder empirisk opbakning af
“pollution-haven” hypotesen.
Indekset for frihed til at handle internationalt er konstrueret ud fra forskellige unde-
rindicier, herunder omsætning fra toldafgifter, gennemsnitlig toldrate, standardafvigelsen
på toldrater, ikke-told handelsbarrirer, omkostninger forbundet med import/eksport, sort
markedsvalutakurs, restriktioner på kapital og arbejdsmobilitet, og restriktioner for uden-
landsk ejerskab og investeringer.
5.9 Teknologisk ændring
For tidseriestudier giver det ofte mening, at anvende en tidsdummy som proxy for tekno-
logisk ændring. Dette kan let lede til en undervurdering af vigtigheden af teknologi. Fordi
den er så vigtigt, er der blevet inkorporeret en variabel i stedet for en tidsdummy, som
beskriver fremgangen i teknologisk ændring. Denne teknologiske ændring approksimeres
ved den årlige ændring i udbytte fra landbruget.
Denne statistik er tilgængelig fra FAOSTAT. Den årlige ændring i udbytte fra landbruget
afspejler ikke bare den teknologiske fremgang i landbruget, men også i skovrydningen.
Effekten på skovrydning afhænger i høj grad af, om den er arbejdskraft- og/eller kapital-
besparende eller arbejdskraft- og/eller kapital intensiv. Ved kapitalbesparende forventes
effekten udelukkende at være positiv, mens hvis den er kapitalintensiv, højst sandsynligt
ikke vil overlade ressourcer til ekstra landbrug og derfor ikke øge skovhugsten.
I Angelsen og Kaimowitz (1999)[4] finder de ingen sammenhæng mellem teknologisk frem-
gang og skovrydning, og det er derfor svært at spå om fortegnet for variablen.
Detaljer omkring de enkelte variable, herunder forklaring, enhed, kilder og deres forven-
tede påvirkning af skovhugst, er opsummeret i tabel 5.3.
30
32. Tabel 5.3: Definition af variable og deres forventede påvirkning af skovhugst
Variabel Forklaring Enhed Kilde Fortegn7
SKOV Raten hvormed der rydes skov Procent FAO
BNP BNP per indbygger 1000 US$ (2005) WB Positiv
BNP2
BNP per indbygger kvadreret WB Negativ
BNP3
BNP per indbygger kuberet -
INST Institutioner 1-7 FH Negativ
RET Ejendomsrettigheder 0-10 EFW Negativ
FRIH Frihed til at kunne handle 0-10 EFW -
GAELD Gæld i procent af BNI Procent WB Positiv
BFOLKV Befolkningvækst Procent WB Positiv
KORN Kornudbytte kg/ha WB -
RURAL Befolkningsandel på landet % FOA Positiv
MAD Forekomst af underernæring % FOA Positiv
GINI GINI koefficienten Indeks 0-100 WIID Positiv
ULIG Indkomstandel til laveste 10% % WIID Negativ
5.10 Lande
Der er valgt, at medtage 60 lande for perioden 1990-2012. Da der er fokus på at undersøge
udviklingslande og specielt tropisk skov, er der kun inkluderet lande, som findes i det
tropiske bælte og som er klassificeret som et udviklingsland(1990) i Latin Amerika, Asien
og Afrika. Der er kun medtaget lande med et skovdække på mere end 100.000 ha (1990), et
kriterie anvendt flere gange i litteraturen, herunder af Bhattarai og Hamming (2001)[12]
og Cropper & Griffiths (1994)[18]. Der er valgt at tage udgangspunkt i 1990 som år for
valg af inkludering af lande, da det er her tidsserien har sin begyndelse. Der er i alt tale
om 20 lande i Latinamerika, 28 lande i Afrika og 12 lande i Asien. I nedenstående tabel
ses en komplet liste af lande inkluderet.
31
33. Tabel 5.4: Lande inkluderet i analysen
Latinamerika Afrika8
Afrika Asien
Argentina Angola Nigeria Bangladesh
Bolivia Benin Rwanda Kina
Brasilien Botswana Sierra Leone Indien
Chile Burkina Faso Tanzania Indonesien
Colombia Cameroun Togo Korea. Rep.
Costa Rica CAR Uganda Malaysia
Dominikanske rep. Chad Zambia Nepal
Ecuador Congo dem. rep. Zimbabwe Pakistan
El Salvador Congo rep. Papua N. Guinea
Guatemala Côte d’Ivoire Filippinerne
Honduras Etiopien Sri Lanka
Jamaica Gabon Thailand
Mexico Ghana
Nicaragua Guinea
Panama Kenya
Paraguay Madagascar
Peru Malawi
Trinidad & Tobago Mauritania
Uruguay Mozanbique
Venezuela Niger
5.11 Deskriptiv statistik
Med henblik på at give et kort overblik over paneldata serierne præsenteres den deskrip-
tive statistik i tabel 5.5. Der er angivet middelværdi og standard afvigelse for hver af
serierne for de forskellige regioner og det totale datasæt. Middelværdi og standardaf-
vigelse for panelserierne er beregnet som gennemsnit over den enkelte tidsserier for de
individuelle lande. I tabel 5.5 skal der især lægges mærke til den relativt store variation
af observationer for de forskellige regioner. Afrika står tilbage med kun 276 observation
i forhold til Asien og Latinamerika med henholdsvis 460 og 644. Det lave antal observa-
tioner skyldes det generelt hullede datasæt for Afrika, et kendt problem i litteraturen.
Det lave antal observationer kan være med til at sænke styrken af estimationer og til-
hørende test. Der er derfor i høj grad grundlag for at anvende paneldata med henblik
på netop at sikre konsistente og effciente estimater med en høj styrke af tilhørende test.
Der er ligeledes stor variation i indkomstniveauet regionerne imellem. Afrika skiller sig
igen ud med et generelt lavere indkomstniveau. Såfremt hypotesen omkring miljø-Kuznets
kurven holder, forventes det at Afrika derfor ligger på først del af kurven på nuværende
tidspunkt. Kombineret med en statistik præsenteret i de indledende afsnit med tegn på
skovtilvækst i Asien forventes, det omvendt, at Asien er omkring eller over vendepunk-
tet med en gennemsnitlig indkomst på over 2610$ per indbygger. En høj volatilitet for
32
34. Asien kan dog tyde på, at det ikke gælder for alle asiatiske lande i stikprøven. Der er
ingen initial forventning til placeringen af Latinamerika på en eventuel Kuznets-kurve
med modstridende indikationer fra den indledende skovstatistik. Den deskriptive statistik
viser et højt gennemsnitligt indkomstniveau for Latinamerika. Igen indikerer volatiliteten
en hvis variation i indkomstniveauet. Som forventet ligger Afrika med højeste gennem-
snitlige værdier for andel af befolkning der bor på landet, forekomst af underernæring,
GINI og ulighedsproxy samt med laveste produktionsefficiens i landbruget.
Tabel 5.5: Deskriptiv statistik af valgte variable på regionsniveau 1990-2012
Variable Latinamerika Afrika Asien Alle lande
SKOV Middel 0,50 1,00 0,37 0,70
SD 1,14 1,24 0,97 1,19
BNP Middel 3,97 0,92 2,61 2,24
SD 2,55 1,45 4,44 2,99
BNP2
Middel 22,27 2,95 26,45 13,92
SD 31,66 9,67 86,57 44,74
BNP3
Middel 163,64 16,43 435,71 149,02
SD 411,90 64,31 1764,61 845,68
INST Middel 5,36 3,45 4,22 4,19
SD 0,92 1,32 1,35 1,50
RET Middel 4,52 4,37 4,81 4,55
SD 1,32 1,47 1,35 1,40
FRIH Middel 6,82 5,43 5,84 6,08
SD 1,40 1,46 1,56 1,58
GAELD Middel 5,81 3,95 1,10 4,74
SD 3,78 5,31 3,91 4,70
BFOLKV Middel 1,52 2,65 1,58 2,06
SD 0,65 1,14 0,70 1,08
KORN Middel 2774,29 1172,10 3446,52 2161,05
SD 1063,82 495,15 1262,04 1312,08
RURAL Middel 35,53 66,07 65,28 55,51
SD 18,98 15,64 19,63 22,62
MAD Middel 14,69 31,49 17,80 23,13
SD 10,73 14,82 10,00 14,97
GINI Middel 41,73 43,62 37,37 40,97
SD 19,38 11,86 9,34 16,97
ULIG Middel 2,75 4,41 3,16 3,18
SD 2,04 2,62 3,32 2,57
# lande 20 28 12 60
# obs. 460 644 276 1380
33
35. 5.12 Opsummering
I dette kapitel er grundlaget for modellen blevet fastlagt. Anvendte forklarende variable
er blevet introduceret, både med hensyn til økonomisk intuition, grundlag i litteraturen
og forventet effekt. Derudover er datakilder for de valgte indikatorer såvel som den for-
klarende variabel blevet vendt og præsenteret i en opsummerende tabel. Endeligt er der
kort blevet givet en beskrivende statistik af det anvendte datasæt med henblik på at give
en større indsigt i baggrunden for de endelige estimationer.
I det kommende afsnit bliver den endelige model introduceret og efterfølgende estimeret
ved hjælp af metoderne omtalt i afsnittet om paneldata teori.
34
36. 6 Estimation
Der er valgt at anvende ubalanceret paneldata til den empiriske analyse. Som nævnt
i teoriafsnittet har paneldata fordelen af at anvende både information fra cross-section
såvel som tids-serie analyse. Metoden tager højde for heterogenitet i cross-section da-
ta ved at tillade individ-specifikke effekter (MacKinnon, 2004)[21], hvilket sikrer mindre
collinearitet imellem variable, flere frihedsgrader, og større efficiens (Baltagi, 2001)[8]. Pa-
nelestimation minimerer desuden seriøse fejlspecifikationsproblemer. Som følge heraf vil
resultaterne være mere pålidelige end hvis de blot var udført med gængse en-dimensionel
tidseriedata. Tidligere studier indenfor skovhugst har anvendt pooling af panel data, hvil-
ket kan medføre en udeladelse af de uobserverede, landespecifikke effekter og derfor give
misledende parameterestimater.
6.1 Den reducerede form
Et stort antal økonometriske studier er blevet udført med henblik på at undersøge EKC-
forholdet i en bred vifte af indkomstbaserede, miljømæssige nedbrydningsscenarier. I stør-
stedelen af disse studier anvendes en reduceret form for model, og det samme er tilfældet
i denne analyse. Den reducerede form model er en udgave, hvor skovhugst-indkomst in-
dikatoren er en kubisk funktion af indkomst. Modellen skrives på følgende måde:
yit = ↵i + 1xit + 2x2
it + 3x3
it + 4Zit + "it (6.1)
hvor y er den miljømæssige indikator, i vores tilfælde skovhugst, x er indkomst, z er andre
variable, der påvirker den miljømæssige nedbrydning, og " er fejleddet.
Den ovenstående model bidrager med vigtig information omkring forholdet mellem miljøet
og økonomisk vækst. Det gælder, at hvis 1 > 0 ( 1 < 0) mens 2 = 3 = 0, da er der et
monotont stigende (aftagende) forhold mellem indkomst, x, og miljø, y. Hvis det på den
anden side gælder, at 1 > 0, 2 < 0 og 3 = 0, vil der eksistere et inverteret u-forhold,
også kendt som det originale EKC-forhold. I dette tilfælde gælder det, at vendepunktet
for kurven er givet ved x⇤ = 1
2 2
. Endelig gælder det, at hvis 1 > 0, 2 < 0 og 3 > 0,
da vil der eksistere et N-forhold. I tilfælde af, at 1 = 2 = 3 = 0, er det indikation for
at der ikke er noget forhold mellem indkomst, x, og miljø, y. Alle andre mulige udfald er
ikke af interesse i forbindelse med EKC (Kijima, 2010)[35].
6.2 Model specifikation
Ud fra de foregående afsnit omkring betydende determinanter for skovhugst er følgende
paneldata-model blevet estimeret med henblik på at forklare variationen i skovhugst over
de forskellige lande inkluderet i stikprøven. Skovhugst er beskrevet som SKOVit, hvor
subskriptet i og t er henholdsvis cross-section enhed for det specifikke land og tid. Det
generelle fejlled, vit, består af ui, som er tidsinvariant og står for den uobserverbare
35
37. individuelle lande specifikke effekt, der ikke er eksplicit inkluderet i regressionen, og "it,
der antages at være støj9
. i repræsenterer koefficienterne, der skal estimeres.
SKOV it = ↵i + 1BNPit + 2BNP
2
it + 3BNP
3
it + 4INSTit + 5RETit + 6F RIH
+ 7GAELD+ 8BFOLKV + 9KORNit + 10RURALit + 11MADit
+GINIit + ULIGit + vit
i = 1, 2, . . . , N
t = 1, 2, . . . , T
vit = ui + "it
Modellens parametre estimeres ved hjælp af fixed effects. Der er ikke valgt at anvende
FGLS-estimation af fixed effects som i Bhattarai & Hamming[12], da t-dimensionen er
relativt lav i forhold til N-dimensionen. Økonometrisk teori peger på, at parameteresti-
mater fra fixed effect-modeller giver mere retvisende resultater for denne type analyse på
tværs af lande. fixed effect tillader som nævnt variation i skæringen over de forskellige
cross-section datasæt i en fælles koefficient for de valgte forklarende variable (Greene,
1997)[28]. Den fanger derfor bedre historiske og strukturelle forskelle på tværs af lande.
Det hele afhænger i sidste ende af om det kan antages, at den uobserverbare effekt er
ukorreleret med alle forklarende variable. Random effect kan kun anvendes under an-
tagelsen om nul-korrelation. Hvis data er observationer over store geografiske områder,
som det er tilfældet i denne analyse, giver det mening at se på hver uobserverbar effekt,
ci, som en separat skæring for hver cross-section enhed. fixed effect er næsten altid me-
re overbevisende end random effect for politikanalyse med aggregeret data (Woolridge,
2006)[76].
Da alle observationer for hele perioden ikke er tilgængelige eller rapporteret, er der blevet
anvendt ubalanceret panel regressionsteknik for at imødekomme de manglende observa-
tioner. På grund af meget hullet data for de to ekstra ulighedsproxyer, ULIG og GINI,
er der rapporteret estimater for modellen med de to variable inkluderet samt eksluderet,
benævnt som inklusiv og eksklusiv ekstra ulighedsmål. Den ikke hullede ulighedsproxy
er inkluderet i begge estimationer. Panelestimaterne testes mod et tosidet alternativ og
er normalfordelte. Estimaterne er derfor signifikante på et 5 procents signifikansniveau
ved en numerisk t-værdi større end 1,96. Der er markeret med * i tilfælde af signifikans
på 5 procent og med ** ved signifikans på 10 procent. Der er anvendt fixed effects til
estimation af samtlige modeller jvf. overstående diskussion. Derudover er der rapporteret
testværdier for Hausman-statistikken, der tester for valget mellem random og fixed effects
samt “redundant fixed effects” test. Der rapporteres både for cross-section F-test og Chi2
,
der henholdsvis evaluerer den fælles signifikans af cross-section effekterne ved hjælp af
sums-of-squares (f-test) og likelihood funktionen (Chi2
). På baggrund af variansspecifi-
kationen for cross-section random og idiosynkratisk random udregnes , der er angivet
nederst i tabellerne.
.
9White noise
36
38. Tabel 6.1: Resultater fra estimation - alle lande
Modelvalg fixed effects fixed effects
SKOV Koefficient(s.d.) t-stat(prob) Koefficient(s.d.) t-stat(prob)
BNP 0,1878(0,1901) 0,9879(0,3239) -0,1508(0,1510) -0,9987(0,3182)
BNP 2
-0,0797**(0,0438) -1,8205(0,0695) -0,0319(0,0352) -0,9043(0,3661)
BNP 3
0,0055(0,0036) 1,5345(0,1258) 0,0034(0,0028) 1,2047(0,2287)
INST -0,0360(0,0230) -1,5619(0,1192) -0,0417*(0,0159) -2,6326(0,0086)
RET -0,0361**(0,0189) -1,9079(0,0572) 0,0118(0,0137) 0,8585(0,3908)
F RIH 0,0388*(0,0145) 2,6682(0,0080) 0,0371*(0,0107) 3,4563(0,0006)
GAELD -0,0058*(0,0057) -1,0042(0,3160) -0,0009(0,0025) -0,3409(0,7333)
BF OLKV 0,2399*(0,0614) 3,9041(0,0001) 0,0332(0,0210) 1,3300(0,1839)
KORN 0,0003*(5,32E-05) 4,7856(0,0000) 0,0000(0,0000) 1,1678(0,2432)
RURAL 0,0177*(0,0076) 2,2491(0,0251) -0,0091**(0,0052) -1,7424(0,0818)
MAD -0,0066**(0,0037) -1,8015(0,0725) -0,0054*(0,0023) -2,3927(0,0169)
GINI -0,0007(0,0009) -0,7614(0,4469)
ULIG -0,0109(0,0068) -1,5995(0,1106)
R2
0,9381 0,9262
# Perioder 21 21
# Cross-sections 46 48
Total Panel (ubl.) 414 904
EKC vendepkt. $1400 $8300 $8000
Fixed/random stat(d.f) prob stat(d.f) prob
Hausman (Chi2
) 28,8162(13) 0,0070* 12,5182(11) 0,3260*
CS F-est 64,5883(45,3) 0,0000* 168,5133(47,8) 0,0000*
CS Chi2
-test 939,6363(45) 0,0000* 2134,23(47) 0,0000*
Effekt spec. s.d. Rho s.d. Rho
CS random 0,7938 0,9041 0,9537 0,9147
Id. random 0,2585 0,0959 0,2912 0,0853
ˆ 0,6904 0,7080
I tabel 6.1 er resultaterne for stikprøven med alle lande angivet. Som det fremgår af
tabellen, er der betydelig forskel på resulaterne med de ekstra ulighedsmål inkluderet
eller ej. En forskel, der kan forklares både igennem en eventuel gemt forklaringsgrad i
de to variable og ved udeladelse af en stor mængde forklaring på grund af datamangel.
Stikprøven går fra 904 til 414 observationer, altså en kraftig reduktion. Det er tilfældet for
både den samlede stikprøve samt understikprøverne for de tre regioner. Det konkluderes
derfor, at resultaterne med de to variable ekskluderet er mere robuste som følge den
større stikprøve, og der lægges derfor betydeligt mere vægt på de dertilhørende estimerede
koefficienter i fortolkningen.
Hausman-statistikken tester random effects antagelsen om ingen korrelation mellem den
uobserverbare effekt og de forklarende variable. I praksis gøres dette ved at estimere
modellen både ved hjælp af random effects og fixed effects og efterfølgende sammenholde
37
39. de estimerede koeffcienter. I dette tilfælde foretager Eviews10
automatisk udregningen af
Hausmann test-statistikken.
I forhold til modelvalg indikerer en afvist nul-hypotese for Hausmann-statistikken at der
bør anvendes fixed-effect estimation. Det er kun tilfældet for estimationen inkl. GINI
og ULIG. En afvisning af nul-hypotesen omkring ubetydelige cross-ection effekter for
begge estimationer for både F-testen og Chi2
-testen indikerer desuden, at der eksisterer
en uobserverbar heterogenitet hvilket underbygger modelvalget. Da hver model også er
estimeret ved hjælp af random effects, for at kunne beregne Hausmann-statistikken, er
effekt-specifikationen også opgivet. Rho beskriver hvor stor en andel af variationen, der
kan forklares gennem henholdsvis cross-section random effect (CS-random) og den id.
random effect effekt. Ud fra de to varianser for CS-random og Id. random kan lampda
udregnes. Lampda er et mål, der beskriver hvordan estimater for pool, random og fixed
effect hænger sammen. I tilfælde af, at lampda er lig 0 eller tæt på nul er RE-estimaterne
ækvivalente med pooled OLS, mens at for lambda gående mod 1 vil RE estimaterne blive
korrigeret for bias igennem lambda parameteren, og de vil derfor være ækvivalente med
fixed effects. I tilfælde af, at lambda er tæt på nul, tolkes det som, at den uobserverbare
effekt er relativt ubetydelig.
For begge estimationer på baggrund af stikprøven for alle lande er den random cross-
section effect relativt udpræget, da den forklarer ca. 90 procent af den samlede variation.
Ligeledes gælder det for begge estimationer, at forklaringsgraden over 90 procent, et tegn
på, at der er et godt model fit.
10Anvendte program til databehandling
38
40. Tabel 6.2: Resultater fra estimation - Latinamerika
Modelvalg fixed effects fixed effects
SKOV Koefficient(s.d.) t-stat(prob) Koefficient(s.d.) t-stat(prob)
BNP 1,7845*(0,3706) 4,8153(0,0000) 1,5243*(0,2716) 5,6131(0,0000)
BNP 2
-0,3907*(0,0719) -5,4313(0,0000) -0,3379*(0,0511) -6,6106(0,0000)
BNP 3
0,0248*(0,005) 5,0737(0,0000) 0,0210*(0,003) 6,2515(0,0000)
INST 0,0031(0,0316) 0,0993(0,921) -0,0105(0,0232) -0,4531(0,6508)
RET -0,0599*(0,0204) -2,9381(0,0037) -0,0498*(0,0156) -3,1883(,0016)
F RIH 0,0216(0,0175) 1,2354(0,218) 0,0351*(0,0137) 2,5629(0,0109)
GAELD 0,00358(0,0063) 0,5655(0,5723) 0,0010(0,0037) 0,2570(0,7974)
BF OLKV 0,7215*(0,1066) 6,7673(0,0000) 0,5795*(0,0784) 7,3924(0,0000)
KORN 0,0003*(5,25E-05) 4,8707(0,0000) 0,0002*(4,00E-05) 5,3383(0,0000)
RURAL 0,0176**(0,0101) 1,7339(0,0844) 0,0145*(0,0073) 2,0098(0,0453)
MAD -0,0297*(0,0057) -5,2351(0,0000) -0,0237*(0,0036) -6,5046(0,0000)
GINI 0,0008(0,0010) 0,8193(0,4135)
ULIG -0,0153(0,0104) -1,4795(0,1405)
R2
0,9381 0,9333
# Perioder 21 21
# Cross-sections 16 17
Total Panel (ubl.) 245 328
EKC vendepkt. $3400 $7100 $3200 $7500
Fixed/random stat(d.f) prob stat(d.f) prob
Hausman (Chi2
) 479,1914(13) 0,0000* 36,3116(11) 0,0002*
CS F-est 71,5897(16,2) 0,0000* 118,2470(16,28) 0,0000*
CS Chi2
-test 457,7913(15) 0,0000* 671,9382(16) 0,0000*
Effekt spec. s.d. Rho s.d. Rho
CS random 0,0840 0,1366 0,5017 0,8666
Id. random 0,2111 0,8634 0,1968 0,1334
ˆ 0,0709 0,6348
For Latinamerika i tabel 6.2 tegner der sig på samme måde et billede af korrekt anvendelse
af fixed effects hvis der ses på Haumann-statistikken, der er estimeret ud fra random effects
og de tilsvarende CS F- test og Chi2
-test under fixed effects. Alle test afviser kraftigt
deres respektive nul-hypotese. Til gengæld forklares en realtivt lille del af variationen
i fejlleddene igennem den tilfældige cross-section effect for estimationen, hvor GINI og
ULIG er inkluderet. Ligeledes er lambda tæt på 0, hvilket gør at RE estimaterne vil ligge
tættere på pooled OLS end FE-estimation. Dette er tilfældet, når den uobserverbare effekt
er relativ ubetydelig, som følge af den lave varians i forhold til den idiosynkratiske varians.
I tilfælde af, at lamdba er tæt på nul, vil en større mængde af den uobserverbare effekt
blive “efterladt” i fejlleddet, og som en konsekvens vil RE-estimatorens asymptotiske bias
blive større.
39
41. Tabel 6.3: Resultater fra estimation - Afrika
Modelvalg fixed effects fixed effects
SKOV Koefficient(s.d.) t-stat(prob) Koefficient(s.d.) t-stat(prob)
BNP 1,0451(1,3842) 0,7550(0,4547) 1,1522*(0,3667) 3,1418(0,0018)
BNP 2
0,5661(1,0592) 0,5344(0,596) -0,3464*(0,1383) -2,5044(0,0127)
BNP 3
-0,1022(0,1353) -0,7555(0,4544) 0,0273**(0,0143) 1,9146(0,0564)
INST -0,0660*(0,0272) -2,4229(0,0200) -0,0320(0,0218) -1,4691(0,1427)
RET 0,0158(0,0283) 0,5574(0,5804) 0,0192(0,0218) 0,8794(0,3798)
F RIH 0,0461*(0,0199) 2,3161(0,0258) 0,0385*(0,0155) 2,4781(0,0137)
GAELD 0,0107(0,0102) 1,0480(0,3009) 0,0022(0,0020) 0,7561(0,4501)
BF OLKV 0,1217**(0,0610) 1,9946(0,0529) -0,0076(0,0281) -0,2695(0,7877)
KORN 0,0000(0,0001) 0,3611(0,7199) -0,0001*(0,0000) -2,2415(0,0256)
RURAL -0,0483*(0,0155) -3,1222(0,0033) -0,0455*(0,0091) -5,0067(0,0000)
MAD -0,0007(0,0046) -0,1414(0,8883) 0,0005(0,0034) 0,1440(0,8855)
GINI 0,0019(0,0027) 0,6768(0,5024)
ULIG -0,0076(0,0106) -0,7184(0,4767)
R2
0,9906 0,9489
# Perioder 21 21
# Cross-sections 20 21
Total Panel (ubl.) 73 377
EKC vendepkt. $4500 $2300 $6100
Fixed/random stat(d.f) prob stat(d.f) prob
Hausman (Chi2
) 479,1914(13) 0,0000* 10,6116(11) 0,4764
CS F-est 140,3901(19) 0,0000* 243,5039(20) 0,0000*
CS Chi2
-test 357,7439(19) 0,0000* 1044,9089(20) 0,0000*
Effekt spec. s.d. Rho s.d. Rho
CS random 1,2224 0,9868 1,4312 0,9650
Id. random 0,1413 0,0132 0,2727 0,0350
ˆ 0,8852 0,8128
Estimationen for Afrika er den estimation, der lider mest under hullet data for GINI
og ULIG. Ved inkludering af de to ekstra forklarende variable reduceres det totale uba-
lancerede panel fra 377 til 73. Med 21 lande over en periode på 20 år er det et stærkt
reduceret datasæt. Konklusioner på baggrund af det reducerede datasæt skal derfor tages
med et vist forbehold. De to test for signifiante fixed effects afviser begge nulhypotsen om
overflødige fixed effects, det gælder både for CS F-testen og Chi2
-testen.
Hausmann-testen for fixed vs. random effect afviser stærkt nul-hypotesen om ingen fejl-
specifikation. Dette underbygges yderligere af en Rho på ca. 0,98 - altså 98 procent af
variationen forklares igennem cross-section random effects.
40
42. Tabel 6.4: Resultater fra estimation - Asien
Modelvalg fixed effects fixed effects
SKOV Koefficient(s.d.) t-stat(prob) Koefficient(s.d.) t-stat(prob)
BNP 0,4162(0,6577) 0,6328(0,5288) -0,4967(0,3942) -1,2599(0,2093)
BNP 2
-0,0725(0,2233) -0,3247(0,7463) 0,2258(0,1383) 1,6335(0,104)
BNP 3
0,0085(0,0219) 0,3898(0,6978) -0,0191(0,0132) -1.4452(0,1501)
INST -0,1486*(0,0557) -2,6703(0,0093) -0,1211*(0,0375) -3,2297(0,0015)
RET -0,0469(0,0441) -1,0643(0,2907) -0,0067(0,0338) -0,1995(0,8421)
F RIH 0,0030*(0,0494) 0,0603(0,9520) 0,0439(0,0324) 1,3574(0,1763)
GAELD 0,0397*(0,0164) 2,4204(0,0180) 0,0364*(0,0123) 2,9719(0,0034)
BF OLKV 0,0154(0,1810) 0,0850(0,9325) 0,0168(0,0870) 0,193(0,8469)
KORN 0,0005*(0,0002) 2,6774(0,0092) 0,0004*(0,0001) 2,9736(0,0033)
RURAL 0,0398**(0,0207) 1,9168(0,0592) 0,0348*(0,0129) 2,6993(0,0076)
MAD 0,0358*(0,0112) 3,1992(0,0020) 0,0371*(0,0089) 4,1412(0,0001)
GINI -0,0048(0,0042) -1,1482(0,2546)
ULIG -0,0112(0,0115) -0,9728(0,3338)
R2
0,9566 0,9489
# Perioder 21 21
# Cross-sections 10 10
Total Panel (ubl.) 96 201
EKC vendepkt. $1300 $6500
Fixed/random stat(d.f) prob stat(d.f) prob
Hausman (Chi2
) - -
CS F-est 37,9240(10) 0,0000* 106,8637(9) 0,0000*
CS Chi2
-test 192,6587(9) 0,0000* 391,4459(9) 0,0000*
Effekt spec. s.d. Rho s.d. Rho
CS random - -
Id. random - -
Estimationerne for Asien fremgår af tabel 6.4. Stikprøverne for de to fixed effects estima-
tioner er med og uden ULIG og GINI henholdsvis 96 og 201 observationer. Der indgår
10 lande i begge estimationer og perioden løber over 21 år, Det har ikke været muligt at
estimere random effects-estimaterne som følge af den lave cross-section antal i forhold til
variable. Med minimum 11 variable inkluderet, kræves der et større antal cross-sections for
at random effects kan estimeres og dermed også beregning af Haumann statistikken. De
to test for signifikante cross-section effekter afviser begge nul-hypotsen om insignifikante
fixed effects.
6.3 Resultater
I dette afsnit kommenteres der på resultaterne for estimationen. Først vendes EKC-
sammenhængen, hvorefter de forskellige inkluderede variable bliver diskuteret og sam-
menlignet med det forventede resultat.
41
![The Environmental Kuznets Curve for Biodiversity -
Insights from Tropical Deforestation
[Miljø-Kuznets-kurven for biodiversitet - indsigt via tropisk skovhugst]
Rasmus Mortensen [20080943]
Supervisor: Professor Jan Bentzen
Department for Economics and Business (cand. oecon), Aarhus University
Deadline: May 20, 2015
This thesis may be published](https://image.slidesharecdn.com/cca6c386-54e6-40a2-a975-8d013f5d0478-151213152051/85/Thesis-1-320.jpg)
