دوره 1، شماره 1 - ( بهار و تابستان 1402 1402 )
جلد 1 شماره 1 صفحات 42-30 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asadpourkordi M, Amirnejad H, Eshghi F. (2024). The Role of a Knowledge-Based Economy in Maintaining and Improving the Quality of the Environment. Agric Mark Econ. 1(1), 30-42. doi:10.61186/ame.1.1.30
URL: http://ame.sanru.ac.ir/article-1-30-fa.html
URL: http://ame.sanru.ac.ir/article-1-30-fa.html
اسدپورکردی مریم، امیرنژاد حمید، عشقی فواد. نقش اقتصاد دانش بنیان بر حفظ و ارتقای کیفیت محیط زیست اقتصاد و بازار کشاورزی 1402; 1 (1) :42-30 10.61186/ame.1.1.30
1- اقتصاد منابعطبیعی و محیط زیست، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده: (1324 مشاهده)
چکیده مبسوط
مقدمه و هدف: دستیابی به رشد اقتصادی بالا یکی از اهداف توسعهای در کشورها میباشدکه ارتباط مستقیمی با کیفیت محیط زیست دارد، چرا که افزایش رشد اقتصادی منجر به افزایش فعالیتهای کشاورزی، صنعتی ، آلایندههای محیطی و استفاده بیشتر از منابعطبیعی کمیاب شده است که هر دو به معنای کاهش کیفیت محیطزیست خواهد بود. اما مسیر اقتصاد دانش بنیان مسیری است که هم توسعه اقتصادی را بهدنبال دارد و هم آفتهای توسعه صنعتی متداول را ندارد. لذا توجه به اقتصاد دانشبنیان میتواند در مسیر توسعهی پایدار حائز اهمیت باشد.
مواد و روشها: با توجه به اهمیت اقتصاد آگاهی از میزان انتشار آلودگی، تحقیق حاضر به بررسی چهار شاخص اقتصاد دانشبنیان معرفی شده توسط بانک جهانی شامل اقتصادی، نوآوری، فناوری و آموزش بر انتشار سه آلایندهی مهم CO2، CH4 و N2O میپردازد. برای رسیدن به این هدف از دادههای 8 کشور درحال توسعه اسلامی (دی 8) برای دوره زمانی 2000 الی 2019 استفاده شده است. در این مطالعه روش حداقل مربعات معمولی پویا (DOLS) جهت برآوردها و برای بررسی تاثیر زیرشاخصها بر میزان انتشار آلودگی کشور ایران از شبکههای عصبی مصنوعی استفاده گردید.
یافتهها: نتایج مدل DOLS نشان داد که در هر سه مدل انتشار آلودگی، شاخص فناوری اطلاعات و شاخص نوآوری اثر منفی و معنیداری و شاخص آموزش اثر مثبت و معنیداری بر انتشار آلودگی داشته است، اما شاخص اقتصادی اثر معنیداری بر انتشار آن نداشته است. نتایج شبکههای عصبی برای ایران نشان داد که در هر سه انتشار آلودگی زیر شاخصهای اقتصادی و نوآوری اثر منفی بر میزان انتشار داشته است که در بین آنها زیرشاخص کنترل فساد اثر بزرگتری بر انتشار آلودگی داشت.
نتیجهگیری: نتایج نشان داد در بین چهار شاخص ذکر شده، شاخص نوآوری کشش بیشتری نسبت به سایر شاخصها بر انتشار آلودگی دارد. لذا پیشنهاد میشود سرمایهگذاری بیشتری در جهت استفاده از نوآوریها در ایران و سایر کشورهای عضو دی8 انجام پذیرد. همچنین با توجه به نتایج شبکههای عصبی برای ایران، پیشنهاد میشود توجه بیشتر و مدیریت صحیحتر درکنترل فساد، کیفیت مقررات و همچنین بالا بردن رشد اقتصادی کشور در جهت کاهش انتشار آلودگی صورت پذیرد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بازارهای بین المللی محصولات کشاورزی و منابع طبیعی
دریافت: 1401/9/9 | پذیرش: 1402/1/14
دریافت: 1401/9/9 | پذیرش: 1402/1/14
فهرست منابع
1. Asongu, S. A., Le Roux, S., & Biekpe, N. (2017). Environmental degradation, ICT and inclusive development in Sub-Saharan Africa. Energy Policy, 111, 353-361. [DOI:10.1016/j.enpol.2017.09.049]
2. Atrkar Roshan, S., & Fathi, Z. (2017). The study of education effects and their comparison on the environment pollution at the different educational levels in selected MENA countries. Journal of Environmental Science and Technology, 19(1), 169-180 (In Persian).
3. Azizi, F., & Moradi, F. (2018). 08 Calculating the index and sub-indices of knowledge-based economy for Iran. Journal of Economic Research and Policies, 26(85), 243-270 (In Persian).
4. Baltagi, B. H. (2005). Econometric analysis of panel data, John Wiley and Sons Ltd. West Sussex, England.
5. Behbodi, D., Mirani, N., & Moharam Judi, N. (2015). Investigation the effect of dimension of the knowledge-based economy (KBE) on output growth in Iran by using gravitational search algorithm and firefly algorithm. Iranian Economic Development Analyses, 3(3), 65-93 (In Persian).
6. Bimonte, S. (2002). Information access, income distribution, and the environmental kuznets curve. Ecological economics, 41(1), 145-156. [DOI:10.1016/S0921-8009(02)00022-8]
7. Bölük, G., & Mert, M. (2014). Fossil and renewable energy consumption, GHGs (greenhouse gases) and economic growth: Evidence from a panel of EU (European :union:) countries. Energy, 74, 439-446. [DOI:10.1016/j.energy.2014.07.008]
8. Brännlund, R., Ghalwash, T., & Nordström, J. (2007). Increased energy efficiency and the rebound effect: Effects on consumption and emissions. Energy economics, 29(1), 1-17. [DOI:10.1016/j.eneco.2005.09.003]
9. Cheah, I., & Phau, I. (2011). Attitudes towards environmentally friendly products: The influence of ecoliteracy, interpersonal influence and value orientation. Marketing Intelligence & Planning, 29(5), 452-472. [DOI:10.1108/02634501111153674]
10. Danish Khan, N., Baloch, M. A., Saud, S., & Fatima, T. (2018). The effect of ICT on CO2 emissions in emerging economies: Does the level of income matters? Environmental Science and Pollution Research, 25, 22850-22860. [DOI:10.1007/s11356-018-2379-2]
11. Danish Zhang, J., Wang, B., & Latif, Z. (2019). Towards cross‐regional sustainable development: The nexus between information and communication technology, energy consumption, and CO2 emissions. Sustainable Development, 27(5), 990-1000. [DOI:10.1002/sd.2000]
12. Darbidi, M., Delangizan, S., Fatahi, S., & Karimi, M. S. (2020). Impact of innovation on pollution emission of iranian provinces in the framework of environmental kuznets curve (spatial econometric approach). Quarterly Journal of Applied Theories of Economics, 7(3), 71-98 (In Persian).
13. Demuth, H., Beale, M., & Hagan, M. (1992). Neural network toolbox. For Use with MATLAB. The Math Works Inc, 2000.
14. Farzin, Y. H., & Bond, C. A. (2006). Democracy and environmental quality. Journal of Development Economics, 81(1), 213-235 (In Persian). [DOI:10.1016/j.jdeveco.2005.04.003]
15. Fernández, Y. F., López, M. F., & Blanco, B. O. (2018). Innovation for sustainability: the impact of R&D spending on CO2 emissions. Journal of Cleaner Production, 172, 3459-3467. [DOI:10.1016/j.jclepro.2017.11.001]
16. Fegheh Majidi, A. & Ebrahimi, S. (2014). Applied panel data economicetrics (using eviews), Noor Alam Publications. First Edition. 175 p. (In Persian).
17. Fotros, M. H., Aghazadeh, A., & Jabraili, S. (2012). Impact of economic growth on the consumption of renewable energy: A comparative study of selected OECD and Non-OECD (Including Iran) countries. Journal of Economic Research and Policies, 19(60), 81-98.
18. Gani, A. (2013). The effect of trade and institutions on pollution in the Arab countries. Journal of International Trade Law and Policy, 12(2), 154-168. [DOI:10.1108/JITLP-11-2012-0018]
19. Harvey, R. L. (1994). Neural network principles. Prentice-Hall, Inc.
20. Hashmi, R., & Alam, K. (2019). Dynamic relationship among environmental regulation, innovation, CO2 emissions, population, and economic growth in OECD countries: A panel investigation. Journal of Cleaner Production, 231, 1100-1109. [DOI:10.1016/j.jclepro.2019.05.325]
21. Hettige, H., Huq, M., Pargal, S., & Wheeler, D. (1996). Determinants of pollution abatement in developing countries: Evidence from south and southeast Asia. World development, 24(12), 1891-1904. [DOI:10.1016/S0305-750X(96)00076-9]
22. Jafariparvizkhanlou, K., Paytkhati Oskoei, S. A., & Azali, R. (2021). Investigating the impact of ICT and economic growth on environmental pollution: Case study of persian gulf countries. The Journal of Economic Studies and Policies, 8(1), 111-138 (In Persian).
23. Jorgenson, A. K. (2003). Consumption and environmental degradation: A cross-national analysis of the ecological footprint. Social Problems, 50(3), 374-394. [DOI:10.1525/sp.2003.50.3.374]
24. Kao, C. (1999). Spurious regression and residual-based tests for cointegration in panel data. Journal of Econometrics, 90(1), 1-44. [DOI:10.1016/S0304-4076(98)00023-2]
25. Kao, C., & Chiang, M.-H. (2001). On the estimation and inference of a cointegrated regression in panel data. In Nonstationary panels, panel cointegration, and dynamic panels (179-222). Emerald Group Publishing Limited. [DOI:10.1016/S0731-9053(00)15007-8]
26. Lotfalipour, M.R., Bagherpour, A., & Asadimanesh, R. (2017).The effect of knowledge-based economy on environmental quality in Iran. The first national conference on modern management studies in Iran, September 2016 (In Persian).
27. Lennerfors, T. T., Fors, P., & van Rooijen, J. (2015). ICT and environmental sustainability in a changing society: The view of ecological world systems theory. Information Technology & People, 28(4), 758-774. [DOI:10.1108/ITP-09-2014-0219]
28. Madah, M., & Abdollahi, M. (2012). Effect of institutions quality on environment pollution based on kuznets curve using static and dynamic panel data (Case study: Members of organization of the Islamic conference). Iranian Energy Economics, 2(5), 171-186 (In Persian).
29. Mahmoodi, M., Damankeshide, M., & Nessabian, S. (2021).) The effects of knowledge-based economy index on the economic growth of Islamic countries (Martin barrow test model).
30. Mirfakhraddiny, S. H., Babaei Meybodi, H., & Morovati Sharifabadi, A. (2021). Forecast consumption energy of Iran using hybrid model of artificial neural networks and genetic algorithms and compared with traditional methodes. Management Research in Iran, 17(2), 196-222 (In Persian).
31. Park, Y., Meng, F., & Baloch, M. A. (2018). The effect of ICT, financial development, growth, and trade openness on CO2 emissions: An empirical analysis. Environmental Science and Pollution Research, 25, 30708-30719. [DOI:10.1007/s11356-018-3108-6]
32. Princen, T. (2001). Consumption and its externalities: Where economy meets ecology. Global Environmental Politics, 1(3), 11-30. [DOI:10.1162/152638001316881386]
33. Schalkoff, R. J. (1997). Artificial neural networks. McGraw-Hill Higher Education.
34. Shabani, Z. D., & Shahnazi, R. (2019). Energy consumption, carbon dioxide emissions, information and communications technology, and gross domestic product in Iranian economic sectors: A panel causality analysis. Energy, 169, 1064-1078. [DOI:10.1016/j.energy.2018.11.062]
35. Sharma, S., Lingras, P., Xu, F., & Kilburn, P. (2001). Application of neural networks to estimate AADT on low-volume roads. Journal of Transportation Engineering, 127(5), 426-432. [DOI:10.1061/(ASCE)0733-947X(2001)127:5(426)]
36. Širá, E., Vavrek, R., Kravčáková Vozárová, I., & Kotulič, R. (2020). Knowledge economy indicators and their impact on the sustainable competitiveness of the EU countries. Sustainability, 12(10), 4172. [DOI:10.3390/su12104172]
37. Stock, J. H., & Watson, M. W. (1993). A simple estimator of cointegrating vectors in higher order integrated systems. Econometrica: Journal of the Econometric Society, 783-820. [DOI:10.2307/2951763]
38. World Bank. (2008). Measuring knowledge in the worlds economies, knowledge for development, World bank institute. The World Bank's Knowledge Assessment Methodology. available at: www.worldbank.org/kam.
39. World Bank. (2012). Knowledge Assessment Metodology (KAM), World bank institute. available at: www.worldbank.org/kam.
40. World Bank. (2019). Knowledge Assessment Methodology (KAM), World bank institute. available at: www.worldbank.org/kam.
41. Zaied, Y. B. (2013). Long run versus short run analysis of climate change impacts on agriculture. Economic Research Forum Working Papers.
42. Zhang, C., & Liu, C. (2015). The impact of ICT industry on CO2 emissions: A regional analysis in China. Renewable and Sustainable Energy Reviews, 44, 12-19. [DOI:10.1016/j.rser.2014.12.011]
43. Zhang, J., Chang, Y., Zhang, L., & Li, D. (2018). Do technological innovations promote urban green development?-A spatial econometric analysis of 105 cities in China. Journal of Cleaner Production, 182, 395-403. [DOI:10.1016/j.jclepro.2018.02.067]
44. Zhang, L., Wang, Z., Zhou, W., Yang, X., Zhao, S., & Li, Q. (2022). GOSAT mapping of global greenhouse gas in 2020 and 2021. Atmosphere, 13(11), 1814. [DOI:10.3390/atmos13111814]
45. Zhu, Y., Wang, Z., Yang, J., & Zhu, L. (2020). Does renewable energy technological innovation control China's air pollution? A spatial analysis. Journal of Cleaner Production, 250, 119515. [DOI:10.1016/j.jclepro.2019.119515]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
