1234 Traducido

Machine Translated by Google
Heliyon 9 (2023) e17814
Listas de contenidos disponibles en ScienceDirect
Helión
página de inicio de la revista: www.cell.com/heliyon
Efectos del cambio climático y la intensidad del pastoreo en la productividad
de los pastizales: un estudio de caso de Mongolia Interior, China
b
Xinya Guo a,b,1, Muhammad Umer Arshad c,*,#, Yuanfeng Zhao , Yufei Gong d ,
Hongyu Li mi
a
Universidad de Tecnología de Shandong, Facultad de Economía, Shandong, China b
Universidad Agrícola de Mongolia Interior, Facultad de Economía y Gestión, Mongolia Interior, Hohhot, China
C
Facultad de Artes y Ciencias Honder de Mongolia Interior, Mongolia Interior, China
d
Universidad de Estudios y Comercio Internacionales de Fuzhou, Fuzhou, China
mi
Sucursal Laiwu del Banco Popular de China, Shandong, China
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
Palabras clave: En los últimos 30 años, la productividad de los pastizales ha disminuido gravemente debido a las variaciones
Productividad de los pastizales climáticas y a actividades humanas irrazonables. Por lo tanto, para analizar el impacto de diferentes factores en la
Cambio climático
productividad de los pastizales, seleccionamos tres estaciones de pastizales de la estepa típica de oeste a este y
Intensidad de pastoreo
recopilamos 38 años de datos. Se utilizaron el modelo de correlación de Pearson y de efectos fijos para analizar el
Modelo de efectos fijos
impacto de la precipitación, la temperatura y la intensidad del pastoreo en la productividad de los pastizales. Los
Heterogeneidad regional
Estepas típicas
resultados empíricos muestran que las precipitaciones afectaron positiva y significativamente la productividad de
los pastizales. Los efectos del cambio climático son más significativos que las actividades humanas, pero el impacto
de la temperatura es mayor que las precipitaciones. La sinergia entre precipitación y temperatura fue mayor que
entre precipitación y temperatura por separado. Además, los efectos del cambio climático y las actividades humanas
sobre la productividad de los pastizales tienen una heterogeneidad regional evidente. La tendencia de variación
aumenta gradualmente de oeste a este en los factores que afectan la productividad de los pastizales. Por lo tanto,
sugerimos algunas implicaciones para la gestión del riesgo de los pastizales, como utilizar algunos productos
financieros para el riesgo climático y centrarse en el índice de sinergia para diseñar productos financieros, como el
diseño de derivados climáticos. Por último, debemos fortalecer la investigación sobre la relación entre el cambio
climático y la productividad de los pastizales para proporcionar una base científica que revele la relación intrínseca
entre el clima, las actividades humanas y la productividad de los pastizales.
1. Introducción
Los pastizales son una importante barrera de seguridad ecológica nacional con una gran capacidad para secuestrar carbono y hacer frente al cambio climático.
Al mismo tiempo, los pastizales también son un recurso importante para la cría de animales de pastizal, lo cual es crucial para el desarrollo social y económico [1]. En
China, la superficie de pastizales cubre aproximadamente 400 millones de hectáreas, y los pastizales de Mongolia Interior
* Autor correspondiente.
Dirección de correo electrónico: umer.pk@yahoo.com (MU Arshad).
#
Igual contribución.
1
La productividad de los pastizales se refiere a la capacidad de los pastizales para generar diversos productos, abarcando tanto productos de origen vegetal (como forraje)
y productos de origen animal.
https://doi.org/10.1016/j.heliyon.2023.e17814 Recibido el
18 de enero de 2023; Recibido en forma revisada el 27 de junio de 2023; Aceptado el 28 de junio de 2023
Disponible en línea el 4 de julio de 2023
24058440/© 2023 Los autores. Publicado por Elsevier Ltd. (http:// Este es un artículo de acceso abierto bajo licencia CC BYNCND.
creativecommons.org/licenses/byncnd/4.0/).
X. Guo y col. Heliyon 9 (2023) e17814
ocupa el segundo lugar [2]. La productividad de los pastizales es el principal indicador que refleja los servicios ecológicos completos [3]. En los últimos 30 años, la
productividad de los pastizales1 ha ido disminuyendo; sin embargo, la tendencia está cambiando en los últimos años y se ha producido una recuperación parcial [4].
La vasta extensión de pastizales y su distribución geográfica única resalta la importancia estratégica crucial de la seguridad ecológica nacional. Además, subrayan
la importancia y la irremplazabilidad de los pastizales para abordar el cambio climático.
Por lo tanto, tiene un inmenso valor para el manejo de los pastizales aclarar las leyes que rigen el impacto del cambio climático y otros factores sobre la productividad
de los pastizales.
Una disminución de la productividad de los pastizales indica una disminución de la cobertura vegetal de los pastizales y un aumento de la exposición del suelo,
lo que agrava la degradación de los pastizales. Por otro lado, la reducción de la productividad de los pastizales afecta la oferta ganadera, afectando directamente a
la cantidad y calidad del ganado e indirectamente a los niveles de ingresos de los pastores. En consecuencia, afectando la estabilidad y sostenibilidad de toda la
producción ganadera. Los cambios en la productividad de los pastizales se deben a las condiciones naturales y al entorno socioeconómico. Los estudios han
demostrado que factores directos como las variaciones climáticas, las formas del terreno, el tipo de suelo y las actividades humanas provocan una disminución en
la productividad de los pastizales [5–9].
Investigaciones publicadas anteriormente revelaron que la precipitación se correlaciona positivamente con la productividad de los pastizales [1014], y en
diferentes estaciones el impacto de la precipitación varía en la productividad de los pastizales para diferentes tipos de pastizales [15,16]. En segundo lugar, existe
controversia en la investigación sobre los efectos de la temperatura en la productividad de los pastizales. Algunos académicos piensan que la temperatura y la
productividad de los pastizales tienen una relación positiva [13,17] , pero otros creen que existe una relación negativa [18,19]. Por lo tanto, la relación entre
temperatura y productividad es incierta, y la temperatura afecta de manera diferente en los pastizales en diferentes estaciones [20,21].
En tercer lugar, entre las actividades humanas, la intensidad del pastoreo es el principal factor que afecta la productividad de los pastizales [2229], que tiene una
relación negativa con la productividad de los pastizales, pero recientemente ha pasado gradualmente a una relación positiva [30,31].
Las investigaciones anteriores son extensas y fructíferas, pero aún así existen lagunas. Primero, pocos académicos han estudiado el impacto del cambio
climático y la intensidad del pastoreo en la productividad de los pastizales; Identificar la importancia entre el cambio climático y la intensidad del pastoreo en los
pastizales nos ayudaría a adoptar una forma más razonable de proteger los pastizales. En segundo lugar, los estudios anteriores se centraron en los diferentes
tipos de pastizales en la misma región, pero falta una reflexión sobre los mismos pastizales en diferentes áreas y en diferentes condiciones; Estudiar el mismo tipo
de pastizal en diversas áreas favorece la gestión de los pastizales. En tercer lugar, los estudios anteriores se centraron en los efectos de la temperatura y la
precipitación en la productividad de los pastizales, pero rara vez discutieron el efecto sinérgico de ambos factores. Finalmente, los métodos de análisis estadístico
como el análisis comparativo, la estadística matemática, la simulación de modelos, etc., sólo consideran la relación de correlación entre el cambio climático y la
productividad de los pastizales en estudios previos. Sin embargo, estos estudios ignoran que existe una relación compleja de muchos a uno, pero no una relación
de correlación simple, por lo que construir un modelo de relación causal puede ayudar a identificar mejor la relación entre la productividad de los pastizales y sus
factores que influyen.
La estepa típica es la masa principal de pastizales chinos, que desempeña un papel vital en la protección ecológica y la regulación del clima. También es la
base para la supervivencia de los pastores en Mongolia Interior, China [25]. Por lo tanto, se toma como ejemplo la Estepa Típica para identificar la influencia del
cambio climático y la intensidad del pastoreo en la productividad de los pastizales. Se han seleccionado tres sitios típicos de estepa para recopilar datos sobre la
productividad de los pastizales, las observaciones meteorológicas correspondientes y las estadísticas socioeconómicas. Con base en las lagunas de la investigación,
tenemos tres objetivos de investigación: en primer lugar, identificar qué factor es más crítico para la productividad de los pastizales, los factores naturales o los
factores de actividad humana [32,33]; en segundo lugar, identificar el efecto sinérgico de la temperatura y las precipitaciones sobre la productividad de los pastizales.
En tercer lugar, bajo el mismo tipo de pastizal, si existe heterogeneidad regional en el impacto del cambio climático.
Fig. 1. Distribución de la muestra en el área de estudio de la estepa típica de Mongolia Interior.
2
y la intensidad del pastoreo sobre la productividad de los pastizales. Esta investigación puede proporcionar una referencia científica para formular estrategias de
manejo de ecosistemas de pastizales. Desempeñaría un papel esencial e instructivo para que los productores ganaderos pudieran hacer frente a los cambios
climáticos extremos y a las actividades humanas irrazonables.
2. Método y material
2.1. Área de estudio
Mongolia Interior está situada en el norte de China (ver Fig. 1), a 97◦10′~126◦02′ de longitud este y 37◦30′~53◦20′ de latitud norte, y tiene principalmente un
clima continental templado. La temperatura media anual de toda la región es de 5 a 10 ◦C, aumentando de noreste a suroeste. La tasa de precipitación anual es
de 35 a 530 mm, y disminuye de sureste a noroeste. Este artículo selecciona las estepas típicas de Mongolia Interior como área de investigación. Se eligieron tres
estaciones nacionales representativas de seguimiento de pastizales de este a oeste; a saber, la estación de monitoreo Menggen Chulu (48◦48′N, 119◦49′E) en la
ciudad de Hulunbuir (llamada estación Hulunbuir), ubicada en el número 2 de Caokulun, ciudad de Bayantuohai, Ewenki Banner West, a una altitud de 653,5 m. El
suelo está compuesto principalmente de calcio castaño oscuro. Las plantas incluyen principalmente Leymus Chinensis, Eriophorum, Stipa capillata Linn, Poa annua
Linn, etc. La estación de monitoreo de Maodeng (llamada estación Xilinhot) en la ciudad de Xilinhot (43◦57′N, 116◦07′E) está ubicada a 12 km al este de el Rancho
Maodeng, a una altitud de 1003 m. El suelo es franco claro de 0 a 30 cm. El suelo franco medio de 30~100 cm es dominante. Las plantas son principalmente Stipa
krylovii Roshev., Leymus Chinensis y Artemisia frigida Willd.; La estación de monitoreo Chahaer de la ciudad de Wulanchabu (41◦27′N, 113◦11′E) se encuentra
en la comuna de Baiyinchagan (llamada estación Wulanchabu), con una altitud de 1423,5 m. El suelo es principalmente de calcio castaño oscuro y las plantas son
principalmente Leymus Chinensis Artemisia argyi Levl. Et Vant. y Stipa krylovii Roshev [34].
2.2. Datos
(1) Los datos de productividad de los pastizales se toman de los sitios de monitoreo fijos de los pastizales nacionales en las áreas de pastizales. Se seleccionaron
las estaciones Hulunbuir, Xilinhot y Wulanchabu en las partes oriental, central y occidental de Mongolia Interior.
De 1983 a 2020, los datos mensuales de productividad de los pastizales de tres estaciones de abril a septiembre se toman como la productividad general
de los pastizales de todo el condado de Banner (Fig. 2).
(2) Los datos meteorológicos se obtienen de la Red de Servicios de Intercambio de Datos Científicos Meteorológicos de China (http://data.cma.cn).
De 1983 a 2020, se seleccionan los conjuntos de datos diarios del clima superficial de China. Existe una estación meteorológica nacional distribuida en los
puntos de muestra. Debido a los valores atípicos y los valores faltantes, estos datos se procesan mediante inspección de valores atípicos en el tiempo,
inspección de valores atípicos espaciales, inspección de valores atípicos altos y bajos, reemplazo de valores faltantes, etc., y mediante un control de
calidad de datos esencial, como la inspección de homogeneidad de los datos. Los datos de precipitación promedio mensual y temperatura promedio
mensual se obtuvieron estadísticamente.
(3) Los datos sobre la intensidad del pastoreo se han tomado del "Anuario estadístico de Mongolia Interior". de 1989 a 2020, que comprende tres enseñas,
debido a los limitados datos disponibles. Los datos incluían información sobre el número de ganado y la superficie de pastizales regionales. Utilizamos
estos datos para calcular la intensidad del pastoreo, que está determinada por la relación entre el número de ganado y el área de pastizales.
2.3. Método
2.3.1. Análisis de correlación de Pearson
El método de análisis de correlación de Pearson es uno de los métodos más comunes para analizar la correlación entre dos variables. Este método investigó
la relación entre la productividad de los pastizales, la precipitación y la temperatura. Según investigaciones anteriores, existe un retraso en el impacto de las
precipitaciones en la productividad de los pastizales. Por lo tanto, este estudio realiza un análisis de correlación entre la productividad de los pastizales y la
temperatura de enero a diciembre y su desfase.
Fig. 2. Cambios en la productividad de los pastizales en tres áreas de estudio de la estepa típica en Mongolia Interior de 1983 a 2020.
3
2.3.2. Modelo de efectos fijos
La adopción del modelo de efectos fijos en este estudio ofrece varios beneficios. Controla las características específicas de cada individuo, mitiga el sesgo de
variable omitida, aborda preocupaciones de endogeneidad, mejora la eficiencia y contribuye a un análisis más preciso de los datos del panel [35]. El modelo de
efectos fijos aborda la heterocedasticidad que no se puede capturar directamente a través del modelo [36]. Dado que este estudio utiliza datos de panel, que
contienen cada vez mayores cantidades de información, es necesario identificar la variabilidad potencial entre los individuos en los datos y, en consecuencia,
seleccionar el modelo de efectos fijos.
(1) Los resultados del análisis de correlación de Pearson mostraron una correlación entre la productividad de los pastizales y el cambio climático. Este artículo
define las temporadas de crecimiento y no crecimiento basándose en investigaciones empíricas existentes. De abril a septiembre es la temporada de
crecimiento y el resto son temporadas de no crecimiento (Wang 2019). Según la temporada de crecimiento, la temporada de no crecimiento se divide en
la temporada de no crecimiento temprana (de enero a marzo) y la temporada de no crecimiento tardía (de octubre a diciembre). En consecuencia, la
variable explicada es la productividad promedio mensual de los pastizales. Las variables explicativas incluyen la precipitación promedio mensual (de abril
a septiembre), la precipitación promedio mensual anterior, la temperatura promedio mensual en la primera temporada sin crecimiento (temperatura
promedio de enero a marzo) y la temperatura promedio mensual en la última temporada sin crecimiento. (temperatura media de octubre a diciembre), la
intensidad del pastoreo se calcula en función del número de cabezas de ganado y de la superficie de pastizal regional [37]. Con base en las variables
anteriores, se construye el siguiente modelo de datos de panel para analizar el impacto del cambio climático y las actividades humanas en la productividad
de los pastizales [38–41], y la relación funcional se muestra en la Ecuación (1):
Rendimiento = β0 + β1pit + β2pit− 1 + β3ptit + β4ltit+β5huit + β6− 8 pri + β9Tt + μit (1)
Entre ellos, Yield_it es la productividad promedio mensual de los pastizales de la iésima región y el tésimo año; p_it es la precipitación promedio mensual de
la iésima región y el tésimo año; pit 1 es la iésima región y el t1º año, que es la precipitación en el período anterior; ptit es la temperatura promedio de enero
a mayo en la iésima región y el tésimo año, es decir, la temperatura al comienzo de la temporada sin crecimiento; Es la iésima región y el tésimo año. La
temperatura promedio de septiembre a diciembre es la temperatura de la última temporada no vegetativa, huit es la intensidad de pastoreo en la iésima región y
el tésimo año; pri es la variable ficticia regional; T es la variable tiempo; μit es el término aleatorio; β0, β1… β9 son los parámetros.
(2) La sinergia de la temperatura y la precipitación se introduce en el modelo para estudiar más el efecto de sinergia de la precipitación y la temperatura.
Entonces, la forma de la Ecuación (2) se establece de la siguiente manera:
Rendimiento = β0 + β1pit + β2pit− 1 + β3ptit + β4ltit+β5huit + β6jh1 + β7jh2 + β8− 10 pri + β11Tt + μit (2)
Entre ellos, jh1 es la intersección de la precipitación y la temperatura del comienzo de la temporada sin crecimiento, jh2 es la intersección de
precipitación y temperatura de la última temporada sin crecimiento, y β0, β1, β11 son parámetros.
(3) Para observar mejor la heterogeneidad regional de las tres estaciones en el este, centro y oeste de Mongolia Interior, lo siguiente
Se construyó la ecuación (3) :
Rendimientot(pri) = β0 + β1pt + β2pt− 1 + β3ptt + β4ltt + β5huit + β6jh1 + β7jh2 + β8Tt + μt (3)
Entre ellos, Yieldt(i) es la productividad promedio mensual de los pastizales, donde pri = 1, es la productividad promedio mensual de los pastizales de la
estación Wulanchabu, y pri = 2, es la productividad promedio mensual de los pastizales de la estación Hulunbuir, pri = 3 es la La productividad promedio mensual
de los pastizales de la estación Xilinhot, y β0, β1, β8 son parámetros.
3. Resultados
3.1. Los resultados del análisis de correlación.
Los resultados del análisis de correlación de Pearson muestran que existe una correlación entre la precipitación y la productividad de los pastizales. En mayo
y julio, las precipitaciones se correlacionaron significativamente con la productividad de los pastizales. Si bien la correlación entre las precipitaciones de junio y la
productividad de los pastizales en julio fue positivamente significativa, y la correlación entre las precipitaciones de julio y la
Cuadro
1 Análisis de correlación entre precipitación y productividad de pastizales en la región de Estepa Típica.
Productividad de los pastizales Precipitación
Abr. Puede Jun. Jul. Ago. Sep.
mayo 0.103 0,338**

junio. 0,059 0,203 0,105
Jul. − 0,01 0.153 0,242* 0,314**
Ago. 0.094 0,189 0,127 0,313** 0.008
Promedio 0.053 .207* 0.164 0,330** − 0,079 − 0,009
Nota: ** fue significativo al 0,01 y * fue significativo al 0,05.
4
La productividad de los pastizales en agosto fue positivamente significativa (Cuadro 1). En general, en el período actual, el coeficiente de correlación entre las precipitaciones y la
productividad de los pastizales es mayor que en el período anterior.
La temperatura de abril a septiembre se correlaciona negativamente con la productividad de los pastizales. La temperatura en la temporada de no crecimiento (de enero a marzo
y de octubre a diciembre) se correlaciona positiva y significativamente con la productividad de los pastizales (Cuadro 2).
Y enero y diciembre tienen coeficientes de correlación más altos (0,54 y 0,58, respectivamente) que mayo y septiembre, que es de sólo 0,3.
3.2. Los resultados de la estimación de efectos fijos para modelos de datos de panel largos.
Según el tipo de datos: n = 3, t = 38, t > n. Primero, el método LSDV determina si los datos tienen un efecto fijo individual o un efecto fijo en el tiempo (sin considerar primero la
autocorrelación). En segundo lugar, se utilizó la prueba LM de Wald y BreuschPagan para comprobar la autocorrelación, la correlación contemporánea y la heterocedasticidad de
los grupos. Se utilizaron errores estándar robustos para abordar el problema de la heterocedasticidad entre grupos (ver Tabla 3).
3.2.1. Análisis del impacto del cambio climático y las actividades humanas en la productividad de los pastizales En primer
lugar, la precipitación tiene un impacto positivo y significativo en la productividad de los pastizales; un aumento del 1% en la precipitación aumentaría la productividad de los
pastizales en un 0,76%. En segundo lugar, un aumento del 1% en las precipitaciones aumentaría la productividad de los pastizales en un 0,2%. En tercer lugar, la temperatura de las
primeras y últimas temporadas sin crecimiento tuvo un impacto negativo en la productividad de los pastizales, y la temperatura en la última temporada sin crecimiento contribuye más
a la productividad de los pastizales que en la primera temporada sin crecimiento.
Cuarto, la sinergia entre temperatura y precipitación afecta positivamente la productividad de los pastizales. La contribución de la sinergia de la temperatura y la precipitación al
comienzo de la temporada sin crecimiento es mayor que en la última temporada sin crecimiento, lo que indicó que la precipitación moderó la productividad de los pastizales temprano.
La moderación positiva indica que el aumento de las precipitaciones y la temperatura podrían mejorar la productividad de los pastizales en la temporada anterior sin crecimiento.
Una vez que las precipitaciones alcanzan un cierto nivel, el aumento de la temperatura aumentará la productividad de los pastizales.
Quinto, las actividades humanas afectan negativamente la productividad de los pastizales. Un aumento en la intensidad del pastoreo disminuiría la productividad de los
pastizales. En sexto lugar, el análisis de la contribución de las variables independientes revela que el cambio climático influye de manera crítica en la productividad de los pastizales.
La contribución de la variación climática se clasifica de la siguiente manera: la intersección de la temperatura y la precipitación al comienzo de la temporada sin crecimiento >
precipitación > intensidad del pastoreo. Muestra que la contribución de las precipitaciones es más significativa que las actividades humanas a la productividad de los pastizales. Aún
así, el impacto de las precipitaciones en la productividad de los pastizales es más significativo que la temperatura (ver Tabla 3).
3.2.2. Análisis de heterogeneidad regional en la estepa típica.
Los resultados de la regresión de efectos fijos muestran que el modelo tiene efectos fijos individuales. Existe una heterogeneidad regional en los factores que influyen en la
productividad de los pastizales en las estepas típicas. Esto demostró que el análisis de heterogeneidad regional es correcto, como se muestra en la Tabla 3. Para la estepa típica de
Wulanchabu, la precipitación es el principal factor que afecta la productividad de los pastizales. Al mismo tiempo, la precipitación tiene un efecto positivo y significativo sobre la
temperatura al comienzo de la temporada sin crecimiento; Para la estepa típica en Xilinhot, la precipitación tuvo un impacto positivo y significativo en la temperatura al comienzo de
la temporada sin crecimiento. Además, la intensidad del pastoreo tiene un impacto negativo y significativo; Para la estepa típica de Hulunbuir, la sinergia de la precipitación, la
temperatura y la precipitación al comienzo de la temporada sin crecimiento tiene un impacto significativo en la productividad de los pastizales. Los resultados indican que el número
de factores que afectan significativamente la productividad de los pastizales de las Estepas Típicas aumenta gradualmente de oeste a este. Si bien la productividad de los pastizales
de las estepas típicas del oeste sólo se ve afectada por las precipitaciones, el efecto de las precipitaciones y la temperatura aumenta gradualmente de oeste a este. Por ejemplo, la
contribución de la precipitación fue de 0,72, 0,74 y 0,76, respectivamente, y la contribución de la temperatura al comienzo de la temporada sin crecimiento fue de −0,61, −0,82 y −1,1
(Tabla 3 ) .
El análisis de heterogeneidad regional reveló que las estepas típicas del este tenían una heterogeneidad más aparente que las de las regiones occidental y central. Los
resultados de las Estepas Típicas en las regiones central y occidental no son muy diferentes del modelo de referencia. Sólo el término de ajuste de la precipitación sobre la
temperatura al comienzo de la temporada sin crecimiento es más significativo. La influencia y la importancia de otras variables no han cambiado significativamente. Además, la
intensidad del pastoreo sólo afectó considerablemente a la
Cuadro
2 Análisis de correlación entre temperatura y productividad de pastizales en la región de Estepa Típica.
Temperatura de productividad de los pastizales
La temperatura al comienzo de la temporada de crecimiento. La temperatura en el cultivo. La temperatura en el crecimiento posterior.

estación estación
Ene. Feb. Mar. Abr. Puede Jun. Jul. Ago. Sep. Oct. Nov. Dic.
mayo .477** .486** .421** .378** .224* .540** .472** .438** .377** 0,059 − 0,06 0,013 .326** .369** .434** .518** .264* .415** .501**

junio. .255* − 0.11 − 0.15 − 0.02 .496** .445 ** .434** .380** .342** − 0.17 − 0.19 0.015 .583** .516** .597** .282** .404** .469** .533** .308* * .497**
Jul. .497** .458** .319** − 0.11 − 0.17 − 0.09 .570** .631**
Ago.
Promedio .586** .524** .499** .445** .337** − 0.13 − 0.18 − 0.03 .317** .477** .557** .635**
Nota: ** fue significativo al 0,01 y * fue significativo al 0,05.
5
Cuadro 3
Resultados estimados de la estimación del modelo de efectos fijos.
variables Modelo de Análisis Análisis de heterogeneidad

referencia de sinergia
Estación Wulanchabú Estación Xilin Hot Estación de Hulunbuir
(Oeste) (Medio) (Este)
precipitación 0,412*** 0,761*** (0,091) (0,185) 0,723*** (0,117) 0,743*** (0,123) 0,761*** (0,148)

0,199** (0,093) 0,197* (0,090)
Precipitaciones a principios 0,192* (0,088) − 0,337 (0,229) − 1,070 (0,612) − 0,612 (0,563) − 0,225** (0,072) − 0,202*** (0,052) −
Temperatura al comienzo de la temporada de crecimiento. 0,061 (0. 234) − 0,278 (0,612) 1,037 (0,772) 0,815 (0,462) 1,062** (0,370) −
Temperatura en la última temporada de crecimiento. 0,321 (0,607) 0,152 (0,628) 0,252 (0,426)
–
Sinergia de temperatura al comienzo de la temporada 1,035* (0,494) 1,052* (0,411) 1,040*** (0,216)
de crecimiento y precipitación.
–
Sinergia de temperatura en la última temporada de 0,140 (0,672) 0,041 (0,582) 0,009 (0,538) 0,126 (0,393)
crecimiento y precipitación.
Intensidad de pastoreo − 0,316 (0,225) − 0,108 (0,227) − 0,255 (0,166) 0,074 (0,390) 0,077 − 0,354** (0,118) − 0,137 (0,143)
Estación Wulanchabú (0,377) 0,000 (.) 0,000 (.) − 1,792*** − − 0,644*** (0,054)
Estación Xilin Hot 1,889*** 0,719*** (0,060)
Estación de Hulunbuir − 1,837*** (0,092)
(0,528) (0,505)
t 0,003 (0,014) 0,004 (0,013) 0,007 (0,045) 0,006 (0,043) − 0,004 (0,039)
Constante 0,532* (0,311) 0,484 (0,297) 0,006 (0,776) 0,429 (0,825) 0,487 (0,735)
Nota: ***, ** y * representan niveles significativos del 1%, 5% y 10% respectivamente; (.) es el error estándar.
La productividad de los pastizales de las estepas típicas en la región central y los efectos en las otras áreas fueron insignificantes.
4. Conclusión y discusión
Este artículo se centra en el impacto significativo del cambio climático y las actividades humanas en la productividad de las estepas típicas. Se seleccionaron
tres pastizales representativos en las partes oriental, central y occidental de Mongolia Interior basándose en información meteorológica, socioeconómica y de
rendimiento. El análisis de correlación de Pearson y el modelo de efectos fijos de panel largo analizaron empíricamente la precipitación, la temperatura y la
intensidad del pastoreo sobre la productividad de los pastizales. Este estudio concluyó que la precipitación estaba significativamente correlacionada positivamente
con la productividad de los pastizales. Este hallazgo se alinea con estudios previos realizados en el campo [10,12]. Hubo una correlación positiva significativa entre
la temperatura y la productividad de los pastizales en la temporada sin crecimiento.
En segundo lugar, el resultado del modelo de efectos fijos de panel largo revela que, en la temporada temprana de crecimiento fuera de los pastizales, la
temperatura, la sinergia de la temperatura y la precipitación son los factores más críticos que afectan la productividad de los pastizales de las estepas típicas. La
precipitación es un factor vital que impacta positiva y significativamente la productividad de los pastizales. Este hallazgo aborda las limitaciones identificadas en
estudios anteriores [8,9]. Mientras tanto, las precipitaciones ajustan positivamente la temperatura al comienzo de la temporada sin crecimiento. La temperatura
afecta negativamente la productividad de los pastizales. La contribución de cada factor de influencia se clasifica de la siguiente manera: La sinergia de precipitación
y temperatura > precipitación > precipitación en el período anterior > intensidad de pastoreo.
Finalmente, debido a las diferencias en el entorno geográfico y las condiciones climáticas, las leyes de respuesta del cambio climático y las actividades
humanas de las estepas típicas en diferentes regiones son diferentes. El número de factores que afectan significativamente la productividad de los pastizales
aumenta gradualmente de oeste a este, y el grado de factores de respuesta continúa mejorando. Descubrimos resultados variables en diferentes áreas de estudio
y tipos de pastizales [15,16]. Además, el efecto de la intensidad del pastoreo sobre la productividad de los pastizales fue significativo sólo en las estepas típicas
medias.
5. Implicaciones y limitaciones de la gestión
5.1. A partir de las conclusiones de este artículo, planteamos las siguientes implicaciones para la gestión
En primer lugar, el estudio encontró que el impacto del cambio climático en la productividad de los pastizales es más significativo que el impacto de la actividad
humana. Por lo tanto, debemos centrarnos en la gestión de riesgos de las Estepas Típicas al abordar el cambio climático. Además de construir medidas más
integrales de prevención y mitigación de desastres, debemos prestar atención a algunas herramientas de gestión de riesgos de mercado, como los productos
financieros para el riesgo climático. En segundo lugar, el estudio encontró que el cambio climático es un factor importante que afecta la productividad de los
pastizales; entre ellos, la sinergia de la temperatura y las precipitaciones sobre la productividad de los pastizales es la mayor. Además de centrarse en la influencia
de un solo factor climático en los pastizales, concéntrese en una mayor sinergia entre los factores climáticos, por ejemplo, en el diseño de productos financieros
para el riesgo climático, seleccionando una consideración integral de múltiples factores climáticos como índice de producto. En tercer lugar, encontramos que los
factores que afectan la productividad de los pastizales son diferentes incluso bajo el mismo tipo de pastizal. En las tres áreas seleccionadas, la zona oriental de las
Estepas Típicas es la zona más sensible al cambio climático, la segunda zona sensible al cambio climático es la Estepa Típica en el centro y las Estepas Típicas
Occidentales no son sensibles al cambio climático. Por lo tanto, debemos elegir métodos de gestión de riesgos de acuerdo con las condiciones locales bajo el
mismo tipo de pastizal. Por ejemplo, para las estepas típicas de la región oriental, que son las más sensibles al cambio climático, los derivados climáticos son
adecuados para este lugar. Podemos elegir indicadores meteorológicos apropiados para diseñar derivados meteorológicos de pastizales.
6
Este estudio tiene ciertas limitaciones. En primer lugar, los datos de intensidad del pastoreo estuvieron disponibles solo durante 33 años, mientras que recopilamos datos de
productividad de los pastizales durante 37 años, lo que constituye un conjunto de datos de panel desequilibrado. Aunque nuestro objetivo era examinar los efectos del cambio
climático y la intensidad del pastoreo en la productividad de los pastizales, la disponibilidad de datos era limitada. Como resultado, sólo pudimos establecer una relación entre
la intensidad del pastoreo y el rendimiento de los pastizales en una escala espacial más amplia, que puede no corresponderse completamente con las ubicaciones específicas
de los datos de rendimiento de los pastizales. Por lo tanto, puede haber alguna desviación en los hallazgos. En estudios futuros, es fundamental investigar el impacto de diversos
factores climáticos, como la radiación solar y la humedad, en la productividad de los pastizales. Por ejemplo, explorar cómo los niveles de humedad influyen en la tasa de
evapotranspiración y la retención de agua en los pastizales puede arrojar luz sobre el equilibrio hídrico. Comprender las relaciones entre estos factores climáticos y la
productividad de los pastizales ayudará a desarrollar estrategias efectivas para la gestión y conservación sostenible de la tierra.
Declaración de contribución del autor
Xinya GUO, Muhammad Umer Arshad, Yuanfeng ZHAO: Concibieron y diseñaron los experimentos.
Xinya GUO, Muhammad Umer Arshad: Realizaron los experimentos.
Muhammad Umer Arshad, Xinya GUO, Yuanfeng ZHAO: analizaron e interpretaron los datos.
Yufei GONG y Hongyu LI: aportaron reactivos, materiales, herramientas de análisis o datos.
Xinya GUO, Muhammad Umer Arshad: Escribió el periódico.
Declaración de disponibilidad de datos
Los datos estarán disponibles previa solicitud.
Información adicional
No hay información adicional disponible para este documento.
Declaración de intereses contrapuestos
Los autores declaran que no tienen conocidos intereses financieros en competencia o relaciones personales que pudieran haber parecido
influyen en el trabajo reportado en este artículo.
Agradecimientos
Los autores desean agradecer al editor y a los revisores por sus valiosos comentarios y sugerencias.
Referencias
[1] FP O'Mara, El papel de los pastizales en la seguridad alimentaria y el cambio climático, Ann. Bot. 110 (6) (2012) 1263–1270.
[2] LX Hou Xiangyang, Xinlei Gao, El proceso de desarrollo y la tendencia del manejo de pastizales en China, China Agric. Recurso. Regionalización 40 (7) (2019)
1–10.
[3] FJ Hou, WCM Lou, Productividad de los pastizales de China, China Eng. Ciencia. 18 (1) (2016) 7.
[4] JK Huang, RJZ, Recursos de pastizales, desarrollo de pastizales y seguridad alimentaria en China, Science Press 2017 (6) (2017).
[5] XWY, Un estudio empírico sobre la degradación de los recursos de los pastizales y sus factores que influyen en Mongolia Interior, en: Economía, Agricultura de Mongolia Interior.
Universidad, 2010.
[6] S. Wood, K. Sebastian, SJ Scherr, Análisis piloto de ecosistemas globales: agroecosistemas, Instituto de Recursos Mundiales, 2000.
[7] YP Li, GGT, RS Na, Aplicación de datos MERSI en la estimación de la productividad de los pastizales en los pastizales de Mongolia Interior, Resour. Reinar. Regiones áridas 26 (9)
(2012) 5.
[8] Ye JQ, LZH, Wu YQ, Respuestas de los pastizales, humedales y vegetación forestal de hulunbuir al cambio climático, 2018. 40(6): p. 4.
[9] Z. Gao, et al., Salud de los pastizales en la liga xilin gol desde la perspectiva del aprendizaje automático: análisis de la intensidad del pastoreo en la sostenibilidad de los pastizales,
Sustainability 15 (4) (2023) 3398.
[10] XW Zhang, WJ, Y. Gao, Respuesta de los cambios en la cubierta vegetal en los pastizales arenosos de Hulunbuir al cambio climático en los últimos 15 años, J. Grassland 26 (1) (2018)
7.
[11] J. Hou, DLT, K. Liu, Las características de la fenología de la vegetación en la zona de transición desérticaestepa en el hemisferio norte y su relación con
cambio climático de 1982 a 2012, Progress Climate Change Res. 13 (5) (2017) 9.
[12] SW Hang, ZHB, F. Zhang, La dinámica espaciotemporal de los pastizales Xilin Gol en los últimos 10 años basada en MODIS NDVI, Grass Industry Sci. 31 (8) (2014) 7.
[13] QJ Jiao, FAM, X. Zhang, et al., Análisis de los cambios en la cubierta vegetal y los factores impulsores en los pastizales de Xilin Gol basado en datos MODIS, J. Beijing Univ. Tecnología.
43 (5) (2017) 6.
[14] YL Hang, BG, YH Bao, Patrón de variación temporal y espacial de la cubierta vegetal en la estepa de Xilin Gol y su respuesta climática de 2000 a 2010, J. Grassland
22 (6) (2014) 10.
[15] GG Yunpeng, NA Risu, Aplicación de datos MERSI a la estimación de la productividad de los pastizales en los pastizales de Mongolia Interior, J. Arid Land Resour. Reinar. 26 (9)
(2012) 5.
[16] XL Feng, HG Qiu, JP, Jianjun Tang, El impacto del cambio climático en la producción ganadera en áreas pastorales de China, Sci. Medio ambiente total. 770 (2021) 8.
[17] RY Gu, ZWC, Efectos del cambio climático en la fenología vegetal típica de los pastizales en Mongolia Interior, Chinese J. Ecol. 32 (3) (2012) 9.
[18] WJ Zhang Xiwei, Yong Gao, A. RuHan, Respuesta de la cubierta vegetal al cambio climático en la estepa arenosa de Hulunbuir en los últimos 15 años, Acta Agrestia Sinica 26
(1) (2017) 7.
[19] CS Guo Jian, Bin Xu, Monitoreo por teledetección del enverdecimiento de pastizales en la Liga Xilingol basado en datos SPOtVGT, Geogr. Res. 36 (1) (2017) 11.
[20] YL Hang, BG, YH Bao, Patrón de variación temporal y espacial de la cubierta vegetal en la estepa de Xilin Gol y su respuesta climática de 2000 a 2010, J. Grassland
22 (6) (2014) 6.
7
X. Guo y col.
Heliyon 9 (2023) e17814
[21] J. Hou, DL, Ke Liu, Fenología de la vegetación y su relación con el cambio climático en la zona de transición de la estepa desértica en el hemisferio norte durante 1982
2012, J. Nat. Recurso. 33 (6) (2012) 9.
[22] A. Rong, QBI, Z. Dong, Cambio de vegetación de pastizales y factores impulsores basados en MODIS/NDVI en Xilingol, China, Resour. Ciencia. (2019).
[23] J. Zhang, RHR, Impactos de las actividades humanas en la productividad primaria neta de los pastizales en Xilin Gol League, J. Nat. Recurso. 32 (7) (2017) 8.
[24] J. Guo, CS, XU, Monitoreo por teledetección del enverdecimiento de pastizales en la Liga Xilingol basado en datos SPOtVGT, Geogr. Res. 36 (1) (2017) 10.
[25] P. Tahmasebi, MN Ebrahimi, Gestión de la intensidad del pastoreo vinculada a la cantidad y calidad de los pastizales en pastizales semiáridos, Rangel. Ecológico. Gestionar. 73 (1)
(2020) 7.
[26] TY Zhan, SJ, ZC Zhang, Efectos de la presión del pastoreo en los ecosistemas de pastizales en la meseta de Mongolia Interior basado en un metanálisis chino, J. Ecol. Agrícola. 28 (12)
(2020) 9.
[27] T. Zhan, et al., Metanálisis que demuestra que el pastoreo moderado puede mejorar la calidad del suelo en los ecosistemas de pastizales de China, Appl. Ecología del suelo. 147 (2020),
103438.
[28] Nueva Zelanda, Efectos de diferentes intensidades de pastoreo sobre las características de la comunidad vegetal y las propiedades fisicoquímicas del suelo de los pastizales típicos, Academia China de
Ciencias Agrícolas, 2020, p. 9.
[29] CGC, Evaluación cuantitativa de la dinámica temporal y espacial de la productividad global de los pastizales y sus factores determinantes en la gestión, Universidad de Nanjing, 2015.
[30] M. Burke, K. Emerick, Adaptación al cambio climático: evidencia de la agricultura estadounidense, Am. Economía. J. Economía. Pol. 8 (3) (2016) 106–140.
[31] TR Jorns, et al., Dinámica de movimiento y gasto de energía de novillos de un año bajo manejo de pastoreo contrastante en estepa de pasto corto, Rangel. Ecológico.
Gestionar. 85 (2022) 38–47.
[32] Z. Liao, et al., Variación espaciotemporal y acoplamiento de la intensidad del pastoreo y el ecosistema basado en un modelo de cuatro cuadrantes en Mongolia Interior, Ecol. Indicar. 152
(2023), 110379.
[33] Ying, T., et al., Impacto del pastoreo de tipo asentamiento en la vegetación de pastizales en la región autónoma de Mongolia Interior: una verificación de campo de un estudio de caso
a través de un Experimento de Pastoreo.
[34] X. Gao, et al., Respuestas de la vegetación, el suelo y los microbios y los depósitos de carbono y nitrógeno a los patrones de uso de la tierra de pastizales semiáridos en Duolun, Mongolia Interior,
China, Sostenibilidad 15 (4) (2023) 3434.
[35] MG Tesfay, Efecto de bienestar de la adopción mejorada de trigo en Tigrai, Etiopía: evidencia de datos de panel, Cogent Food Agric. 9 (1) (2023), 2184121.
[36] MU Arshad, et al., El papel de los sitios patrimoniales y otros factores influyentes en la afluencia de turismo interno a los estados australianos: un enfoque de modelo de gravedad, Curr. Asuntos
Turismo (2023) 1–19.
[37] JM Wooldridge, Análisis econométrico de datos de panel y de sección transversal, 108(2), MIT press, Cambridge, MA, 2002, págs.
[38] PA Swamy, Inferencia eficiente en un modelo de regresión de coeficientes aleatorios, Econometrica: J. Econom. Soc. (1970) 311–323.
[39] X. Feng, et al., El impacto del cambio climático en la producción ganadera en áreas pastorales de China, Sci. Medio ambiente total. 770 (2021), 144838.
[40] AC Ruggieri, et al., Impactos de la intensidad del pastoreo en la masa de forraje, la estructura de la pradera, las emisiones de gases de efecto invernadero y el rendimiento animal: análisis de brachiaria
Pastureland, Agronomy 10 (11) (2020) 1750.
[41] Xinya Guo, Yuanfeng Zhao, Muhammad Umer Arshad, Gong Yufei, Disposición de los agricultores a pagar una prima alta por diferentes tipos de seguros agrícolas: evidencia de Mongolia Interior,
China. DISCRETO DYN NAT, SOC (2022), 8476087.
8
Científico africano 21 (2023) e01780
africano científico
página de inicio de la revista: www.elsevier.com/locate/sciaf
Análisis del impacto de COVID19 en la productividad de los
trabajadores nigerianos mediante análisis de correspondencia múltiple
Wilson Sakperea, , Aderonke Busayo Sakpere b, Ifedolapo Olanipekunc ,
OlaOluwa Simon Yaya b
a Lead City University, Departamento de Ciencias de la Computación, Ibadan, Nigeria
b
Universidad de Ibadán, Nigeria
C
Departamento de Economía, Universidad Gelisim de Estambul, Turquía
información del artículo abstracto
Historia del artículo: A medida que la pandemia de COVID19 se convirtió en un problema de salud mundial, muchas
Recibido el 4 de junio de 2022 actividades empresariales han tenido que ajustarse a los protocolos necesarios para mantener a las
Revisado el 10 de junio de 2023
personas seguras, alterando así las estructuras de trabajo de muchos profesionales. Con datos
Aceptado el 26 de junio de 2023
recopilados de 466 encuestados en Nigeria, de los cuales aproximadamente el 70% son del suroeste,
este estudio muestra cómo los factores asociados a la crisis sanitaria han afectado la productividad
Editor: DR B Gyampoh laboral durante este período. Se emplearon técnicas de diseño de investigación de encuesta de bola de
nieve con el modelo de interacción bidireccional. Se utilizó el Análisis de Correspondencia Múltiple para
Palabras clave:
analizar y comprender factores cualitativos múltiples y por pares que influyen en la productividad. La
Medida de asociación
primera parte del análisis identificó el aburrimiento, la remuneración, la disponibilidad de Internet, el
COVID19
miedo al COVID19 y las noticias deprimentes sobre el COVID19 como los factores que tuvieron
Factor de impacto
Aislamiento impactos significativos en la productividad de los trabajadores. La segunda parte del análisis muestra
Pandemia cómo las categorías de los cinco factores significativos estaban asociadas o no con la productividad. Un
Productividad laboral análisis de cada uno de estos factores mostró que el miedo a la enfermedad se asoció con una ligera
productividad, pero el acceso a Internet y la remuneración se asociaron fuertemente con una mayor
productividad laboral, mientras que el aburrimiento y las noticias deprimentes sobre COVID19 se
asociaron con la falta de productividad durante este periodo. Otras pruebas también demostraron que la
formación y la adquisición de nuevas habilidades podrían mejorar mucho más la productividad de los
trabajadores. Por lo tanto, recomendamos la adquisición dinámica de habilidades, la capacitación y la
inversión en herramientas y servicios que mejoren la flexibilidad con la estructura laboral cambiante que surge debido a
© 2023 Los Autores. Publicado por Elsevier BV
Este es un artículo de acceso abierto bajo licencia CC BYNC
ND (http://creativecommons.org/licenses/byncnd/4.0/)
Introducción
Durante los últimos siglos, las epidemias y pandemias han afectado gravemente a personas de todo el mundo [30]. La pandemia de influenza fue la más
temprana que ocurrió en tres momentos diferentes en un siglo. En 1918, la pandemia de gripe española provocó alrededor de 100 millones de muertes en dos años,
mientras que la gripe asiática que ocurrió en 1957 y la gripe de Hong Kong se cobraron alrededor de 4 millones de vidas [22,53] . En diciembre de 2019, un nuevo
brote de coronavirus, que causó el síndrome respiratorio agudo severo,
Autor correspondiente.
Direcciones de correo electrónico: sakpere.wilson@lcu.edu.ng (W. Sakpere), ab.sakpere@ui.edu.ng (AB Sakpere).
https://doi.org/10.1016/j.sciaf.2023.e01780 24682276/©
2023 Los autores. Publicado por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BYNCND (http://creativecommons.org/licenses/byncnd/4.0/)
W. Sakpere, AB Sakpere, I. Olanipekun et al. Científico africano 21 (2023) e01780
se informó en la provincia china de Wuhan [23,28]. A medida que surgió la dinámica de la transmisión de persona a persona, el epicentro de la
enfermedad fue testigo de tasas de hospitalización excepcionales en un período muy corto. Así, la COVID19 se convirtió en un problema de salud
pública de alcance mundial con infecciones de más de 762 millones de casos y más de 6,8 millones de muertes [51].
La situación es particularmente desafiante para los países en desarrollo debido a sus frágiles sistemas de salud, alta pobreza y bajas tasas de
alfabetización. Se desconocía el alcance de los casos no detectados en algunos países en desarrollo en los primeros días del brote debido al acceso
limitado a los procedimientos de prueba en algunas regiones rurales densamente pobladas [1]. En esas regiones, muchas personas vivían y trabajaban
a diario en malas condiciones y mala higiene.1 Simplemente ignoran las medidas de precaución debido a la indiferencia y a la información inadecuada
sobre la pandemia. Muchos de los que vivían en comunidades pobres no podían lavarse las manos con regularidad debido a la falta de jabón y agua
corriente. Esto puede haber provocado un elevado número de casos y muertes por COVID19 [2]. Sin embargo, hasta el 11 de abril de 2023, se han
confirmado 266.665 casos y 3155 muertes por COVID19 en Nigeria, con un centro nacional de operaciones de emergencia (COE) multisectorial
todavía activado en el nivel 2 para coordinar las actividades de respuesta nacional [4 , 33].
Aparte de las tasas de mortalidad por COVID19, hay varios efectos más devastadores en términos relativos. Los países más desarrollados
lucharon por mantener su situación económica a medida que se reducían las empresas y el flujo de caja, lo que afectaba a las economías de esos
países. Por otro lado, las economías de los países en desarrollo son las más afectadas, ya que dependen de las economías avanzadas para las
importaciones. Los países en desarrollo exportan menos productos y sus economías sufren un lento crecimiento del Producto Interno Bruto (PIB), lo
que podría llevarlos a la recesión [35]. La interrupción de las actividades económicas y negocios internacionales afecta negativamente la generación
de ingresos tributarios en estos países. Los bienes y servicios se vuelven caros e inasequibles para los ciudadanos de clase media y baja [29]. Por
tanto, hay una disminución de los beneficios derivados de diferentes sectores como el turismo y los vínculos comerciales directos entre países y
continentes de todo el mundo [35].
Además, para frenar la propagación de la COVID19, muchos países introdujeron prohibiciones de viaje, cierres y cierres de empresas y
actividades comerciales. Las escuelas se vieron obligadas a cerrar. Hubo un cierre general de las principales ciudades y pueblos.
En consecuencia, esto llevó a aprovechar el poder de la tecnología de la información, que permitió a muchos trabajadores y empresas trabajar desde
casa y realizar sus tareas/trabajos diarios a través de Internet. Las empresas venden sus bienes y servicios en plataformas en línea, mientras que las
escuelas iniciaron plataformas de aprendizaje electrónico y en línea para profesores y alumnos [15].
Trabajar desde casa a través de interacciones remotas es, por lo tanto, la nueva normalidad para muchos profesionales en muchas partes del
mundo [7]. Desafortunadamente, este cambio repentino es un desafío para los países menos desarrollados que se caracterizan por salarios bajos,
infraestructura de vivienda deficiente, acceso deficiente a servicios de Internet y otras instalaciones modernas que podrían hacer soportable el trabajo
desde casa [44] . Esto tiene implicaciones para mayores costos operativos soportados por organizaciones empresariales que luego no pueden
alcanzar sus objetivos [39]. En medio de estas pérdidas globales experimentadas, la pérdida de productividad en los países menos desarrollados
podría ser más significativa que la de los países avanzados. A medida que la pandemia avanza, se espera que tenga un efecto directo en los
trabajadores y sus niveles de productividad [27]. La morbilidad resultante de la infección implica que la productividad laboral cae significativamente
hasta después de la recuperación. Esto resulta en bajas por enfermedad o ausentismo laboral para buscar atención médica. Por lo tanto, la
productividad de los individuos se ve afectada por estos factores [21,52].
Este artículo examina cómo el impacto de la COVID19 en los trabajadores de Nigeria ha afectado su productividad. Esto inspirará la formulación
de políticas que permitan a los trabajadores estar centrados, orientados a resultados, ser eficaces y más productivos en circunstancias difíciles.
Esto es vital debido al impacto de la productividad laboral en el crecimiento económico, los ingresos y las cadenas de suministro. Examinamos cómo
esta situación provocó un cambio en las variables relacionadas con la productividad laboral utilizando el modelo de interacción bidireccional. El estudio
proporciona ideas que tienen implicaciones para cuestiones de empleo y toma de decisiones profesionales, implicaciones para tareas que deberían
estar domiciliadas en el lugar de trabajo o descentralizadas, e implicaciones para la capacitación requerida para mejorar las habilidades.
El resto del documento está estructurado de la siguiente manera: las secciones 2 y 3 revisan estudios relacionados con el tema de discusión,
mientras que la sección 4 describe la metodología que comprende el diseño de investigación y los métodos del estudio. La sección 5 analiza los
hallazgos de la investigación realizada y la sección 6 concluye la discusión.
Pandemias, epidemias y sus efectos.
Los estudios realizados después de brotes de enfermedades han vinculado las actividades de productividad con la salud y el bienestar humanos,
así como con el ausentismo laboral, el aumento de la carga de trabajo, la cuarentena y el encierro. Guimbeau et al. [19] investigan los resultados de
la pandemia de influenza de 1918 y cómo afectó la productividad, entre otras cuestiones. El estudio presenta evidencia de que la pandemia tuvo un
impacto que duró más de veinte años en la salud, la educación y la productividad. Dado que hay lecciones que aprender de eventos pasados de este
tipo [11], es importante revisar los efectos dominó de eventos pasados sobre el "bienestar y la productividad" para comprender las trayectorias de
eventos más nuevos.
Los estudios de Kavet [25] y Gupta et al. [20] muestran que la mala salud y el bienestar pueden provocar pérdidas de productividad durante una
pandemia. Kavet examinó la importancia de la pandemia de influenza de 19761977 y estimó la pérdida de productividad como un costo indirecto de
la pandemia que está relacionado con la alta morbilidad y mortalidad debido a la enfermedad. Además, tras el brote de SARS en 2003, Gupta et al.
encontró que la pérdida de productividad es un costo indirecto asociado con las cuarentenas, enfermedades y mortalidad durante ese período. Las
enfermedades y morbilidades que padecían las personas provocaban ausentismo laboral, que es
1
https://www.who.int/newsroom/spotlight/oneyearintotheebolaepidemic/factorsthatcontributedtoundetectedspreadoftheebolavirusand
impedidadecontenciónrápida.
2
Otro factor que conduce a la pérdida de productividad durante una pandemia. Un aumento en el ausentismo laboral durante el pico del invierno resultó
en una reducción de la productividad y contempló la renuncia total al trabajo [16,43]. El alto riesgo de exposición a infecciones y el aumento de la carga
de trabajo fueron los principales factores responsables de esto [43].
El ausentismo laboral observado en estos estudios conduce inadvertidamente a un aumento de la carga de trabajo del poco personal o personas
que quedan. Estos desafíos también se observaron en los brotes de VIH/SIDA y Ébola en Sudáfrica [6,31]. La mayoría de los infectados eran jóvenes
que podrían haber contribuido significativamente a la productividad laboral. Sin embargo, el ausentismo parece ser una de las principales razones de
la baja productividad durante estos tiempos. Además, el costo del distanciamiento social para reducir la propagación y los efectos de las pandemias
requiere cuarentenas, cierres de escuelas y confinamientos. Esto contribuyó más a la pérdida de productividad durante la pandemia de gripe, ya que
aumentó significativamente el ausentismo entre los trabajadores [38]. Verikios et al. [49] evalúan la actividad económica en respuesta a la pandemia de
influenza con un modelo de equilibrio general computable (CGE) trimestral. Su hallazgo sugiere que las actividades económicas globales se ven
fuertemente afectadas por pandemias con altas tasas de infección.
COVID19 y los impactos en la productividad
El recrudecimiento de la pandemia de COVID19, según informó la Organización Mundial de la Salud (OMS) el 11 de marzo de 20202, ha dado
lugar a una nueva forma de vida de distanciamiento social y físico, encierros, aislamiento y soledad [5]. A medida que el brote genera preocupación en
todo el mundo, los investigadores continúan evaluando su impacto global [3,32,35]. Algunos han evaluado el impacto de la productividad en el mundo
académico [13,26,40], las empresas [7,52], los hogares [9], la vida cotidiana [48] y los mercados laborales [45]. La productividad se refiere a la capacidad
de convertir insumos en productos para obtener rentabilidad [14,47]. Por tanto, se puede decir que la productividad reside en la capacidad de satisfacer
las necesidades socioeconómicas. Además, la productividad puede ser función de la producción, el stock de capital, la mano de obra y las condiciones
tecnológicas de producción [18]. También puede considerar un conjunto de indicadores de desempeño como la calidad de la producción, el costo de los
insumos, la innovación y la tecnología, la capacitación, la intensidad de la colaboración en el lugar de trabajo, la eficiencia tecnológica y el diseño del
trabajo. Así, Green [18] consideró la medición de indicadores de desempeño como un mejor enfoque para la medición de la productividad.
Los estudios de Cui et al. [13], Kim y Patterson [26] y Purwanto et al. [36] se centran en los efectos del brote en la productividad laboral de los
docentes y el mundo académico. Los estudios estimaron el costo del cierre de escuelas en la productividad y los salarios de los docentes durante la
COVID19, con el resultado esperado de que el aprendizaje en línea mejoraría el valor del trabajo. Al pasar a la enseñanza en línea, los profesores
obtienen la ventaja de la flexibilidad laboral y la reducción del costo y el estrés en los desplazamientos diarios al trabajo [36]. Sin embargo, persisten las
desventajas de la reducción de la motivación laboral, los problemas de salud debido a la depresión y la fatiga, y los costos de electricidad e Internet, lo
que resulta en una baja productividad. Además, la reducción del aprendizaje conducirá a pérdidas en la productividad laboral y a ingresos futuros
marginales de alrededor del 15% del producto interno bruto. Además, una evaluación de la productividad durante el brote de COVID19 muestra una
amplia diferencia entre los géneros en el mundo académico [13,26,50]. Cui et al. y Kim y Patterson utilizaron el método de “estimación de diferencias en
diferencias” para analizar encuestas que mostraban una alta brecha de género entre académicos masculinos y femeninos. Su estudio muestra que las
mujeres presentaron menos artículos en comparación con los hombres [26]. Además, la productividad investigadora de las académicas cayó un 13,9%
en relación con sus homólogos masculinos mientras trabajaban de forma remota, lo que se debió al desequilibrio de las responsabilidades domésticas,
entre otras cosas [13].
Bartik et al. [12] reiteró que trabajar de forma remota puede afectar la productividad de los trabajadores después de analizar encuestas de pequeñas
y grandes empresas, y los autores descubrieron además que la pérdida de productividad por el trabajo remoto se puede minimizar donde los trabajadores
están mejor educados y en industrias mejor remuneradas. La mayoría de la población muestreada involucrada por Yang et al. [52] creían que el trabajo
remoto se mantendría en su empresa incluso después de que terminara la pandemia, mientras que los autores señalaron que podría provocar algunos
problemas de salud con el tiempo y luego resultar en una reducción de la productividad laboral. La pérdida de productividad también puede deberse a
ciertos factores (como la importancia de la tarea, la interdependencia de la tarea y la inseguridad laboral) que hacen que las personas vayan al lugar de
trabajo cuando están enfermas o a factores que hacen que las personas se mantengan alejadas del trabajo [24] . Tan et al. [46] cuantificaron los efectos
psicológicos inmediatos de regresar al trabajo después de la flexibilización del bloqueo debido al COVID19. Postularon que el trastorno de estrés
postraumático, la ansiedad, la depresión, el estrés y el insomnio son factores que afectan la participación de los trabajadores después de la reanudación
del trabajo.
Los efectos de la COVID19 también son evidentes en la productividad laboral de los trabajadores de la salud. Estos efectos les hacen ausentarse
del trabajo o presentarse cuando están enfermos porque sus funciones son esenciales o por miedo a perder su empleo [8,42]. Por ejemplo, O'Kelly et
al. [34] arrojan luz sobre los efectos directos de la pandemia en la programación laboral y el estrés entre los urólogos pediátricos.
La información recopilada de la encuesta revela un 70% de interrupciones en las operaciones, mientras que los horarios de trabajo alterados
interrumpieron la productividad regular del 90% de los encuestados. Bao et al. [10] y Ralph et al. [37] investigan los efectos de la COVID19 en el
bienestar y la productividad de los profesionales de TI mientras trabajan desde casa. El análisis cuantitativo se basó en un gran conjunto de datos de
desarrolladores de TI y se analizó mediante estadísticas inferenciales no paramétricas y modelos de ecuaciones estructurales. Los resultados sugieren
que COVID19 perjudica el bienestar y la productividad de los desarrolladores de software, con efectos tanto positivos como negativos de trabajar desde
casa [10,37]. Esto depende de la naturaleza de los proyectos que maneja cada trabajador. El estudio también revela que existe una estrecha relación
entre productividad y bienestar.
Estos estudios sugieren que la pandemia podría dejar un impacto duradero en el valor de los futuros trabajadores y su productividad [7,52]. La
productividad en un país menos desarrollado podría basarse en gran medida en determinantes como las infraestructuras,
2
https://www.who.int/news/item/27042020whotimelinecovid19.
3
estrés laboral, equilibrio entre la vida laboral y familiar, los ingresos, el tamaño de la familia y la capacidad de recursos energéticos. Queda por ver cómo estos escenarios
podrían desarrollarse de manera diferente en un país como Nigeria, donde ciertas peculiaridades pueden hacer que respondan de manera diferente al resto del mundo.
Por lo tanto, el objetivo de este estudio es cuantificar la dependencia de los determinantes anteriores en el desarrollo de capacidades y la productividad laboral,
ocasionados por COVID19, utilizando el modelo de interacción bidireccional.
Materiales y métodos
Este estudio utiliza el modelo de interacción bidireccional con los datos. Evalúa los factores que afectan la productividad laboral de varios profesionales durante la
crisis de COVID19 y el bloqueo en Nigeria. Los datos recopilados tienen muchos factores de impacto que incluyen el miedo al COVID19, noticias deprimentes sobre el
COVID19, el trabajo ahora aburrido, la remuneración motiva el trabajo, Internet satisfactorio, salud mental general, pérdida de pasión, paliativos, electricidad regular y
electricidad alternativa. Todos los factores de impacto se clasificaron en las mismas cinco categorías: Totalmente de acuerdo (SA), De acuerdo (A), Ni de acuerdo ni en
desacuerdo (NAD), En desacuerdo (D) y Totalmente en desacuerdo (SD).
Diseño del estudio y recopilación de datos.
El estudio empleó un diseño de investigación de encuesta tipo bola de nieve para la recopilación de datos. Esto ofrece un conjunto de datos verificable, una
investigación de variables importantes [41] y una mejor comprensión de las variables que inhiben la productividad laboral durante la COVID19. El diseño de investigación
por encuesta también es una herramienta valiosa para evaluar opiniones y tendencias y se utiliza debido a su asequibilidad y fácil acceso a la información. Si bien es un
desafío eliminar por completo el sesgo y lograr una precisión del 100% en una encuesta, las encuestas siguen siendo un instrumento poderoso y preciso de investigación
representativa si son objetivas y están bien diseñadas. Los métodos de investigación aplicados en este estudio permiten establecer factores que afectan la productividad
de diversos profesionales durante la COVID19.
Un cuestionario en línea de Google Forms fue el instrumento principal para la recopilación de datos. Los formularios en línea se volvieron más deseables debido al
movimiento restringido de personas por parte del gobierno. El estudio se realizó entre mayo y junio de 2020.
El cuestionario planteaba preguntas sobre el nivel de productividad de cada participante para comprender los factores que afectaron su productividad durante el cierre
de COVID19. El cuestionario se dividió en cuatro secciones. La primera sección contiene factores sociodemográficos, mientras que la segunda se centra en el nivel
de productividad y el entorno laboral. La tercera sección aborda cómo las noticias sobre la familia y la COVID19 han influido en el trabajo y la productividad. La última
sección busca comprender los efectos del estatus económico en los niveles de productividad. Se utilizó una escala Likert de cinco puntos que va desde Totalmente de
acuerdo hasta Totalmente en desacuerdo. Las respuestas fueron anónimas, garantizando la confidencialidad y confiabilidad de los datos. La URL de la encuesta es:
https://bit.ly/3fUmQoL.
La población del estudio estuvo compuesta por residentes en las seis zonas geopolíticas de Nigeria. La encuesta se recopiló de una muestra representativa de
trabajadores de organizaciones académicas y no académicas. Se llegó a ellos enviando primero el cuestionario a colegas, grupos de redes sociales y contactos con
correos electrónicos y teléfonos, mientras se les solicitaba que también reenviaran la encuesta a sus contactos. En esencia, se utilizó la técnica de muestreo de bola de
nieve en la recopilación de datos. Esta técnica funciona como una cadena de referencias, permitiendo aprovechar la red de personas para llegar a participantes potenciales
que no están a su alcance o acceso.
La razón para elegir la bola de nieve es que es más útil durante la COVID19 cuando es difícil localizar a los participantes potenciales en persona para el estudio de la
encuesta [17]. Los datos adquiridos, a partir de la encuesta en línea, fueron completados por 466 encuestados.
Este tamaño de muestra se obtuvo a partir de una calculadora de tamaño de muestra, utilizando un margen de error moderado.
Análisis de los datos
Se recopilaron datos sobre la percepción de productividad individual que tiene cuatro categorías: muy productiva, productiva, ligeramente productiva y no productiva.
Los datos fueron analizados utilizando el Sistema de Análisis Estadístico (SAS). SAS se utiliza para trazar las cuatro categorías de las variables de respuesta (percepción
de productividad individual) y las cinco categorías de cada uno de los cinco factores de impacto significativos (ver Tabla 6). La rutina de Análisis de Correspondencia (CA)
en SAS se utilizó para explorar relaciones entre datos categóricos, así como para encontrar una representación gráfica de baja dimensión de las filas y columnas de una
tabulación cruzada o tabla de contingencia. Esto es vital para hacer predicciones con CA. Cada fila y columna está representada por un punto en un gráfico determinado
a partir de las frecuencias de las celdas.
Para que el gráfico sea manejable, el nombre de cada variable categórica se abrevia. Comprender el conjunto de datos requiere evaluar si existe una dependencia
significativa entre las filas y columnas. Por lo general, esto se puede lograr con el criterio estadístico chicuadrado para examinar la asociación entre las variables de fila
y columna. Para la variable respuesta (percepción de productividad), sus categorías se abrevian de la siguiente manera: pr0 para “no productivo”, pr1 para “poco
productivo”, pr2 para “productivo” y pr3 para “muy productivo”. Así, el conjunto {pr0, pr1, pr2, pr3} representa los niveles de productividad.
De manera similar, se abrevian las cinco categorías de cada uno de los cinco factores de impacto significativos. A partir de "Trabajar ahora aburrido", wsd se usa para
"totalmente en desacuerdo", wdg para "en desacuerdo", wad para "ni de acuerdo ni en desacuerdo", wag para "de acuerdo" y wsa para "totalmente de acuerdo". Así, el
conjunto {wsd, wdg, wad, wag, wsa} representa las cinco categorías de “Trabajar ahora aburrido”. Dado que las categorías en las cinco variables de impacto son las
mismas, simplemente se reemplaza la primera letra de cada uno de los cuatro factores restantes.
Para “Remuneración continua”, tenemos {rsd, rdg, rad, rag, rsa}; para “Noticias deprimentes sobre COVID19, tenemos {nsd, ndg, nad,
4
tabla 1
Una muestra representativa de profesiones encuestadas.
Ocupación frecuencia %
Estudiante de docencia/ 98 21.03
investigación (terciario) 74 15,88
Emprendedor 59 12.66
Docente 38 Funcionario 37 Profesional TI (Programador, Diseñador, Ingeniero SW, 8.15
etc.) 28 Ingeniero 22 Finanzas (Banca, Corredor, Seguros etc.) 22 Profesión Médica 7,94
(Doctores, Enfermeras, Dentistas, etc.) 17 Abogado Agricultura Otros TOTAL 6.01
4.72
4.72
3.65
11 2.36
10 2.15
50 10,69
466 100
Fig. 1. Cuadro de variables que motivan el nivel de productividad.
regañar, nsa}; para “Internet (aumentar la productividad)”, tenemos {isd, idg, iad, iag, isa}; y finalmente, para “Miedo al COVID19 tenemos {fsd,
fdg, moda, maricón, fsa}. Estas representaciones se muestran en las Tablas 5 y 6.
Resultados y discusión
Análisis
Se analizaron los datos obtenidos del cuestionario y los resultados se presentan en las Tablas 1 a 8 y las Figs. 12 .
Las tablas muestran el índice de productividad y la medida de los trabajadores. La Tabla 1 muestra una muestra representativa de las profesiones que fueron
considerados en la encuesta. Algunas categorías se colapsaron como "Otras" debido a la baja frecuencia de muestreo para evitar tener una larga
tabla de informes.
Medición de productividad
La Tabla 2 muestra la evaluación de la productividad de trabajadores seleccionados en Nigeria durante el cierre de COVID19. La mesa
muestra que el 27,4% de los encuestados son trabajadores esenciales. Durante el confinamiento por el COVID19, estos trabajadores pueden haber estado
sobrecargados, formando parte de aquellos cuya productividad se ha visto afectada y su satisfacción laboral disminuida. Con un 60,3% de acuerdo
que habrá más trabajo de recuperación que hacer después del cierre, sugiere que su productividad no mejoró. Aunque,
Otros factores pueden entonces desempeñar un papel para mejorar la productividad, como se muestra en la Fig. 1.
Relación de la remuneración con la productividad
La Tabla 3 muestra la relación entre compensación y recompensa con la productividad. Recibir paliativos no mejoró ni redujo la productividad. Por otro
lado, recibir remuneración y acceso a instalaciones como la electricidad y el
Internet contribuyó significativamente a mejorar la productividad. Además, la adquisición de habilidades a través de capacitaciones y cursos contribuyó
5
Fig. 2. CA múltiple de percepción de productividad individual y medida de variables significativas.
Tabla 2
Evaluación de la productividad de trabajadores seleccionados en Nigeria durante el cierre de COVID19.
Sí No Tal vez No aplica
variables
frecuencia % frecuencia % frecuencia % frecuencia %
126 27,4 334 72,6 – – – –

¿Es usted un trabajador de servicios esenciales?
281 60,3 185 39,7 – – – –
¿Trabaja desde casa durante el
¿aislamiento?
Si trabajas desde casa, es el hogar 136 29.2 108 23.2 75 16.1 147 31,5
ambiente propicio para su trabajo
¿productividad?
Si todavía vas a trabajar, ¿te sientes seguro yendo? 94 20.2 90 19.3 61 13.1 221 47,4
¿a la oficina?
94 20.2 279 59,9 93 20 – –
¿Este bloqueo ha mejorado tu
productividad en comparación con antes?
128 27,5 265 56,9 73 15.7 – –
¿Obtuviste satisfacción laboral como antes?
223 47,9 119 25,5 124 26.6 – –
¿Seguirías pudiendo trabajar si el
El confinamiento por el COVID19 continúa durante los próximos 6
¿meses?
281 60.3 94 20.2 91 19.5 – –
¿Crees que habrá más recuperación?
trabajo (de lo habitual) para hacer después
¿Encierro/saga COVID?
a mejorar la productividad. Esto infiere que el efecto de la compensación sobre la productividad es significativo, como se ve en la Fig. 1 y
Tabla 6.
Relación del COVID19 y el confinamiento con la productividad
Las tablas 4 y 5 muestran la relación entre el COVID19 y el confinamiento con la productividad. El análisis consiste en
factores de impacto y la percepción de productividad individual como factor de respuesta con cuatro categorías, como se muestra en la Tabla 5. Cinco de
Las diecinueve variables ajustadas al modelo logístico del efecto principal resultaron tener relaciones significativas con la productividad.
como se muestra en la Tabla 6.
6
Tabla 3
Efecto de la compensación sobre la productividad.
Ninguno de los dos está de acuerdo Fuertemente
Totalmente de acuerdo Aceptar ni en desacuerdo Discrepar Discrepar
variables
frecuencia % % de frecuencia % de frecuencia frecuencia % % de frecuencia
Mi empleador me paga remuneración o salario durante 136 29,18 127 27.25 75 16.09 74 15,88 54 11.59

este periodo
Mi empleador me ofrece remuneración o salario completo 118 25.32 111 23,82 87 18.67 81 17.38 69 14.81
durante este período
Mi remuneración ha motivado mi capacidad para trabajar He 88 18,88 105 22,53 110 23,61 98 21.03 sesenta y cinco 13,95
recibido paliativos durante este período El paliativo ha/ 18 3.86 55 11.80 86 18.45 114 24,46 193 41,42
podría haber motivado mi carrera 48 10.30 89 19.10 116 24,89 95 20,39 118 25.32
conducir, si se le da
Tengo acceso al suministro regular de electricidad nacional en 47 10.09 100 21.46 96 20,60 117 25.11 106 22,75
mi hogar
Tengo acceso a fuentes adicionales o alternativas de 103 22.10 148 31,76 80 17.17 67 14.38 68 14.59
electricidad
La cobertura del servicio de red/servicio de Internet en mi 67 14,38 168 36.05 91 19.53 91 19,53 49 10.52
el área es satisfactoria
El acceso a Internet ha mejorado mi trabajo. 74 15,88 173 37,12 101 21,67 76 16.31 42 9.01
productividad
Acceso a otras instalaciones (laboratorio, buen mobiliario). 41 8.80 94 20.17 113 24,25 120 25,75 98 21.03
etc.) ha mejorado mi productividad laboral
Pude adquirir las habilidades necesarias para ayudar. 84 18.03 162 34,76 88 18,88 77 16.52 55 11.80
mi productividad (por ejemplo, capacitación, cursos, más
cualificación, etc.)
Tabla 4
Efecto del COVID19 y el confinamiento en la productividad.
Ninguno de los dos está de acuerdo Fuertemente
Totalmente de acuerdo Aceptar ni en desacuerdo Discrepar Discrepar
variables
frecuencia % frecuencia % frecuencia % frecuencia % frecuencia %
Las noticias sobre el COVID19 han afectado mi salud mental general 46 9,87 105 16,74 22,53 155 33,05 33,26 103 24,46 22,10 57 18,24 12.23

Generalmente tengo miedo de entrar en contacto con el virus COVID19 78 154 7,51 87 114 18,67 174 85 37,34 110 35 23,61 60 7.51
Las noticias de COVID19 me deprimen y 35 12,88
improductivo
Las noticias de COVID19 han reducido mi pasión y mi carrera. 38 8.15 88 18,88 138 29,61 122 26.18 80 17.17
entusiasmo
Mi trabajo profesional me resulta aburrido durante este período 54 11,59 119 14,38 25,54 129 36,05 27,68 112 91 24,03 52 19,53 11.16
La cobertura del servicio de Internet en mi área es 67 168 91 19.53 49 10.52
satisfactorio
El acceso a Internet ha mejorado mi productividad laboral 74 15,88 173 37,12 101 21,67 76 16.31 42 9.01
Tabla 5
Calificación categórica de la productividad individual.
Categoría Representación Frecuencia %
Muy pr3 64 13.73

Productivo
Productivo pr2 168 36.05
Levemente pr1 165 35.41
Productivo
No productivo pr0 69 14.81
Tabla 6
Análisis de la medida de productividad de las variables significativas.
Representación
Variable valor p Comentario
SA A NAD D Dakota del Sur
Trabajar ahora aburrido < 0,0001 < Altamente significativa wsa menear wad wdg wsd

Remuneración continua 0,0001 Altamente significativa rsa trapo rad rdg rsd
Noticias deprimentes del COVID19 = 0,0061 Altamente significativa nsa regañar nad ndg nsd
Internet (aumentar la productividad) = 0,0148 = Significativo isa iag iad idg isd
Miedo al COVID19 0,0342 Significativo fsa maricón moda fdg fsd
7
Análisis de correspondencia múltiple
Se realizó un Análisis de Correspondencia Múltiple (ACM) para estudiar la asociación entre las variables categóricas. Este es un método de análisis que
se utiliza para detectar y representar estructuras subyacentes en un conjunto de datos representándolos como puntos en un espacio euclidiano de baja
dimensión. Dado que la interpretación de la entrada de una variable categórica requiere un nivel base (referencia) entre sus categorías para comparar otras
categorías (es decir, cómo se realiza el ajuste del modelo logístico), puede incluso volverse rápidamente más desafiante cuando los factores y la Las
variables de respuesta son categóricas con múltiples categorías. Por lo tanto, se utilizan los mismos cinco factores de impacto significativos ya identificados
por el modelo de regresión logística en la Tabla 6 . Todos los resultados se obtienen asumiendo como nivel de referencia la categoría “Muy en desacuerdo”.
El análisis múltiple PROC CORRESP reduce los datos de los seis grupos al gráfico bidimensional de la Fig. 2, utilizando un criterio de chicuadrado para
agruparlos. Con el centro (0,0) como punto de referencia, se supone que los conglomerados y los elementos de un conglomerado observado están
asociados. Un grupo está bien definido si se encuentra en un lado del eje vertical (eje de Dimensión 2) o en un lado del eje horizontal (eje de Dimensión 1).
Los miembros en lados opuestos del otro eje tienen signos opuestos. La distancia de un grupo al centro también indica la fuerza del grupo. Cuanto más
cerca del centro esté un grupo, más débil será su fuerza.
Grupo 1: {wad, rad, nad, iad, fad} está todo a la izquierda del eje de la Dimensión 1. Tendrán la misma interpretación con respecto a la productividad ya
que todos están nuevamente en el lado inferior del eje de la Dimensión 2. Falta la categoría de productividad. Es decir, ninguna de las respuestas para los
cinco factores aquí está asociada con ninguna de las categorías de productividad. Esto tiene sentido ya que las respuestas de este grupo son “ni de acuerdo
ni en desacuerdo” en ninguno de los cinco factores.
Grupo 2: {wsd, nsd, fsd} está ubicado en el extremo derecho del eje de la Dimensión 2. Todos tienen la misma interpretación con respecto a la
productividad, ya que también se encuentran a la derecha del eje de la Dimensión 2. Con la extrema distancia de este grupo del centro, este es un grupo
fuerte en términos de estar en total desacuerdo sobre los tres factores, a saber, “El trabajo ahora es aburrido”, “Noticias deprimentes sobre el COVID19 y
“Miedo al COVID19”.
Grupo 3: {isa, fdg, wdg, ndg, pr3} está ubicado a la derecha del eje de la Dimensión 2. Todos caen por debajo del eje de la Dimensión 1, lo que significa
que tienen el mismo tipo de asociación con la productividad. La isa significa que las respuestas aquí están muy de acuerdo en que el factor “Internet (impulsa
la productividad)” está asociado con “muy productivo”, pr3. La fdg significa que las respuestas aquí no coinciden en el factor “Miedo al COVID19 asociado
con “muy productivo”, pr3. De manera similar, el wdg significa que las respuestas aquí no coinciden en el factor “Trabajar ahora es aburrido” como asociado
con “muy productivo”, pr3. La NDG significa que las respuestas aquí no coinciden en el factor “Noticias deprimentes sobre COVID19 asociadas con” muy
productivas “, pr3.
Grupo 4: {iag, rag, rsa, pr2} está a la derecha del eje de la Dimensión 2 y muy cerca del centro. Todos caen por debajo del eje de la Dimensión 1, lo que
significa que tienen el mismo tipo de asociación con la productividad. El iag significa que las respuestas coinciden en que el factor “Internet (impulsa la
productividad)” está asociado con “productivo”, pr2. El trapo significa que las respuestas aquí coinciden en el factor “remuneración continua” asociado con
“productivo”, pr2. La rsa significa que las respuestas aquí coinciden fuertemente en el factor “remuneración continua” asociado con “productivo”, pr2.
Grupo 5: {fag, idg, rsd, pr1} no borra ninguno de los dos ejes como hemos visto con los grupos anteriores. Esto es un indicador de que las cosas pueden
estar confusas aquí. Además, otra debilidad de este grupo es su cercanía al centro. El maricón significa que las respuestas aquí coinciden en el factor
“Miedo a la COVID19 asociado con “ligeramente productivo”, pr1. El idg significa que las respuestas aquí no están de acuerdo sobre el factor “Internet
(aumento de la productividad)” como asociado con “ligeramente productivo”, pr1. La rsd significa que las respuestas aquí difieren fuertemente en cuanto al
factor “remuneración continua” asociado con “ligeramente productivo”, pr1. La asociación de este grupo con la productividad es débil o leve.
Grupo 6: {wsa, fsa, nag, wag, isd, rdg, pr0} se mantiene alejado de los dos ejes. Así, este grupo tiene una asociación en la misma dirección en cuanto a
productividad. No tienen nada que ofrecer para mejorar la productividad. La wsa significa que las respuestas aquí coinciden fuertemente en el factor
"Trabajar ahora es aburrido" asociado con "no productivo", pr0. La fsa significa que las respuestas aquí también coinciden fuertemente en el factor “Miedo al
COVID19 asociado con “no productivo”, pr0. La queja significa que las respuestas aquí coinciden en el factor "Noticias deprimentes sobre COVID19
asociadas con" no productivas ", pr0. La broma significa que las respuestas aquí coinciden en el factor “Trabajar ahora es aburrido” asociado con “no
productivo”, pr0. La isd significa que las respuestas aquí difieren fuertemente en cuanto al factor “Internet (impulsa la productividad)” como asociado con “no
productivo”, pr0. La rdg significa que las respuestas aquí no coinciden en cuanto al factor “remuneración continua” asociado con “no productivo”, pr0.
Análisis adicional
Dado que las correlaciones calculadas no se dan en los gráficos de correspondencia, y la interpretación del gráfico es sólo descriptiva, necesitamos algo
que sea tan objetivo como los resultados del modelo logístico. El modelo logístico también puede dar una probabilidad calculada para cada categoría de
productividad basada en cada combinación posible de las categorías de los cinco factores significativos. Luego, busque la combinación de categorías que
dé la máxima probabilidad para cada categoría de productividad.
Los resultados de la investigación se muestran en la Tabla 7, con la interpretación siguiente. Tiene sentido calcular la probabilidad mínima de "no productivo".
Grupo A – {fdg, nsd, wsd, rsa, isa}: esta categoría está asociada con una alta productividad. Estar en desacuerdo sobre el miedo al COVID19, estar
totalmente en desacuerdo sobre las noticias deprimentes sobre el COVID19 y estar totalmente en desacuerdo sobre el trabajo que ahora es aburrido, todo
ello en relación con la productividad, mejorará las posibilidades de una alta productividad. Por otro lado, según los datos, estar totalmente de acuerdo sobre
una remuneración constante y un fuerte acuerdo sobre el acceso a Internet para impulsar la productividad aumenta las posibilidades de una alta productividad.
Se puede concluir que {fdg, nsd, wsd}, (todos en desacuerdo), están fuertemente y negativamente asociados con una alta productividad, mientras que
8
Cuadro
7 Probabilidad calculada para la categoría de productividad con base en una posible combinación de categorías de factores.
Máximo calculado Combinación correspondiente de
Grupo Categoría de Productividad Probabilidad Categorías de factores
A Muy Productivo (pr3) 0.56184 {fdg, nsd, wsd, rsa, isa} {fsd,

B Productivo (pr2) 0.50967 nsd, wsd, rag, iag} {moda,
C Ligeramente productivo (pr1) 0,47091 fastidio, wag, rsa, idg} {moda,
D No productivo (pr0) 0,46758 fastidio, wsa, rsd, idg}
(mínimo)
{rsa, isa}, (ambos de acuerdo), están fuertemente y positivamente asociados con una alta productividad. De ahí las interpretaciones opuestas.
Además, los dos subgrupos están en lados opuestos del eje horizontal. Todas las categorías de este grupo se encuentran en el lado derecho de la
Dimensión 1. Al vincular el Grupo A a la gráfica, parece que el Grupo 2 de la subsección anterior es un subconjunto del Grupo A.
Grupo B – {fsd, nsd, wsd, rag, iag}: esta categoría está asociada con la productividad. Estar en total desacuerdo sobre el miedo al COVID19, en
total desacuerdo con las noticias deprimentes sobre el COVID19 y en total desacuerdo con el trabajo que ahora es aburrido, todo en lo que respecta
a la productividad mejorará las posibilidades de una alta productividad. Por otro lado, acordar una remuneración continua y acordar Internet (aumentar
la productividad) aumenta las posibilidades de productividad, según los datos. Se puede concluir que {fdg, nsd, wsd}, (todos en desacuerdo), están
fuertemente y negativamente asociados con la productividad, mientras que {rag, iag}, (ambos de acuerdo), están asociados positivamente con la
productividad. Todas las categorías de este grupo se encuentran en el lado derecho de la Dimensión 1. Además, los dos subgrupos están en lados
opuestos del otro eje. De ahí las interpretaciones opuestas. Al vincular el Grupo B con la trama, no hay una inconsistencia obvia entre el Grupo B y el
Grupo A.
Grupo C – {fad, regañar, wag, rsa, idg}: esta categoría está asociada con una ligera productividad. Esta es una combinación débil para mejorar la
productividad. Ni estar de acuerdo ni en desacuerdo sobre el miedo al COVID19, estar de acuerdo sobre las noticias deprimentes sobre el COVID19,
estar de acuerdo sobre el trabajo ahora aburrido y no estar de acuerdo sobre Internet (aumentar la productividad), con respecto a la productividad, no
mejoran las posibilidades de productividad. Sólo rsa, que está totalmente de acuerdo con la remuneración permanente, tiene un efecto sobre la
productividad. Por tanto, el resultado es una productividad ligera (o débil). En cuanto a la trama, cuatro de las cinco categorías están en el lado izquierdo
de la Dimensión 1, mientras que solo rsa está en el lado derecho. Los subgrupos {nag, wag, idg} y {fad, rsa} están en lados opuestos del otro eje, lo
que significa que tienen interpretaciones opuestas, como se hizo anteriormente.
Grupo D – {fad, nag, wsa, rsd, idg}: esta categoría está asociada con ninguna productividad. Esta es una combinación muy débil para mejorar la
productividad. Ni estar de acuerdo ni en desacuerdo sobre el miedo al COVID19, estar de acuerdo sobre las noticias deprimentes sobre el COVID19,
estar totalmente de acuerdo sobre el trabajo que ahora es aburrido, estar totalmente en desacuerdo sobre la remuneración continua y estar en
desacuerdo sobre Internet (aumentar la productividad), todos ellos relacionados con la productividad, no mejoran la posibilidad de productividad alguna.
Por lo tanto, no hay mejora de la productividad en todos ellos. En cuanto a la trama, las cinco categorías están en el lado izquierdo de la Dimensión 1,
apoyando la misma dirección en la que todas han sido interpretadas.
Reflexión
Este análisis consta de dos partes. La primera parte identifica factores que tienen un impacto significativo en la productividad utilizando la
probabilidad del valor p y razones impares. Se aplica una regresión logística múltiple para lograr esta identificación y se identifican cinco factores de
impacto como significativos con un valor de p <0,05.
La segunda parte de este análisis investiga cómo las categorías de los cinco factores significativos están relacionadas o no con las categorías de la
variable de respuesta, la productividad. La investigación de la asociación se realiza a través de CA múltiple cuyo resultado se muestra en la Fig. 2,
analizada anteriormente. Las 25 categorías de los cinco factores significativos y las 4 categorías de la variable de respuesta se reducen a un gráfico
bidimensional, utilizando un criterio de chicuadrado para agruparlos. Podemos identificar aproximadamente SEIS grupos como se discutió. Nótese el
uso cuidadoso de la palabra “asociado” en la interpretación de cada grupo. Este método gráfico es sólo descriptivo.
Se aplican las dos dimensiones y el centro del gráfico para formar un grupo con una de las dimensiones (muy probablemente la que tiene mayor
porcentaje), para comprobar el tipo de asociación con la segunda dimensión. Además, la distancia desde el centro de la trama se aplica para juzgar la
fuerza del grupo. Cuanto más alejado esté un grupo del centro, más fuerte será en términos de asociación.
Por lo tanto, la implicación es que los cinco factores de impacto discutidos (aburrimiento, remuneración, disponibilidad de Internet, miedo al
COVID19 y noticias deprimentes sobre el COVID19) tienen impactos significativos en la productividad de los trabajadores. Además, su salud (física y
mental) también podría verse afectada sustancialmente.
Conclusión
Este estudio evaluó la productividad de los trabajadores en Nigeria durante la pandemia con datos recopilados de 466 encuestados en todo el país.
Se utilizó el análisis de correspondencias múltiples para analizar e interpretar los resultados en seis grupos. Tres de los seis grupos tienen asociación
con un buen nivel de productividad, mientras que los otros tres no. De estos grupos se observa que los cinco factores de impacto –aburrimiento,
remuneración, disponibilidad de Internet, miedo al COVID19 y noticias deprimentes sobre el COVID19– tienen impactos significativos tanto positivos
como negativos en la productividad de los trabajadores. Sin embargo, el acceso a Internet
9
Las instalaciones están más fuertemente asociadas con la productividad laboral durante la pandemia de COVID19. Un análisis adicional utilizó
el modelo logístico para calcular la probabilidad e identificar la probabilidad máxima para cada categoría de productividad en función de cada
combinación posible de las categorías de los cinco factores significativos. La evidencia sugiere que la pandemia de COVID19 es un llamado a
los profesionales a ser dinámicos en la adquisición de habilidades, así como en una capacitación que hará que los trabajadores sean más
productivos, flexibles y adaptables a la cambiante estructura laboral en tiempos de crisis. Además, la motivación y una mayor inversión en
herramientas y servicios de trabajo mejorarán el trabajo en tiempos como este.
Declaración de contribución de autoría CRediT
SAKPERE Wilson: Contribución, Diseño del estudio, Recopilación de datos, Análisis estadístico, Interpretación de datos, Preparación de
manuscritos, Búsqueda de literatura. SAKPERE Aderonke Busayo: Contribución, Diseño del estudio, Recopilación de datos, Análisis estadístico,
Interpretación de datos. OLANIPEKUN Ifedolapo: Contribución, Diseño de estudio, Recopilación de datos, Búsqueda de literatura. YAYA
OlaOluwa Si mon: Contribución: Análisis estadístico, Interpretación de datos.
Declaración de intereses en competencia
Los autores declaran que no tienen conocidos intereses financieros en competencia o relaciones personales que pudieran haber
pareció influir en el trabajo presentado en este artículo.
Reconocimiento
Los autores agradecen al Dr. Theophilus Ogunyemi del Departamento de Matemáticas y Estadística de la Universidad de Oakland, EE. UU.,
por su apoyo y su valiosa contribución al análisis de los datos.
Referencias
[1] OA Adegboye, AI Adekunle, E. Gayawan, Dinámica de transmisión temprana del nuevo coronavirus (COVID19) en Nigeria, Int. J. Medio Ambiente. Res. Salud pública 17 (9) (2020) 1–10,
doi:10.3390/ijerph17093054.
[2] MO Adewole, AP Okekunle, IA Adeoye, OM Akpa, Investigación de la dinámica de transmisión del SARSCoV2 en Nigeria: un enfoque de modelado SEIR,
Ciencia. África. 15 (e01116) (2022) 1–11, doi:10.1016/j.sciaf.2022.e01116.
[3] MO Adewole, AA Onifade, FA Abdullah, F. Kasali, AIM Ismail, Modelando la dinámica de COVID19 en Nigeria, Int. J. Aplica. Computación. Matemáticas. 7 (67) (2021) 1–25, doi:10.1007/
s40819021010145.
[4] AA Akomolafe, A. Maradesa, FA Fadiji, AB Adegoke, TO Yussuf, OO Ogungbola, la pandemia de COVID19 y su dinámica de transmisión temprana en Nigeria, Res. Humano. Soc. Ciencia.
12 (9) (2021) 10–17, doi:10.7176/RHSS/12902.
[5] H. Allcott, L. Boxell, J. Conway, M. Gentzkow, M. Thaler, D. Yang, Polarización y salud pública: diferencias partidistas en el distanciamiento social durante la pandemia de coronavirus, J.
Public Econ. 191 (104254) (2020) 1–11, doi:10.1016/j.jpubeco.2020.104254.
[6] C. Arndt, JD Lewis, La pandemia del VIH/SIDA en Sudáfrica: impactos sectoriales y desempleo, J. Int. Desarrollo. 13 (4) (2001) 427–449, doi:10.1002/jid.
796.
[7] M. Awada, G. Lucas, B. BecerikGerber, S. Roll, Trabajar desde casa durante la pandemia de COVID19: impacto en la productividad y la experiencia laboral de los trabajadores de oficina,
Work 69 (4) (2021) 1171– 1189, doi:10.3233/WOR210301.
[8] HA Baker, SA Safavynia, LA Evered, La 'tercera ola': deterioro cognitivo y funcional inminente en los sobrevivientes de COVID19, Hno. J. Anaesth. 126 (1)
(2021) 44–47, doi:10.1016/j.bja.2020.09.045.
[9] SR Baker, RA Farrokhnia, S. Meyer, M. Pagel, C. Yannelis, ¿Cómo responde el gasto de los hogares a una epidemia? Consumo durante la pandemia de COVID19 de 2020, Serie de
documentos de trabajo de NBER, Documento de trabajo de la Oficina Nacional de Investigación Económica, 2020 No. 26949, doi:10.3386/w26949.
[10] L. Bao, T. Li, X. Xia, K. Zhu, H. Li, X. Yang, ¿Cómo afecta el trabajo desde casa a la productividad de los desarrolladores? Un estudio de caso de Baidu durante el COVID19
pandemia, Imperio. Software. Inglés: ArXiv ePrints (2020) 1–23 https://arxiv.org/abs/2005.13167v2.
[11] RJ Barro, JF Ursúa, J. Weng, El coronavirus y la gran pandemia de influenza: lecciones de la “gripe española” para los efectos potenciales del coronavirus en la mortalidad y la actividad
económica, NBER Working Paper Series, National Bureau of Economic Research Working Documento, 2020 No. 26866, doi:10.3386/ w26866.
[12] AW Bartik, ZB Cullen, EL Glaeser, M. Luca, CT Stanton, ¿Qué trabajos se realizan en casa durante la crisis de COVID19? Evidencia de encuestas a nivel de empresas, Serie
de documentos de trabajo de NBER, Documento de trabajo de la Oficina Nacional de Investigación Económica, 2020 No. 27422, doi:10.3386/w27422.
[13] R. Cui, H. Ding, F. Zhu, Desigualdad de género en la productividad de la investigación durante la pandemia de COVID19, SSRN Electron. J. (2020) 1–25, doi:10.2139/ssrn.
3623492.
[14] M. Del Gatto, A. Di Liberto, C. Petraglia, Medición de la productividad, J. Econ. Sobrevivir. 25 (5) (2011) 952–1008.
[15] S. Dhawan, Aprendizaje en línea: una panacea en tiempos de crisis de COVID19, J. Educ. Tecnología. Sistema. 49 (1) (2020) 5–22, doi:10.1177/0047239520934018.
[16] F. Duarte, S. Kadiyala, SH Masters, D. Powell, El efecto de la pandemia de influenza de 2009 en la ausencia del trabajo, Health Econ. 26 (12) (2017) 1682–
1695, doi:10.1002/hec.3485.
[17] I. Etikan, R. Alkassim, S. Abubakar, Comparación del muestreo de bola de nieve y la técnica de muestreo secuencial, Biom. Biostato. En t. J. 3 (1) (2016) 6–7, doi:10.15406/bbij.2016.03.00055.
[18] R. Green, Análisis y medición de la productividad en el lugar de trabajo, Industria Laboral: J. Soc. Economía. Relacionado. Trabajo 5 (1–2) (1993) 1–15.
[19] A. Guimbeau, N. Menon, A. Musacchio, ¿La bomba brasileña? El impacto a largo plazo de la pandemia de influenza de 1918 al estilo sudamericano, NBER
Serie de documentos de trabajo, Documento de trabajo de la Oficina Nacional de Investigación Económica, 2020 No. 26929, doi:10.3386/w26929.
[20] AG Gupta, CA Moyer, DT Stern, El impacto económico de la cuarentena: SARS en Toronto como estudio de caso, J. Infect. 50 (5) (2005) 386–393, doi:10.1016/
j.jinf.2004.08.006.
[21] EJ Hill, JG Grzywacz, S. Allen, VL Blanchard, C. MatzCosta, S. Shulkin, M. PittCatsouphes, Definición y conceptualización de la flexibilidad en el lugar de trabajo, Com
comunidad, trabajo y familia 11 (2) (2008) 149–163, doi:10.1080/13668800802024678.
[22] M. Honigsbaum, Revisando las pandemias de influenza de 1957 y 1968, Lancet North Am. Ed. 395 (10240) (2020) 1824–1826, doi:10.1016/S01406736(20)
312010.
[23] C. Huang, Y. Wang, X. Li, L. Ren, J. Zhao, Y. Hu, L. Zhang, G. Fan, J. Xu, X. Gu, Z. Cheng, T. Yu , J. Xia, Y. Wei, W. Wu, X. Xie, W. Yin, H. Li, M. Liu,. . . B. Cao, Características clínicas de
pacientes infectados con el nuevo coronavirus de 2019 en Wuhan, China, Lancet North Am. Ed. 395 (10223) (2020) 497–506, doi:10.1016/S01406736(20)301835.
10
[24] G. Johns, Dinámica de asistencia en el trabajo: antecedentes y correlatos del presentismo, ausentismo y pérdida de productividad, J. Occup. Psicólogo de la Salud. 16 (4) (2011) 483–500,
doi:10.1037/a0025153.
[25] J. Kavet, Una perspectiva sobre la importancia de la gripe pandémica, Am. J. Salud Pública 67 (11) (1977) 1063–1070, doi:10.2105/AJPH.67.11.1063.
[26] E. Kim, S. Patterson, La pandemia y la desigualdad de género en el mundo académico, SSRN Electron. J. (2020) 1–19, doi:10.2139/ssrn.3666587.
[27] A. Kramer, KZ Kramer, El impacto potencial de la pandemia de COVID19 en la situación ocupacional, el trabajo desde casa y la movilidad ocupacional, J. Vocat.
Comportamiento. 119 (103442) (2020) 1–4, doi:10.1016/j.jvb.2020.103442.
[28] S. Law, AW Leung, C. Xu, Síndrome respiratorio agudo severo (SARS) y enfermedad por coronavirus2019 (COVID19): de las causas a las prevenciones en Hong
Kong, Internacional. J. Infectar. Dis. 94 (2020) (2020) 156–163, doi:10.1016/j.ijid.2020.03.059.
[29] SA Lone, A. Ahmad, Pandemia de COVID19: una perspectiva africana, Emerg. Los microbios infectan. 9 (1) (2020) 1300–1308, doi:10.1080/22221751.2020.
1775132.
[30] N. Madhav, B. Oppenheim, M. Gallivan, et al., Pandemias: riesgos, impactos y mitigación, prioridades de control de enfermedades: mejorar la salud y reducir la pobreza Jamison DT, Gelband H,
Horton S, et al. , editores, 3.ª edición, Banco Internacional de Reconstrucción y Fomento/Banco Mundial, Washington (DC), 2017 27 de noviembre de 2017. Capítulo 17. Disponible en: https://
www.ncbi.nlm.nih.gov/books/ NBK525302/ , doi:10.1596/9781464805271_cap.17.
[31] MP Ngegba, ET Bangura, SK Moiforay, Impacto del ébola en la productividad agrícola según lo perciben los agricultores y agentes de extensión en Sierra Leona, Glob. J.
Biosci. Biotecnología. 4 (4) (2015) 406–411 https://www.london.edu/think/theeconomicsofapandemic.
[32] M. Nicola, Z. Alsafi, C. Sohrabi, A. Kerwan, A. AlJabir, C. Iosifidis, M. Agha, R. Agha, Las implicaciones socioeconómicas de la pandemia de coronavirus
(COVID19): una revisión, Int. J. Cirugía. 78 (2020) 185–193, doi:10.1016/j.ijsu.2020.04.018.
[33] Centro para el Control de Enfermedades de Nigeria, Informe de situación de COVID19 Informe epidemiológico quincenal sobre COVID19, 2023 https://covid19.ncdc.gov.ng/report/.
[34] F. O'Kelly, S. Sparks, C. Seideman, P. Gargollo, C. Granberg, J. Ko, N. Malhotra, S. Hecht, K. Swords, C. Rowe, B. Whittam, AF Spinoit, A. Dudley, J. Ellison, D. Chu, J. Routh, G. Cannon, P.
Kokorowski, M. Koyle, MS Silay, Una encuesta y un panel de discusión sobre los efectos de la pandemia de COVID19 en la atención urológica pediátrica. productividad, cumplimiento de las
pautas y estrés del proveedor, J. Pediatr. Urol. 16 (4) (2020) 492.e1492.e9, doi:10.1016/j.jpurol.2020.06.024.
[35] P. Ozili, COVID19 en África: impacto socioeconómico, respuesta política y oportunidades, Int. J. Sociol. Soc. Política (2020), doi:10.1108/IJSSP0520200171.
[36] A. Purwanto, M. Asbari, M. Fahlevi, A. Mufid, E. Agistiawati, Y. Cahyono, P. Suryani, Impacto del trabajo desde casa (FMH) en el desempeño de los docentes de Indonesia durante la pandemia de
COVID19 : un estudio exploratorio, Int. J. Adv. Ciencia. Tecnología. 29 (5) (2020) 6235–6244.
[37] P. Ralph, S. Baltes, G. Adisaputri, R. Torkar, V. Kovalenko, M. Kalinowski, N. Novielli, S. Yoo, X. Devroey, X. Tan, M. Zhou, B. Turhan , R. Hoda, H. Hata, G. Robles, A. Milani Fard, R. Alkadhi,
Programación pandémica: cómo afecta COVID19 a los desarrolladores de software y cómo sus organizaciones pueden ayudar, Empir.
Software. Ing. 25 (6) (2020) 4927–4961, doi:10.1007/s1066402009875y.
[38] MZ Sadique, EJ Adams, WJ Edmunds, Estimación de los costos del cierre de escuelas para mitigar una pandemia de influenza, BMC Public Health 8 (135) (2008) 1–7, doi:10.1186/147124588135 .
[39] AB Sakpere, I. Olanipekun, W. Sakpere, IA Ige, Productividad laboral en el período de pandemia y bloqueo de COVID19: una perspectiva del mundo en desarrollo,
Níger. Acad. Ciencia. (Ed. especial COVID19) 13 (1s) (2020) 1–14, doi:10.5423/pngas.v13i1s.213.
[40] AB Sakpere, AG Oluwadebi, OH Ajilore, LE Malaka, El impacto de COVID19 en el rendimiento académico de los estudiantes: un estudio psicosocial que utiliza un modelo de asociación y regresión,
Int. J. Educación. Gestionar. Ing. 11 (5) (2021) 32–45, doi:10.5815/ijeme.2021.05.04.
[41] RO Sakpere, WE Sakpere, OE Awoyemi, Una evaluación de la gestión de residuos electrónicos en la Universidad Obafemi Awolowo, IleIfe, Nigeria, Ife J. Humanit. Soc.
Semental. (IJOHUSS) 1 (2) (2013) 58–71.
[42] H. Seong, HJ Hyun, JG Yun, JY Noh, HJ Cheong, WJ Kim, JY Song, Comparación de la segunda y tercera ola de la pandemia de COVID19 en el Sur
Corea: importancia de la intervención temprana en salud pública, Int. J. Infectar. Dis. 104 (2021) 742–745, doi:10.1016/j.ijid.2021.02.004.
[43] JSC Shiao, D. Koh, LH Lo, MK Lim, YL Guo, Factores que predicen la consideración de las enfermeras de dejar su trabajo durante el brote de SARS, Nurs. Ética 14
(1) (2007) 5–17, doi:10.1177/0969733007071350.
[44] GM Spreitzer, L. Cameron, L. Garrett, Arreglos laborales alternativos: dos imágenes del nuevo mundo del trabajo, Annu. Rev. Org. Psicólogo. Org. Comportamiento. 4 (1) (2017) 473–499, doi:10.1146/
annurevorgpsych032516113332.
[45] D. Spurk, C. Straub, Relaciones laborales y carreras flexibles en tiempos de la pandemia de COVID19, J. Vocat. Comportamiento. 119 (103435) (2020) 1–4,
doi:10.1016/j.jvb.2020.103435.
[46] W. Tan, F. Hao, RS McIntyre, L. Jiang, X. Jiang, L. Zhang, X. Zhao, Y. Zou, Y. Hu, X. Luo, Z. Zhang, A. Lai, R. Ho, B. Tran, C. Ho, W. Tam, ¿Es estresante regresar al trabajo durante la pandemia
de COVID19? Un estudio sobre el estado de salud mental inmediato y las medidas de prevención de la psiconeuroinmunidad de la fuerza laboral china, Brain Behav. Inmune. 87 (2020) 84–92,
doi:10.1016/j.bbi.2020.04.055.
[47] S. Tangen, Desmitificando la productividad y el rendimiento, Int. J. Rendimiento de productividad. Gestionar. 54 (1) (2005) 34–46.
[48] MT Tull, KA Edmonds, KM Scamaldo, JR Richmond, JP Rose, KL Gratz, Resultados psicológicos asociados con las órdenes de quedarse en casa y el
Impacto percibido de COVID19 en la vida diaria, Psychiatry Res. 289 (113098) (2020) 1–6, doi:10.1016/j.psychres.2020.113098.
[49] G. Verikios, M. Sullivan, P. Stojanovski, J. Giesecke, G. Woo, Los efectos económicos globales de la influenza pandémica, en: 14a Conferencia Anual sobre Global
Análisis económico, 2011, págs. 1–41. https://www.gtap.agecon.purdue.edu/resources/res_display.asp?RecordID=3552.
[50] C. Wenham, J. Smith, R. Morgan, COVID19: los impactos de género del brote, Lancet North Am. Ed. 395 (10227) (2020) 846–848, doi:10.1016/
S01406736(20)305262.
[51] Organización Mundial de la Salud, Enfermedad por coronavirus 2019 (COVID19): informe de situación Actualización epidemiológica semanal sobre la COVID19 6 de abril de 2023, 2023
https://www.who.int/publications/m/item/weeklyepidemiologicalupdateoncovid19— 6april2023.
[52] L. Yang, D. Holtz, S. Jaffe, S. Suri, S. Sinha, J. Weston, C. Joyce, N. Shah, K. Sherman, B. Hecht, J. Teevan, Los efectos de trabajo remoto en colaboración
entre los trabajadores de la información, Nat. Tararear. Comportamiento. (2021) 1–12, doi:10.1038/s41562021011964.
[53] T. Ziegler, A. Mamahit, NJ Cox, 65 años de vigilancia de la influenza por una red global coordinada por la Organización Mundial de la Salud, Influenza Other Respir.
Virus 12 (5) (2018) 558–565, doi:10.1111/irv.12570.
11
Helio 9 (2023) e16605
Helión
página de inicio de la revista: www.cell.com/heliyon
Artículo de investigación
Determinantes de la productividad de los seguros de vida sharia en Indonesia
a,* a b
Puji Sucia Sukmaningrum , Achsania Hendratmi , Syadiyah binti Abdul Shukor ,
Mutiara Ramadhani Putri a, Resina Putra Gusti a
a
Facultad de Economía y Negocios, Universitas Airlangga, Indonesia
b
Facultad de Economía y Muamalat, Universiti Sains Islam Malaysia, Malasia
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
Palabras clave: Este estudio examina la productividad y los factores que influyen en la productividad de las empresas de seguros de
Seguro Sharia
vida que cumplen con la Sharia en Indonesia durante seis años, de 2014 a 2019. Se utilizó un índice de productividad
takaful
de Malmquist de dos etapas. La primera etapa examinó la productividad utilizando el método del Índice de Productividad
Seguro de vida
de Malmquist (IPM), mientras que la segunda utilizó el método de regresión de datos de panel para identificar los
Productividad
factores que influyen en la productividad. Esta investigación puede brindar a la gestión de seguros una visión general
Factor total de productividad
Índice de productividad de Malmquist en dos etapas
de sus niveles de productividad y los factores que afectan la productividad. Según los resultados del MPI, las empresas
islámicas de seguros de vida en Indonesia aún no han alcanzado la productividad. La insignificancia de los avances
tecnológicos lo provoca. Las variables de solvencia, tasa de interés, inflación, tipo de cambio e índice de producción
impactan sustancialmente la productividad de las compañías de seguros de vida que cumplen con la Sharia. Las
empresas deben ser conscientes de los elementos que influyen en su nivel de producción.
1. Introducción
El seguro Sharia es una institución financiera que, según los principios de la Sharia, proporciona servicios de gestión de riesgos [1]. Ayudar a los participantes es la
premisa rectora de la gestión de riesgos de seguros de la Sharia [2]. Los seguros son una industria financiera que desempeña un papel vital en la existencia humana pero
que está subordinada a requisitos fundamentales. La primera es a través de la transferencia de riesgo, la fijación de precios basada en el riesgo, etc. Además, la función de
seguro puede estimular la economía de una nación y promover el crecimiento de los participantes y las empresas de la industria [3]. En Indonesia, normalmente existen tres
variedades de seguros sharia: seguro de vida sharia, seguro general sharia y reaseguro sharia.
El seguro de vida es un tipo de seguro que brinda servicios para gestionar los riesgos relacionados con la vida o el fallecimiento de una persona [1]. La Sharia en
seguros dedicará gran parte de los activos de Tabarru a situaciones de alto riesgo. Por tanto, es esencial proporcionar dinero suficiente para hacer frente a las reclamaciones [4].
Recolectar los fondos de Tabarru en una cuenta específica, denominada conjunto de fondos de participantes de 'Tabarru', y los fondos de 'Tabarru' se convertirán
instantáneamente en los activos del grupo [5]. La comprensión pública de la importancia de la autoprotección contribuye al desarrollo de la industria de los seguros de vida.
Las empresas de seguros de vida de la Sharia seguirán expandiéndose porque brindan al público una sensación de confianza en cuanto a la disponibilidad de los fondos
de los participantes en previsión de riesgos futuros [4].
En 2019, la cuota de mercado de seguros islámicos de Indonesia fue del 3,31%, con una tasa de penetración del 0,113%. Indica que la cuota de mercado y la
penetración siguen siendo bajas, lo que va en contra de la intuición dado que la mayoría de la población de Indonesia es musulmana. Este estudio se centra en
organizaciones que ofrecen seguros que cumplen con la Sharia, una necesidad para los clientes que evitan las finanzas no halal.
Los consumidores elegirán el seguro de vida Sharia en lugar del seguro convencional, ya que no incluye Gharar (incertidumbre), Maisir.
* Autor correspondiente.
Dirección de correo electrónico: puji.sucia@feb.unair.ac.id (PS Sukmaningrum).
https://doi.org/10.1016/j.heliyon.2023.e16605 Recibido el 4
de diciembre de 2022; Recibido en forma revisada el 21 de mayo de 2023; Aceptado el 22 de mayo de 2023
Disponible en línea el 24 de mayo de 2023
24058440/© 2023 Los autores. Publicado por Elsevier Ltd. (http:// Este es un artículo de acceso abierto bajo licencia CC BYNCND.
creativecommons.org/licenses/byncnd/4.0/).
PS Sukmaningrum et al. Helio 9 (2023) e16605
(juegos de azar) y Riba (interés) (interés). Por lo tanto, ampliar la calidad de las empresas de seguros de vida islámicas es esencial y puede lograrse impulsando
el desempeño de la Compañía [6].
La productividad es el determinante más crítico del desempeño crucial de una empresa y una de las medidas utilizadas para medir su competitividad [7]. Se
logra una productividad excelente cuando la producción mejora mientras los insumos permanecen constantes [8]. Además de evaluar la productividad, las
empresas deben determinar qué variables afectan la productividad.
Las investigaciones anteriores se han centrado en el rendimiento y la eficiencia de las empresas de seguros islámicas [2]. Y [3] compare la efectividad de la
Sharia y los negocios de seguros de vida convencionales de Indonesia. Utilizando el método de análisis envolvente de datos de dos etapas [9]. [4,10] exploran
la eficiencia y los factores que influyen en la eficiencia del negocio de seguros de la Sharia. Además, algunos estudios examinan la eficacia de las empresas
Takaful en Indonesia [11], Bangladesh [12] y las regiones de Medio Oriente, Norte de África (MENA) y el Sudeste Asiático (ASEAN) [13]. La investigación estudió
la productividad de las empresas de seguros islámicas en Indonesia [3], Malasia [14] e India [15].
Investigaciones anteriores sólo han medido la eficiencia y la productividad. Este estudio llena el vacío al evaluar la productividad utilizando el MPI y los
determinantes del desempeño de los seguros Sharia que pueden influir en la productividad en Indonesia. Este estudio empleó una metodología del Índice de
Productividad de Malmquist de dos etapas para determinar el grado de productividad corporativa y las variables que la afectan.
Inicialmente, la productividad se midió mediante la técnica del Índice de Productividad de Malmquist (IPM). Este indicador mide la productividad de las
empresas para revelar niveles de eficiencia y tecnología [16]. Además, puede utilizarse como herramienta periódica para analizar el cambio de rendimiento [17].
La segunda etapa consistió en probar los factores que influyen en los cambios en la producción. Además de determinar el grado de productividad, esta es una
etapa vital. Porque los hallazgos empíricos que abordan los factores determinantes o los determinantes que impactan los cambios en la productividad brindarán
a las partes relevantes información y asistencia excelente y correcta (Kamarudin et al., 2017).
Además, los determinantes de la productividad se evaluarán mediante regresión de datos de panel. Este estudio también examinó la influencia de siete variables
en los cambios de productividad: tamaño, apalancamiento, solvencia, inflación, tasas de interés, índice de producción y tipos de cambio.
La productividad de los seguros de vida islámicos en Indonesia se correlaciona favorablemente con el tamaño de la empresa. Las empresas más grandes
suelen ser más productivas que las medianas o pequeñas empresas [18,19]. Mientras tanto [20], descubrió una correlación negativa entre el apalancamiento y
la eficiencia en el mercado de seguros distintos de los de vida en Sudáfrica. De manera similar, existe una correlación negativa entre inflación y productividad,
ya que una inflación más alta reduce los ingresos de las empresas. Además, entre 2016 y 2018, los tipos de interés perjudicaron los rendimientos de las
inversiones de las empresas de seguros de la Sharia en Indonesia [21]. Además, [22] descubrió una correlación significativa entre el tipo de cambio y la inversión
en empresas islámicas de seguros de vida.
La investigación se centra en la nueva era para que los resultados reflejen la actualidad. El período de investigación es de 2014 a 2019 porque hubo una
pandemia de COVID19 en 2020. La influencia de Covid19 puede desestabilizar la economía de Indonesia, provocando una recesión económica mundial y una
disminución en el desempeño del sector financiero. Este estudio utiliza el período anterior a la pandemia para obtener los resultados más precisos en cuanto a
eficacia y evitar resultados sesgados. Para poder concentrarse en esto, esta investigación tiene como objetivo:
1. Evaluar el valor del Cambio de Productividad Total de los Factores (TFPCH), Cambio Tecnológico (TECHCH), Cambio de Eficiencia (EFFCH),
Cambio técnico puro (PTECH) y cambio de eficiencia de escala (SECH) en los seguros de vida islámicos de Indonesia
2. Determinar los factores que influyen en la productividad en las empresas de seguros de vida Sharia.
Esta investigación beneficia a las empresas de seguros de la Sharia como un factor a considerar al gestionar los recursos para lograr el mejor rendimiento.
Además, las empresas deben priorizar la productividad y concentrarse en los elementos que influyen en el crecimiento. Rara vez se realizan investigaciones
sobre la productividad de los bancos comerciales islámicos y los factores que influyen en ella. Rara vez se realizan investigaciones sobre la eficacia del seguro
Sharia y los elementos que lo rigen. En consecuencia, este tema de estudio puede investigarse más a fondo.
El resto de este artículo consta de cinco secciones. La sección de revisión de la literatura proporciona una descripción general de los seguros, la
productividad, el IPM y las hipótesis de la sharia. La tercera sección incluye metodología de investigación, fuentes de datos y modelos empíricos. La siguiente
parte discutirá los hallazgos y el análisis, que describe los resultados y analiza cada formulación del problema. El resto analiza conclusiones y sugerencias de
investigación.
2. Revisión de la literatura
Indonesia es un país que tiene la población musulmana más grande del mundo, o casi el 13% de la población musulmana total del mundo. Es
Cuadro
1 Las compañías de seguros de la Sharia en Indonesia para el período 20152019.
Descripción 2015 2016 2017 2018 2019
Compañías de seguros de vida según la Sharia 5 6 7 7 7
Compañías de seguros distintos de los de vida según la Sharia 3 4 5 5 5
Compañías de reaseguros de la Sharia 0 1 1 1 1
Unidad Sharia de Compañías de Seguros de Vida 19 21 23 23 23
Unidad Sharia de Compañías de Seguros No de Vida 24 24 25 24 24
Unidad Sharia de Compañías de Reaseguros 3 2 2 2 2
Total 54 58 63 62 62
Fuente: Autoridad de Servicios Financieros (2019)
2
Se estima que hay 231 millones de musulmanes, o el 86,7% de la población de Indonesia. Indonesia es uno de los contribuyentes más importantes del sudeste asiático a la
contribución bruta del seguro sharia. Implica que el crecimiento de las primas de las empresas de seguros Sharia en Indonesia está aumentando y consolidando su posición
en el mercado de seguros de Indonesia.
Las compañías de seguros de vida Sharia en Indonesia están experimentando la expansión y la expansión global de los seguros Sharia. El
Se fomenta el desarrollo de empresas y unidades de negocios de seguros de vida que cumplan con la Sharia.
El número de empresas de seguros de la Sharia en unidades de negocio y compañías de seguros de la Sharia de pleno derecho aumentó entre 2015 y 2019, como se
muestra en la Tabla 1. En 2019, el número de empresas de seguros de vida de la Sharia de pleno derecho aumentó a siete, mientras que el número de seguros de vida Las
compañías de seguros con unidades de Sharia aumentaron a 23.
2.1. Seguro Sharia
Según la ley indonesia Nº 2 de 1992, el seguro es un contrato entre dos o más partes. Al cobrar las primas del seguro, el asegurador se vincula al asegurado.
Indemnizan al asegurado por pérdidas, daños, lucro cesante y responsabilidad legal frente a terceros. Además, Sharia Insurance tiene la intención de salvaguardar y ayudar
a múltiples personas a través de inversiones. Los activos y los fondos tabarru' ofrecen reembolso de riesgos según la ley islámica (Fatwa No. 21/DSNMUI/X/2001).
En resumen, la esencia del seguro islámico es la protección y asistencia mutua (ta'awun). Además del contrato, la Sharia y los seguros convencionales se diferencian
en la propiedad de los fondos, las primas, los riesgos, las inversiones, las reclamaciones y los beneficios [2]. El fondo tabarru' recauda todas las aportaciones de los
participantes en el seguro islámico. El objetivo de las finanzas de Tabarru es cubrir los riesgos de todos los participantes en los seguros islámicos [23]. Además, cualquier
individuo que posea un seguro sharia puede ser garante de la virtud de todo potencial humano en la sociedad al cultivar ventajas únicas [3].
2.2. Productividad
Una de las formas en que las empresas pueden maximizar sus recursos operativos es aumentando su productividad. El aumento de la productividad puede acelerar el
desempeño de la empresa, la fijación de precios competitivos, la mejora de la calidad del servicio y la expansión de la asignación de recursos (Filippaki et al., 2009). La
empresa se beneficiará de una mayor productividad ya que puede ahorrar dinero en sus operaciones. Estos ahorros de costos ayudarán aún más a la empresa a mejorar
su rentabilidad [7].
2.3. Índice de productividad de Malmquist en dos etapas
La investigación utiliza un enfoque de dos etapas. La primera etapa mide el nivel de productividad de las compañías de seguros islámicas utilizando el
Índice de productividad de Malmquist (IPM). La segunda etapa consiste en medir la influencia de las variables internas sobre la productividad.
La primera etapa, el índice de productividad de Malmquist (IPM), mide la cantidad de productividad de una empresa u organización. Sten Malmquist estableció el Índice
de Malmquist en 1953. Por lo tanto, Caves, Christensen y Diewert (CCD) crearon el Índice de Malmquist en 1982 [16,18,24,25]. El índice de Malmquist se basa en la idea
de la función de producción, que estima la función de producción máxima con insumos limitados. La construcción del índice incluye diferentes resultados: cambio de
eficiencia, cambio tecnológico, cambio de eficiencia pura, cambio de escala económica y cambio de productividad total de los factores (PTF) [26].
La definición sencilla de productividad es la relación entre producción y entrada. El criterio de productividad se refiere al valor añadido de los productos [27]. Además, la
productividad se define como la relación entre la producción total y el promedio de insumos iguales. Al mismo tiempo, la productividad laboral, que calcula la producción total
por unidad de trabajo, y la productividad total de los factores, que mide la producción por unidad del insumo total, son dos alternativas efectivas [3]. Esta relación se
representa como la relación entre el índice de producción y la suma de todos los índices de insumos. Si la relación aumenta, indica que se puede producir más producción
con un cierto número de insumos o que se puede producir más trabajo con menos insumos [3]. La Tabla 2 explica las variables de entrada y de resultado utilizadas en esta
investigación.
2.4. Variables determinantes
En este caso, el tamaño de la empresa se refiere al tamaño de la compañía de seguros y es uno de los factores que definen la eficacia de una compañía de seguros
islámica. Cuanto más pequeña sea la empresa, mayor será la probabilidad de que sea más eficiente a la hora de utilizar los insumos para generar más productos [12]. Las
grandes empresas suelen tener recursos superiores, costos de transacción más baratos y una excelente resistencia a la competencia y a los shocks económicos. En otras
palabras, las empresas grandes o con activos sustanciales suelen ser más eficientes [28]. Así, el aproximado
Tabla 2
Variables de entrada y salida.
variables Fórmula
Equidad Capital total proporcionado en el informe financiero
Gastos totales Costos operativos generales + Gastos totales de seguro
Inversión total Inversiones realizadas por la Compañía en total
Beneficio total Ganancias empresariales más excedente del fondo del tabarru
Ingresos totales de inversión Ingresos relacionados con inversiones obtenidos por la Compañía
Fuente [2].
3
La fórmula para el tamaño del banco es el logaritmo natural de los activos totales:
Tamaño = ln(Activo total) (1)
H1. El tamaño de las empresas tiene un efecto muy favorable en la productividad de los seguros de vida Sharia en Indonesia.
El aumento del apalancamiento financiero aumenta la exposición al riesgo de las empresas de seguros [29]. Hasta cierto punto, el crecimiento del apalancamiento es
ventajoso para la empresa, pero más allá de ese punto, aumenta la probabilidad de problemas financieros [30]. La fuerza elevada dificulta que las compañías de seguros
satisfagan las necesidades de capital a bajo costo [15]. [20] reveló una correlación negativa entre potencia y eficiencia en el mercado de seguros distintos de los de vida en
Sudáfrica. La ecuación para el índice de apalancamiento es la siguiente:
Deuda total
Apalancamiento = (2)
Activos totales
H2. El apalancamiento tiene un efecto favorable sustancial sobre el nivel de productividad de los seguros de vida Sharia en Indonesia.
El índice de solvencia evalúa la capacidad de una compañía de seguros para descubrir fuentes de fondos para financiar sus operaciones o como una herramienta para
identificar la riqueza del seguro para determinar la eficiencia de la gestión de seguros. Este ratio evalúa la capacidad de la empresa para cumplir con sus pasivos a largo plazo
en caso de liquidación [9]. En el sector asegurador, el índice de solvencia es uno de los indicadores más importantes de la salud de una empresa. Los seguros son una industria
algo impredecible pero predecible. Esto se debe a que los participantes en el seguro de vida Sharia pueden presentar reclamaciones en cualquier momento y la compañía de
seguros debe pagarlas. Por tanto, este ratio es esencial para que los participantes y otras partes interesadas tengan confianza en que la compañía de seguros puede pagar por
sus derechos [31].
La fórmula para el ratio de solvencia es la siguiente:
Tasa de Solvencia Total
Solvencia = (3)
(Fondos totales necesarios para anticipar el riesgo de pérdida que pueda
surgen debido a desviaciones en la gestión de activos)
H3. El índice de solvencia tiene un efecto favorable sustancial sobre el nivel de productividad de los seguros de vida Sharia en Indonesia.
La inflación es un fenómeno monetario prevalente a nivel mundial. El aumento de la inflación resultará en una disminución de los ingresos de la Compañía. Bajo la
administración del fondo de Tabaru, aumentan las reclamaciones de los participantes y los cargos por gestión de seguros. Supongamos que la participación del participante
agregada por los gastos de administración del seguro excede los ingresos del seguro, o hay un déficit del fondo de suscripción tabarru'. En ese caso, afectará los ingresos de la
Compañía. Como la participación en los beneficios recibida es menor que en la situación anterior, la confianza del participante en la empresa disminuirá si los ingresos
disminuyen [22]. Los datos sobre inflación se obtienen del Banco de Indonesia.
H4. La inflación tiene un efecto sustancialmente favorable sobre la productividad de los seguros de vida Sharia en Indonesia.
Según las conclusiones de un estudio sobre las empresas de seguros de la Sharia en Indonesia en 20162018, las tasas de interés tuvieron un impacto negativo considerable
en los rendimientos de las inversiones de las compañías de seguros de la Sharia en 20162018 [21]. El tipo de interés es una de las variables macroeconómicas que los
inversores consideran a la hora de asignar capital. Los cambios en las tasas de interés pueden influir en la variabilidad del rendimiento de una inversión. A medida que el costo
del capital aumenta con un aumento en la tasa de interés, la motivación del público para invertir disminuirá [21]. Este estudio utiliza la tasa BI como tasa de interés. La información
sobre las tasas de interés se recopila del Banco de Indonesia.
H5. La tasa de interés afecta sustancialmente la productividad de los seguros de vida Sharia en Indonesia.
El índice de producción es un índice de volumen desarrollado para evaluar el crecimiento mensual, trimestral y anual de la producción industrial de un país [32]. Este índice
suele estar diseñado para medir el aumento y la caída de los resultados de producción [33]. El índice de producción se puede aproximar utilizando el crecimiento del producto
interno bruto (PIB). Además, el crecimiento económico mejorará los rendimientos de la cartera de inversiones, lo que influirá en la rentabilidad de las empresas de seguros.
Además, el aumento de la rentabilidad mejorará la eficacia de las empresas de seguros [34,35]. Bank Indonesia proporciona información sobre el índice de producción.
H6. El índice de producción tiene un efecto favorable sustancial en la productividad de los seguros de vida Sharia en Indonesia.
Según la Ref. [36], el tipo de cambio representa la cantidad de dinero nacional necesaria para comprar una unidad de moneda extranjera. En teoría, el impacto de las
variaciones de los tipos de cambio sobre las inversiones es impredecible. Además, una caída a corto plazo del tipo de cambio de la rupia restringirá la inversión de absorción
interna. Un tipo de cambio de la rupia más sustancial aumentará los precios en general y reducirá la demanda interna, lo que hará que las empresas reduzcan su asignación de
capital para inversión [22]. La información sobre el tipo de cambio se deriva del Banco de Indonesia.
H7. El tipo de cambio tiene un efecto favorable sustancial en la productividad de los seguros de vida Sharia en Indonesia.
3. Metodología
3.1. Datos
Este estudio utilizó datos secundarios en forma de estados financieros de empresas de seguros de vida Sharia en Indonesia durante los años
4
2014–2019, el cual se puede encontrar en los sitios web de cada Sociedad postauditoría.
3.2. Muestra
Las muestras se determinaron mediante la técnica de muestreo intencional. Los criterios de muestra requeridos consistieron en empresas de seguros de vida Sharia
con datos positivos completos relacionados con las variables empleadas entre 2014 y 2019. Diez compañías de seguros de vida islámicas sirvieron como ejemplos para
este estudio en Indonesia.
3.3. Método
El enfoque cuantitativo utilizó dos métodos de investigación: el método no paramétrico y el método paramétrico. El Índice de Productividad de Malmquist (IPM) se
utilizó como herramienta no paramétrica para cuantificar el nivel de productividad de las empresas islámicas de seguros de vida en Indonesia. Al probar el índice de
Malmquist, el estudio utilizó una orientación de producción basada en la premisa de que las empresas islámicas de seguros de vida desean obtener numerosos
resultados para un insumo fijo [7,18,25]. Además, se eligió el enfoque de intermediación porque describe con precisión el papel natural de las instituciones financieras
[37].
El modelo paramétrico de este estudio utilizó regresión de datos de panel con la herramienta Eviews 9. Se cree que este método reduce la cantidad de errores en el
estudio, ya que evalúa los factores que influyen en los cambios en la productividad de las empresas de seguros de vida islámicas de Indonesia.
Los datos de panel consistieron en datos transversales y de series temporales de 2014 a 2019.
Este estudio utilizó capital, gasto total e inversión total como variables de entrada. Por el contrario, la ganancia total y el ingreso por inversiones funcionaron como
variables de producción. Se aplicó el índice de Malmquist a los cinco factores para determinar el nivel de productividad de las empresas de seguros islámicas en
Indonesia y Malasia. Después de eso, se realizaron pruebas adicionales para determinar TECHCH, PTECH y SECH.
3.4. Índice de productividad de Malmquist
Este estudio midió la productividad evaluando el cambio en el valor del cambio de productividad total de los factores (TFPCH). TFPCH comprende el Cambio
Tecnológico (TECHCH), que demuestra la aplicación de la tecnología y la innovación, y EFFCH, que refleja la efectividad de la Empresa (maximizar el rendimiento que
se puede generar con los Insumos que tiene). Mientras tanto, EFFCH está compuesto por Pure Technical Efficiency Change (PTECH), que demuestra la capacidad
operativa organizacional de las empresas, y Scale Efficiency Change (SECH), que refleja la condición de las empresas en la posición más eficiente [ 18,38 ,39]. [25,38]
describen el vínculo entre estos índices en el siguiente gráfico (ver Fig. 1):
La imagen anterior ilustra la relación entre los componentes del índice de Malmquist [18,38]. proporcione la siguiente descripción del índice de Malmquist:
1. TFPCH es el valor final que determina si una Unidad de Toma de Decisiones (DMU) experimentará una mejora de productividad o
reducción.
2. TECHCH es un indicador del proceso productivo que mide la utilización de la tecnología y la innovación.
3. EFFCH indica la capacidad de la Empresa para optimizar la producción a partir de diversos insumos accesibles.
4. PTECH es una medida de la capacidad de gestión operativa de la Compañía.
El índice de Malmquist examinó la productividad total de los factores y sus componentes. Una empresa se considera productiva si su PTF excede uno
(1). Las siguientes son formulaciones de productividad [38,40]:
Fig. 1. Interacción de los índices de
desempeño Fuente: Fukuyama (1995); Kamarudin et al. (2017).
5
Dt+1
(xt+1, yt+1) Dt o(xt , yt )
(4)
oh
Mes ( xt+1 , yt+1 , xt , yt ) =

Dt o(xt , yt ) X [ X Dt+1
oh (xt , yt ))]½
Notas:
Mo = Índice de Malmquist (IM).
Do = Función de distancia. xt
= La entrada de hora actual. xt + 1 =
Entrada para el siguiente período. yt = salida de la
hora actual. yt + 1 = Salida del intervalo
posterior.
Según Fukuyama (1995) y George Assaf, Barros y Matousek (2011) Según:
MI = CE X TC (5)
Notas:
MI = Variación de la producción total.
EC = Variación en la eficiencia global.
TC = Cambio técnico entre t1 y t2.
MI > 1 Eficiencia mejorada.
MI < 1 Reducción de productividad.
MI = 1 La producción está paralizada.
Dónde:
Dt+1
0 (xt+1, yt+1)
CE = (6)
Dt0 (xt , yt )
Dt0 (xt , yt )
(7)
CT = [ X Dt+1
0 (xt , yt ) ) ] ̂(½)
La productividad total o Productividad Total de los Factores (PTF) es la relación concurrente entre varios insumos y productos. La relación entre el índice de producción y
el índice agregado de insumos expresa esta relación. Si la proporción aumenta, sugiere que se crea más trabajo con una determinada cantidad de insumos o que se pueden
generar varios productos con menos insumos [41].
3.5. Regresión de datos de panel
El objetivo de esta investigación de regresión de datos de panel fue evaluar la productividad de las compañías de seguros de vida de la Sharia de Indonesia. Este estudio
utilizó varias variables independientes, datos de series de tiempo e información transversal. Por lo tanto, se favoreció la regresión de datos de panel. Los datos de panel
combinan datos de series temporales con datos transversales. Normalmente, los datos de series temporales constan de un único objeto que abarca numerosos períodos. Los
datos cruzados constan de múltiples cosas y datos para un período determinado. El modelo de regresión describe el vínculo variable entre los factores financieros y no
financieros y el desarrollo de productos de seguros de vida de la Sharia de Indonesia. Así es como podría escribirse el modelo de estimación:
TF = βi + TFPCHit = βi + β1lnTamañoit + β2Apalancamientoit + β3Solvanciait + β4Inflaciónit + β5Tipo de Interésit + β6PIit + β7lnTipo de Cambioit + e
(8)
Notas:
TFPCH: Nivel de productividad del seguro de vida Sharia β:
Vector de coeficientes
i: sección transversal
t: serie temporal
e: variable de error.
4. Resultado de los datos
4.1. Productividad de las compañías de seguros de vida de la Sharia de Indonesia
Durante el período de investigación, la productividad de las empresas de seguros de vida islámicas en Indonesia fluctuó. Entre 2014 y 2017, las empresas de seguros de
vida de la Sharia de Indonesia operaron de manera ineficiente. La productividad más baja se produjo en 20172018, lo que representó una disminución del −27,3% (0,727).
Este hecho se debió a una reducción en la utilización de la tecnología como producto y servicio innovador por parte de las empresas de seguros de vida de la Sharia
(puntuación TECHCH inferior a uno). Por el contrario, las empresas de seguros de vida Sharia en Indonesia pudieron operar productivamente en 20182019 y alcanzaron el
valor de productividad más alto durante el período de estudio, 32,6%. (1326). El Cuadro 3 muestra el aumento de los indicadores de cambio tecnológico.
Como lo demuestra la puntuación de 1 del TFPCH, hubo una disminución general en la productividad de las empresas de seguros de vida islámicas en Indonesia. PT
AXA Financial Indonesia es la aseguradora de vida más productiva que cumple con la Sharia. Está indicado por la Compañía
6
logro de una a tres veces durante el período de investigación. Además, la productividad de PT AXA Financial Indonesia en 20142015 fue del 150,8%.
PT Great Eastern Indonesia Life tiene el valor de productividad más bajo entre las compañías de seguros de la Sharia. En 20142015 y 20172018, las tasas de improductividad
más bajas de la empresa fueron del 73,2% y el 60,5%, respectivamente. PT Great Eastern Life se convirtió en la empresa de seguros indonesia con el valor de productividad más bajo.
Factores que influyen en la productividad de las compañías de seguros de vida Sharia en Indonesia.
Basado en la prueba del modelo, se utilizó un modelo de efecto estándar con la variable de cambio de productividad total de los factores (TFPCH) como variable dependiente.
variable se obtuvo en la Tabla 4.
Según la ecuación de regresión dada, la influencia de las variables independientes sobre la variable constante es 122,4598. Cuando el tamaño, el apalancamiento, la solvencia,
la inflación, las tasas de interés, el PI y el tipo de cambio sean estables o cero, la producción del TFPCH aumentará en 122,4598 unidades. El valor de R cuadrado en los resultados
de la observación anterior es 0,6111, lo que indica que las variables tamaño, apalancamiento, solvencia, inflación, tasas de interés, PI y tipo de cambio tienen un impacto simultáneo
del 6,11% en la productividad del seguro de vida islámico en Indonesia. .
4.2. La influencia del tamaño en la productividad
La probabilidad estadística t de la variable tamaño es 0,4032. Indica que la variable tamaño tiene poco impacto sobre la variable TFPCH. Además, los hallazgos de este estudio
indican que el tamaño de una compañía de seguros de la Sharia de Indonesia tiene poca relación con su productividad.
4.3. Impacto de la capitalización en la productividad
El valor de probabilidad del estadístico t para la variable de apalancamiento es 0,4603. Precisa que el impacto de la variable apalancamiento sobre la variable TFPCH es
insignificante. Además, un elevado endeudamiento aumentará los gastos de la compañía de seguros, que se deducirán antes de la imposición del impuesto de sociedades. Por lo
tanto, el impuesto debe reducirse y la ganancia restante debe ser excedente. Cuanto mayor sea la dependencia de la empresa de la deuda corporativa, mayor será su rentabilidad [42].
4.4. Efecto de la estabilidad financiera sobre la productividad
El valor de probabilidad del estadístico t para la variable de solvencia es 0,0121 con un nivel de significancia de 0,05. Precisa que la variable solvencia influye significativamente
en la variable TFPCH. La solvencia tiene un impacto positivo en la producción empresarial. El coeficiente de la variable solvencia es 4.90E06, lo que indica que un cambio de
aproximadamente 1 unidad aumentará a 4.90E06 unidades en la variable TFPCH.
El índice de solvencia mide la capacidad de una compañía de seguros para encontrar fuentes de fondos para financiar sus actividades o como herramienta de medición para
identificar la riqueza del seguro para determinar la gestión del seguro. Este ratio mide la capacidad de una empresa para liquidar sus obligaciones a largo plazo. Cuanto mayor sea el
ratio de solvencia, mayor será el riesgo y la posibilidad de obtener beneficios. Al expandirse, las compañías de seguros de vida islámicas requieren deuda como capital adicional. Por
lo tanto, el alto índice de solvencia también puede impulsar la productividad de los seguros de vida islámicos en Indonesia [9].
Un índice de solvencia mide la salud financiera de una aseguradora y comúnmente se interpreta como la capacidad de una aseguradora para pagar reclamaciones. Por tanto,
cuanto mayor sea el ratio, mejor será la salud financiera de la aseguradora. Los asegurados que estén dispuestos a pagar una prima por seguridad pueden preferir estas
aseguradoras, lo que puede tener un impacto positivo en la rentabilidad de la aseguradora [43].
4.5. El impacto de la inflación en la productividad
La variable inflación tiene un nivel de significancia de 0,05 y un valor de probabilidad del estadístico t de 0,0000. Describe cómo la variable inflación influye significativamente en
la variable TFPCH. El coeficiente de la variable inflación es − 0,469843, por lo que un cambio de 1 unidad dará como resultado
Cuadro 3
Observaciones sobre las compañías de seguros de vida de la sharia de Indonesia realizadas por el MPI de 2014 a 2019.
No Compañías 20142015 20152016 20162017 20172018 20182019
1 PT AIA Financiera 0,653 2.471 1.022 0,774 1.387

2 PT Asuransi Allianz Vida Indonesia 0.880 0,762 0,874 0,846 1.735
3 PT Asuransi Jiwa Manulife Indonesia 0,977 0,723 1.070 0.733 1.441
4 PT Asuransi Jiwa Syariah AlAmin 0,868 0.890 0.843 0.916 1.048
5 PT Asuransi Takaful Keluarga 0,979 0,868 0.924 0.955 1.200
6 PT AXA Financiera Indonesia 2.508 0,792 1.080 0,625 1.543
7 Seguro de vida PT BNI 0.971 0.913 0,875 0,493 1.568
8 PT Gran Vida Oriental 0.268 1.335 1.129 0,395 1.463
9 PT Panin DaiIchi Vida 0,899 1.181 0.700 0.830 0.989
10 Seguro de vida prudencial PT 0.934 0,666 0.740 0.973 1.103
Significar 0,875 0.978 0,915 0,727 1.326
Fuente: Datos procesados DEAP 2.1
7
Tabla 4
Resultados de la regresión de datos de panel.
Variable Coeficiente Estándar Error estadística t Prob.
C 122.4598 10.81618 11.32191 0.0000

Tamaño interior 0.014306 0.016976 0,842725 0.4032
Aprovechar − 0,001029 0.001383 − 0,743872 0.4603
Solvencia 4.90E06 1.89E06 2.599795 0.0121
Inflación − 0,469843 0.028786 − 16.32165 0.0000
Tasa de interés 0.167739 0.034804 4.819494 0.0000
Pi 0.027677 0.003871 7.150692 0.0000
En tipo de cambio − 13.12051 1.199408 − 10.93916 0.0000
Rcuadrado 0.611134
Prob (estadística F) 0.000000
La ecuación para el modelo de regresión es la siguiente: MPI = 122.4598 +
0.014306lnSizeit – 0.001029Apalancamientoit + 4.90E06Solvenciait – 0.469843Inflaciónit + 0.167739Interestrateit + 0.027677PIit – 13.12051Exchangerateit + e .
Fuente: Evaluaciones procesadas 9
una disminución de hasta −0.469843 unidades para la variable TFPCH. Los ingresos de las compañías de seguros de vida islámicas disminuirán si la inflación es alta.
Tras la gestión de fondos de tabaru, aumentan las reclamaciones de los participantes y los gastos de gestión de seguros. Los ingresos de la empresa se verán afectados
si estos factores son más importantes que los ingresos por seguros o un déficit en la suscripción de fondos tabarru. Si los ingresos de la empresa disminuyen, los
participantes e inversores tendrán menos fe en el negocio porque recibirán menos participación en las ganancias que antes. Además, la elevada inflación aumentará el
riesgo de las compañías de seguros de vida Sharia, lo que provocará una disminución de la productividad de la empresa [22].
4.6. El efecto de la tasa de interés sobre la productividad
El valor de probabilidad del estadístico t para la variable tasa de interés es 0,0000 con un nivel de significancia de 0,05. Describe cómo la variable tasa de interés
afecta significativamente a la variable del TFPCH. Además, la variable tasa de interés tiene un valor de coeficiente de 0,167739 lo que significa que si hay un cambio de
1 unidad, la variable TFPCH aumentará en 0,167739 unidades.
La tasa de interés es uno de los factores más críticos para las compañías de seguros, ya que refleja el retorno de los fondos de inversión que recibirá la empresa.
La tasa de interés más alta aumentará la rentabilidad de la compañía de seguros y mejorará los beneficios para los asegurados. En otras palabras, un aumento de las
tasas de interés aumentará la demanda de servicios de seguros. Cuanto mayor sea la demanda de seguros, más productiva será la aseguradora [44].
4.7. El efecto del índice de producción sobre la productividad.
El valor de probabilidad del estadístico t para la variable PI es 0,0000 con un nivel de significancia de 0,05. Muestra que la variable PI afecta sustancialmente a la
variable TFPCH. La variable PI tiene un valor de coeficiente de 0,027677, lo que indica que un cambio de 1 unidad aumentará a 0,027677 unidades para la variable
TFPCH.
El Producto Interno Bruto puede ser un indicador del Índice de Producción (PIB). El PIB es una medida del crecimiento económico de una nación.
Además, el PIB describe el estado financiero de una nación durante un período determinado. Como se refleja en el crecimiento del PIB, un entorno económico excelente
estimulará el retorno de la inversión. El rendimiento de la inversión es directamente proporcional a los cambios en el PIB. El aumento del PIB de un país estimulará las
actividades de inversión, como las inversiones en seguros de vida Sharia y otras empresas que actúan como inversores. En consecuencia, las empresas islámicas de
seguros de vida se han vuelto más productivas [22,45].
4.8. Impacto del tipo de cambio de moneda en la productividad
La variable tipo de cambio tiene un nivel de significancia de 0,05 y un valor de probabilidad del estadístico t de 0,0000. Describe cómo la variable tipo de cambio
influye significativamente en la variable TFPCH. El coeficiente de la variable tipo de cambio es −13.12051, lo que indica que por cada cambio de 1 unidad en la variable
tipo de cambio, la variable TFPCH disminuirá en −13.12051 unidades.
La fluctuación constante del tipo de cambio de la rupia frente a las monedas extranjeras tendrá un impacto significativo en el clima de inversión nacional [21]. En
teoría, el impacto de los cambios en el tipo de cambio sobre la inversión es incierto. El fuerte tipo de cambio de la rupia aumentará los precios y, en consecuencia,
reducirá la demanda interna, lo que hará que las empresas reduzcan su asignación de capital de inversión. Esto hace que las compañías de seguros de vida Sharia sean
ineficaces [22].
5. Conclusión
El objetivo de medir la productividad de las compañías de seguros de vida islámicas en Indonesia era determinar el nivel de productividad alcanzado por cada
empresa para impulsar su competitividad en la industria financiera islámica, particularmente en el sector de seguros de la Sharia. Teniendo en cuenta la cuota de
mercado relativamente pequeña de los seguros de vida que cumplen con la Sharia en Indonesia, los seguros de vida que cumplen con la Sharia
8
las empresas deben operar eficientemente. Además, se analizaron los determinantes de la productividad de los seguros de vida Sharia para determinar qué factores pueden
influir en el aumento de la productividad de las compañías de seguros de vida Sharia. Al centrarse en estos factores, se prevé que la productividad de las compañías de
seguros de vida islámicas sobresaldrá en términos de competitividad.
Los hallazgos de este estudio indican que la tendencia TFPCH de las empresas islámicas en Indonesia fluctuó a lo largo del período de investigación. Sin embargo, las
compañías islámicas de seguros de vida en Indonesia generalmente no pueden operar de manera rentable porque el valor del TFPCH es negativo. Para ser productivas, las
compañías de seguros de vida que cumplen con la sharia en Indonesia pueden comenzar a utilizar rápidos avances tecnológicos e introducir nuevas ideas. Por lo tanto, se
prevé que las empresas se vuelvan más avanzadas y productivas al establecer innovación en el sector tecnológico.
Este estudio también indica que las variables internas y externas que influyen en la productividad de las compañías de seguros de vida islámicas en Indonesia son la
solvencia, la inflación, la tasa de interés, el índice de producción y el tipo de cambio. En vista de esto, la gestión de las compañías de seguros de vida islámicas en Indonesia
debe centrarse en estos factores para impulsar la productividad de las empresas.
Esta investigación contribuye a numerosas publicaciones empíricas y de partes interesadas. Para que la industria de seguros de vida Sharia de Indonesia siga siendo
competitiva, los reguladores pueden elaborar regulaciones. En segundo lugar, para las empresas a la hora de determinar el potencial de los recursos de la empresa para
mejorar la productividad. En tercer lugar, para el público en general, este estudio servirá como fuente de información para aquellos interesados en el análisis de la
productividad y el crecimiento de la industria de seguros de vida Sharia.
Además, los reguladores deben prestar atención a las variables macroeconómicas para mantener la estabilidad y fomentar un entorno competitivo para la industria
aseguradora islámica. Este estudio utilizó sólo variables internas. Es un estudio preliminar para académicos e investigadores, y existen numerosas oportunidades para que
investigaciones futuras exploren o empleen variables de investigación adicionales. Se recomienda a los futuros investigadores que utilicen las macrovariables recomendadas
para esta investigación.
Declaración de contribución del autor
Puji Sucia Sukmaningrum: Concibió y diseñó el análisis; Escribió el periódico.
Achsania Hendratmi y Syadiyah binti Abdul Shukor: analizaron e interpretaron los datos; Escribió el periódico.
Mutiara Ramadhani y Rosin Putra Gusti: herramientas de análisis o datos aportados; escribió el periódico.
Declaración de disponibilidad de datos
Datos incluidos en artículo/suplemento. material/referenciado en el artículo.
Información adicional
No hay información adicional disponible para este documento.
Declaración de intereses contrapuestos
Los autores declaran que no tienen conocidos intereses financieros en competencia o relaciones personales que pudieran haber parecido
influyen en el trabajo reportado en este artículo.
Referencias
[1] MS Sula, Asuransi Syariah (Vida y general): Konsep Dan Operasional, Gema Insani Press, Yakarta, 2004.
[2] YF Astuti, N. Suprayogi, Perbedaan Efisiensi Perusahaan Asuransi Jiwa Syariah dan Konvensional di Indonesia con el método de análisis envolvente de datos
(DEA), J. Ekon. SyariahTeori dan Terap. 4 (8) (2017) 668–683, https://doi.org/10.1016/j.sbspro.2015.04.758.
[3] O. Suryoaji, EF Cahyono, Komparasi Efisiensi & Produktivitas Perusahaan Asuransi Jiwa Konvensional dan Syariah di Indonesia pada Tahun 20142017,
dengan Pendekatan DEA & Indeks Malmquist, J. Ekon. Shariah Teor. dan Terap. 6 (9) (2019) 1877–1893.
[4] U. Benarda, Sumarwan, MN Hosen, Tingkat efisiensi industri asuransi jiwa syariah menggunakan pendekatan análisis envolvente de datos en dos etapas, J. Apl.
Bisnis dan Manaj. 2 (1) (2016), https://doi.org/10.17358/jabm.2.1.64, 64–64.
[5] N. Puspitasari, Model Proporsi Tabarru' dan Ujrah pada Bisnis Asuransi Umum Syariah di Indonesia, J. Akunt. Dan Keuang. Indonesia. 9 (1) (2012) 43–55,
https://doi.org/10.21002/jaki.2012.03.
[6] Basri, Sistem Yang Tepat Untuk Menilai Kinerja Karyawan Dan Meningkatkan Daya Saing Perusahaan. Yakarta: PT, Raja Grafindo Persada, 2016.
[7] JM Pitaloka, N. Cholis, A. Islamiyah, ZB Pambuko, Determinan Produktivitas Sosial Perbankan Syariah di Indonesia: Índice de productividad de Malmquist en dos etapas,
Li Falah J. Stud. Ecón. dan Bisnis Islam 3 (1) (2018) 36–50.
[8] Tarwaka, Dkk, Ergonomi Untuk Keselamatan, Kesehatan Kerja Dan Produktivitas, Uniba Press, Surakarta, 2005.
[9] N. Fauziah, H. Mulyati, WJ Ermawati, La medición de la eficiencia y los factores que afectan la eficiencia de los seguros de la sharia en Indonesia, J. Apl. Manaj. 18 (2) (2020)
219–231, https://doi.org/10.21776/ub.jam.2020.018.02.02.
[10] E. Arianty, A. Ghoni, La eficacia SPINOFF del seguro sharia en Indonesia: análisis de la eficiencia y los criterios, J. Ekon. dan Bisnis Islam (Revista
Islam. Economía. Negocios) 8 (1) (2022) 96–120, https://doi.org/10.20473/jebis.v8i1.31800.
[11] MB Sabiti, J. Effendi, T. Novianti, Efisiensi Asuransi Syariah di Indonesia Efisiensi Asuransi Syariah di Indonesia dengan pendekatan Data Envelopment
Análisis de la eficiencia de los seguros islámicos en Indonesia mediante el análisis envolvente de datos, AlMuzara'ah 5 (1) (2017) 69–87.
[12] J. Islam, A. Rahman, ZH Bhuiyan, Medidas de eficiencia en la industria takaful de BangladeshUn enfoque sin enfoque de Bangladesh, Eur. J. Autobús. Gestionar. Especificaciones. Asunto
Islam. Gestionar. Autobús. 5 (11) (2013) 163–173.
[13] Y. Karbhari, I. Muye, AFS Hassan, M. Elnahass, Mecanismos de gobernanza y eficiencia: evidencia de un mercado de seguros alternativo (Takaful), J. Int.
Finanzas. Marca. Instituciones Dinero 56 (2018) 71–92, https://doi.org/10.1016/j.intfin.2018.02.017.
[14] PS Sukmaningrum, A. Hendratmi, SA Rusmita, S. Abdul Shukor, Análisis de productividad del takaful familiar en Indonesia y Malasia: enfoque del índice de productividad de Malmquist, J.
Islam. Cuenta. Autobús. Res. 13 (4) (2022) 649–665, https://doi.org/10.1108/JIABR0320210097.
9
[15] AM Ilyas, S. Rajasekaran, Una investigación empírica de la eficiencia y la productividad en el mercado indio de seguros distintos de los de vida, Benchmarking An Int. J.26 (7)
(2019), https://doi.org/10.1108/BIJ0120190039.
[16] AS Rusydiana, Indeks Malmquist untuk Pengukuran Efisiensi dan Produktivitas Bank Syariah di Indonesia, J. Ekon. Pembang. 26 (1) (2018) 47–58, https://doi. org/10.14203/
jep.26.1.2018.4758.
[17] LN Rani, T. Widiastuti, AS Rusydiana, Análisis comparativo de la productividad de los bancos islámicos y los bancos convencionales en Indonesia durante el período 20082016, Iciebp, en:
Primera Conferencia Internacional sobre Economía, Negocios y Filantropía Islámica, ICIEBP), 2017, págs. 118–123, https://doi.org/10.5220/0007077901180123.
[18] F. Kamarudin, ZH Chiun, F. Sufian, N. Aina, M. Anwar, ¿La productividad de los bancos islámicos soporta el progreso o el retroceso? Evidencia empírica utilizando el análisis
envolvente de datos basado en el índice de productividad de Malmquist, Humanomics 33 (1) (2017), https://doi.org/10.1108/H0820160059.
[19] A. Jreisat, H. Hassan, S. Shankar, Determinantes del cambio de productividad del sector bancario en Egipto, Res. Finanzas. 34 (1) (2018) 89–116, https://doi.org/
10.1108/S0196382120170000034011.
[20] AL Alhassan, N. Biekpe, Eficiencia, productividad y rendimientos de las economías de escala en el mercado de seguros distintos de los de vida en Sudáfrica, en: Geneva Papers on Risk and
Seguros: problemas y práctica, 2015, págs. 1 a 23, https://doi.org/10.1057/gpp.2014.37.
[21] D. Wulandari, Pengaruh Tingkat Suku Bunga (tasa BI), Tingkat Inflasi, dan Nilai Tukar Rupiah terhadap Hasil Investasi Perusahaan Asuransi Syariah di Indonesia Tahun 20162018,
Universitas Muhammadiyah Surakarta, 2020.
[22] FD Zein, A. Shofawati, Kondisi Makro Ekonomi Terhadap Hasil Investasi Asuransi Jiwa Syariah di Indonesia, J. Ekon. Shariah Teor. dan Terap. 4 (10) (2017)
773, https://doi.org/10.20473/vol4iss201710pp773786.
[23] HD Mapuna, Asuransi jiwa syariah: konsep dan sistem operasionalnya, AlRisalah 19 (1) (2019) 159–166.
[24] R. Bahrini, Productividad de los bancos islámicos de MENA: un enfoque de índice de Malmquist iniciado, Int. J. Islam. Gerente de Finanzas de Middle E. 8 (4) (2015) 508–528, https://
doi.org/10.1108/IMEFM1120140114.
[25] H. Bjurek, El índice de productividad total de los factores de Malmquist, Scand. J. Economía. 98 (2) (1996) 303–313, https://doi.org/10.2307/3440861.
[26] AS Rusydiana, Indeks malmquist untuk Pengukuran Efisiensi dan Produktivitas bank Syariah di Indonesia, J. Ekon. Pembang. 26 (1) (2018) 47–58, https://doi.
org/10.14203/JEP.26.1.2018.4758.
[27] A. Nurfikasari, H. Tanuatmodjo, SA Utami, Analisis Produktivitas Perbankan Syariah di Indonesia Berdasakan Malmquist Productivity Index, Iqtishaduna J.
Ecón. Keuang. Islam 10 (2) (2019).
[28] Kepemilikan Ultimat Surifah, Tingkat Risiko, Efisiensi dan Kinerja Industri Perbankan di Indonesia, J. Siasat Bisnis 15 (1) (2011) 37–53, https://doi.org/
10.20885/jsb.vol15.iss1.art4.
[29] JM Carson, RE Hoyt, Dificultades financieras de las aseguradoras de vida: modelos de clasificación y evidencia empírica, J. Risk Insur. 62 (4) (1995) 764–775, https://doi.org/
10.2307/253595.
[30] R. Chen, KA Wong, Los determinantes de la salud financiera de las compañías de seguros asiáticas, J. Risk Insur. 71 (3) (2004) 469–499.
[31] R. Wardana, Rasio Solvabilitas: Pengertian, Rumus, Dan Perhitungannya, Lifepal.co.id, 2020.
[32] C.H. Gustafsson, A. Holmen, El índice de producción industrial: una descripción formal del proceso detrás de él, 1993.
[33] A. Isnan, Analisis Pengaruh Ekspor Netto, Kurs, Dan Indeks Produksi Industri Terhadap Pertumbuhan Ekonomi Indonesia Tahun 2005 – 2015, Universitas Islam
Negeri Syarif Hidayatullah Yakarta, 2017.
[34] T. Pavic Kramaric, M. Miletic, I. Pavic, Determinantes de la rentabilidad de los mercados de seguros en países seleccionados de Europa central y oriental, Int. J. Economía. Ciencia. VI (2)
(2017), https://doi.org/10.20472/es.2017.6.2.006.
[35] AA Faoziyyah, N. Laila, Faktor Internal dan Faktor Makroekonomi yang Mempengaruhi Profitabilitas Asuransi Syariah di Indonesia Periode 20162018, J. Ekon. Shariah Teor. dan Terap.
7 (6) (2020) 1146–1163, https://doi.org/10.20473/vol7iss20206pp11461163.
[36] S. Sukirno, Makroekonomi Modern, PT. Raja Grafindo Persada, Yakarta, 2002.
[37] SA Otaviya, Analisis Produktivitas Bank Umum Syariah Indonesia Dengan Metode Malmquist Productivity Index Periode 20112017, Universitas Airlangga,
2019.
[38] H. Fukuyama, Medición de la eficiencia y el crecimiento de la productividad en la banca japonesa: un enfoque de frontera no paramétrico, Appl. Finanzas. Economía. 5 (2) (1995) 95107,
https://doi.org/10.1080/758529177.
[39] LN Rani, PS Sukmaningrum, MCM Salleh, Un análisis comparativo de la productividad de la banca islámica en Indonesia, Malasia y Brunei Darussalam.
durante el periodo 20122017, Int. J. Innov. Crear. Chang. 11 (11) (2020) 470–491.
[40] A. George Assaf, CP Barros, R. Matousek, Análisis de productividad y eficiencia de los bancos shinkin: evidencia de los enfoques bootstrap y bayesiano, J. Bank.
Finanzas 35 (2) (2011) 331–342, https://doi.org/10.1016/j.jbankfin.2010.08.017.
[41] TJ Coelli, DS Prasada Rao, CJ O'Donnell, GE Battese, Introducción al análisis de eficiencia y productividad, segunda ed., Springer, Estados Unidos de
América, 2005.
[42] Hafizh tri syahbandi, “Pengaruh Peluang Investasi Dan Solvabilitas Terhadap Profitabilitas Perusahaan NonFinansial di BEI, J. Wahana Akunt. 14 (2) (2019)
170–183, https://doi.org/10.21009/wahana.14.025.
[43] A. Hayrunnisa, Análisis del efecto de la liquidez, la rentabilidad y el índice de solvencia hacia las dificultades financieras de la empresa, President University, 2016.
[44] AM Ginting, Pengaruh FaktorFaktor Makro Ekonomi terhadap Permintaan Asuransi Umum di Indonesia, Pus. Penngkajian Pengolah. Datos e Inf. RPD de Setjen
RI 18 (2013).
[45] S. Hidayati, PS Sukmaningrum, Pengaruh VARIABEL makroekonomi terhadap jakarta islamic index periode 20112018, J. Ekon. Shariah Teor. dan Terap. 6 (9) (2020) 1894, https://doi.org/
10.20473/vol6iss20199pp18941908.
10
Pruebas previas de revistas
Impacto espacial de las finanzas digitales en la productividad del carbono
Huaping Sun, Tingting Chen, Christoph Nedopil Wang
PII: S16749871(23)00141X
DOI: https://doi.org/10.1016/j.gsf.2023.101674
Referencia: GSF 101674
Aparecer en: Fronteras de la geociencia
Fecha de recepción: 13 de febrero de 2023
Fecha revisada: 7 mayo 2023
Fecha de Aceptación: 14 julio 2023
Cite este artículo como: H. Sun, T. Chen, CN Wang, Impacto espacial de las finanzas digitales en la productividad del carbono,
Fronteras de las geociencias (2023), doi: https://doi.org/10.1016/j.gsf.2023.101674
Este es un archivo PDF de un artículo que ha sufrido mejoras después de su aceptación, como la adición de una portada.
página y metadatos, y formato para facilitar la lectura, pero aún no es la versión definitiva del registro. Esta versión
se someterá a correcciones, composición tipográfica y revisión adicionales antes de que se publique en su forma final, pero estamos
proporcionando esta versión para dar visibilidad temprana al artículo. Tenga en cuenta que, durante el proceso de producción, los errores
se puedan descubrir que puedan afectar el contenido, y todas las exenciones de responsabilidad legales que se aplican a la revista pertenecen.
Trabajo de investigación
Impacto espacial de las finanzas digitales en la productividad del carbono
Huaping Suna,b,* , Hormigueo Chena , Christoph Nedopil Wangc
a. Escuela de Finanzas y Economía, Universidad de Jiangsu, Zhenjiang, China
b. Escuela de Economía y Gestión, Universidad de Ciencia y Tecnología de Beijing, Beijing, China
C. Escuela Internacional de Finanzas Fanhai, Universidad de Fudan, China
*Dirección de correo electrónico del autor correspondiente: shp797@163.com
Resumen: La productividad baja en carbono ha sido identificada como una dirección clave para el desarrollo futuro de China. como un
Como importante fuerza impulsora del crecimiento económico, la cuestión de si las finanzas digitales que dependen de la tecnología digital pueden apoyar el
desarrollo de una economía urbana con bajas emisiones de carbono sigue sin resolverse. Basado en la productividad del carbono medida con datos de panel
de 201 ciudades para el período 20112020, este estudio aplica el modelo espacial de Dubin y el modelo de regresión de umbral para explorar el impacto de las
finanzas digitales en la productividad del carbono, arrojando las siguientes conclusiones clave. En primer lugar, la heterogeneidad de la distribución espacial de
la productividad del carbono en la región oriental de China es mayor que en la región occidental, y tanto la productividad como las finanzas digitales se
caracterizan por una aglomeración espacial punteada alta (baja)alta (baja). En segundo lugar, las finanzas digitales pueden
mejorar significativamente la productividad del carbono a través de dos canales de transmisión: el capital humano y la comercialización
efectos. Al mismo tiempo, las finanzas digitales ejercen un efecto de derrame espacial sobre la productividad del carbono y el aumento de las emisiones locales.
Los niveles de financiación digital aumentarán la productividad del carbono en las zonas vecinas. El análisis de heterogeneidad indica que el efecto indirecto de
las finanzas digitales en las aglomeraciones urbanas y las regiones orientales es más significativo. En tercer lugar, la inversión en activos fijos tiene un efecto
moderador no lineal positivo sobre las finanzas digitales, mejorando así la productividad del carbono. Cuando la inversión per cápita en activos fijos no supera
los 682,73 yuanes, las finanzas digitales solo ejercen un efecto límite sobre la productividad del carbono; cuando es superior a este valor, el efecto de tracción
se intensifica.
Palabras clave: Finanzas digitales; Productividad del carbono; Efecto de desbordamiento espacial; Inversión en activos fijos;
Heterogeneidad espacial
1
1. Introducción
La economía global está experimentando actualmente una recesión y las demandas para reducir las emisiones de carbono que enfrentan muchos países
son cada vez más urgentes. Según las cifras de emisiones de CO2 publicadas por el
Anuario de estadísticas energéticas mundiales 2021, las emisiones totales de carbono de China en 2020 aumentaron en 1.070 millones de toneladas
en relación con 2011, un aumento muy superior al observado en la mayoría de los países. Setenta por ciento del carbono de China
Las emisiones provienen de las ciudades y, para 2020, solo el 59,9% de las ciudades habían alcanzado el estándar de calidad del aire ambiente urbano
(Wang et al., 2022b; Barykin et al., 2023). Sin embargo, las ciudades también son las principales productoras del producto interno bruto (PIB) (Barykin et
al., 2023), y el cambio climático no solo provocará el deterioro del entorno de vida sino que también afectará el desarrollo económico a largo plazo. Por lo
tanto, se ha reconocido que es particularmente urgente la necesidad de coordinar la relación entre el crecimiento económico y la sostenibilidad ecológica,
acelerar la transformación de la economía urbana con bajas emisiones de carbono y lograr un desarrollo de alta calidad (Zhao et al., 2022b).
El 14º Plan Cinco de China y el esquema de objetivos a largo plazo para 2035 han identificado claramente las “repercusiones de carbono” del país.
objetivos de pico y neutralidad de carbono” como una decisión estratégica nacional. Para garantizar el rápido desarrollo de la
En una economía baja en carbono, es probable que se requieran inversiones superiores a los 100 billones de yuanes en los próximos 30 años (Zhang,
2021; Liu et al., 2023). El apoyo financiero proporcionado por el gobierno no será suficiente para financiar esta inversión, y el capital social será clave para
abordar el déficit de financiación. El 26 de octubre de 2021, el Consejo de Estado emitió el “Plan de acción para alcanzar el pico de dióxido de carbono
antes de 2030”, que destacó el papel crucial
que juegan las finanzas en la promoción de la reducción de las emisiones de carbono, con finanzas digitales basadas en tecnología digital
ofreciendo mayores beneficios para promover el desarrollo económico verde. En medio del rápido desarrollo reciente de la computación en la nube, los
macrodatos, la inteligencia artificial y el 5G, las finanzas digitales han integrado con éxito la
ventajas respectivas que ofrecen tanto las finanzas tradicionales como la tecnología digital. Por un lado, en consonancia con
la teoría de la cola larga y el efecto de escala, puede superar las limitaciones espaciotemporales del flujo de factores y reducir
costos de financiamiento para promover una mayor producción; por otro lado, puede optimizar la asignación de recursos y mitigar las emisiones de
carbono al mitigar la asimetría de la información y hacer coincidir con precisión la oferta y la demanda verdes, lo que permite promover la transformación
verde de la economía (Zeng y Xiao, 2022; Liu et al., 2023). ). Por lo tanto, es necesario explorar el impacto de las finanzas digitales en la economía urbana
baja en carbono.
garantizado.
Si bien los investigadores han prestado cierta atención al papel de las finanzas digitales en la economía ecológica
En el campo del medio ambiente, pocos estudios han examinado la relación entre las finanzas digitales y las economías bajas en carbono.
economía, particularmente la relación espacial, y las perspectivas de investigación centradas en el nivel urbano son incluso
más escaso. La productividad del carbono examina tanto las emisiones de carbono como la producción económica, lo que puede medir eficazmente los
objetivos de una economía baja en carbono. La cuestión de si las finanzas digitales pueden mejorar la productividad del carbono urbano aún no se ha
resuelto satisfactoriamente, y el presente estudio tiene como objetivo introducir las finanzas digitales.
2
en el marco de investigación de los factores que influyen en la productividad del carbono, e investigar sistemáticamente la influencia de las finanzas
digitales en la productividad del carbono. Las contribuciones marginales son las siguientes. Primero el
El mecanismo por el cual las finanzas digitales afectan la productividad del carbono urbano se analiza desde la perspectiva de la
efectos del capital humano y la mercantilización. La literatura existente rara vez ha examinado el impacto de las finanzas digitales.
sobre la productividad del carbono desde la perspectiva de la comercialización, y el concepto de comercialización se agrega al sistema de investigación
con el fin de reexaminar la relación entre las finanzas digitales y la productividad del carbono.
En segundo lugar, desde la perspectiva de las diferencias temporales y espaciales de las finanzas digitales, el efecto espacial de las finanzas digitales
en la productividad del carbono urbano de China se analiza en profundidad utilizando el modelo espacial de Durbin, y la heterogeneidad de la distribución
espacial de la productividad del carbono se analiza en términos de dimensión. En tercer lugar, el modelo de regresión de umbral se utiliza para probar el
efecto moderador no lineal de la inversión en activos fijos sobre la relación
entre las finanzas digitales y la productividad del carbono, y se encuentra el valor umbral del efecto moderador. Basado
sobre el riguroso análisis empírico del estudio desde la perspectiva de la economía geográfica y la ecología
economía con énfasis en el conservadurismo y la endogeneidad, este artículo ofrecerá recomendaciones sobre cómo
La mejor forma de promover la reducción de las emisiones urbanas y la mejora de la eficiencia es China.
El resto de este documento está organizado de la siguiente manera. La sección 2 revisa la literatura relevante. La sección 3 es el diseño del
estudio. La sección 4 describe la evolución espaciotemporal de la productividad del carbono y las finanzas digitales.
Los resultados empíricos y las comprobaciones se analizan en la Sección 5. La Sección 6 presenta el análisis de heterogeneidad. La sección 7 concluye
el documento y ofrece recomendaciones informadas.
2 Análisis teórico
En la actualidad, la investigación sobre el impacto espacial de las finanzas digitales en la productividad del carbono sigue siendo inadecuada, con pocos
académicos que han investigado sistemáticamente los mecanismos mediante los cuales las finanzas digitales afectan la productividad del carbono.
Para garantizar una investigación empírica sólida, este estudio examina la relación teórica entre lo digital
finanzas y productividad del carbono desde tres dimensiones: impacto general, mecanismo y efecto moderador.
2.1 Impacto de las finanzas digitales en la productividad del carbono
2.1.1 Revisión de la literatura sobre finanzas digitales y productividad del carbono
Pocos estudios han examinado cómo las finanzas digitales pueden mejorar la productividad del carbono, y la mayoría de estos estudios
habiéndose centrado en la capacidad de las finanzas digitales para reducir las emisiones de carbono. Hu et al. (2023) encontró que las finanzas digitales
pueden reducir las emisiones promoviendo la innovación empresarial y el desarrollo de las finanzas verdes (Wang et al., 2022d; Hu y Zhang, 2023). Jalil
et al. (2011) construyeron un modelo de retraso distribuido autorregresivo (ARDL) y lo utilizaron para confirmar que el desarrollo de las finanzas digitales
condujo al surgimiento de un modo de producción verde, que podría inhibir en cierta medida las emisiones de gases de efecto invernadero (Jalil y
Feridun, 2011; Shahbaz et al. ., 2013).
Tamazian et al. (2009) también apoyó la afirmación de que las finanzas digitales pueden estimular la investigación y el desarrollo.
3
(I+D), mejorando así la eficiencia energética y reduciendo la concentración de CO2 (Tamazian et al., 2009; Tan y Cao, 2022). Hui et al. (2021) señalaron que
las finanzas digitales pueden estimular el poder interno de las finanzas verdes.
y, en virtud de sus bajos costos de transacción, puede dirigir fondos hacia industrias con bajas emisiones de carbono, frenando las altas emisiones de carbono.
emisiones de dióxido de carbono (Hui, 2021; Muganyi et al., 2022; Zeng y Xiao, 2022). Además, el estudio de He et al. (2021)
demostró que las finanzas digitales pueden mejorar la disponibilidad y comercialización de fondos, prevenir las emisiones de carbono de las actividades de
financiación, lograr una correspondencia precisa de la información de financiación verde, fortalecer el control del riesgo de capital y proporcionar suficiente
apoyo financiero y protección financiera para empresas especializadas en conservación de energía y protección del medio ambiente. , mejorando así la
productividad del carbono (He et al., 2021; Wang et al., 2022a); sin embargo, Omri et al. (2015) demostraron que no existía correlación entre ellos. Sólo un
puñado de académicos han discutido la relación entre las finanzas digitales y la productividad del carbono, y la investigación sobre su
el impacto espacial es aún más escaso. Deng et al. (2021) señalaron que las finanzas digitales pueden desencadenar el crecimiento económico y
innovación tecnológica, para mejorar la eficiencia de las emisiones de carbono (Deng et al., 2021; He et al., 2021), y Yao et al.
Alabama. (2021) encontraron que las finanzas digitales ejercen un efecto de derrame espacial sobre la eficiencia de las emisiones de carbono desde la
perspectiva del efecto espacial (Yao et al., 2021; Zhao et al., 2021); sin embargo, Xu et al. (2021) concluyeron que las finanzas digitales frenarían el desarrollo
verde y bajo en carbono de las regiones vecinas. En general, el impacto espacial del desarrollo financiero digital en la productividad del carbono justifica una
mayor investigación.
2.1.2 Impacto de las finanzas digitales en los vecinos locales sobre la productividad del carbono
Con base en la revisión de la literatura anterior, está claro que el desarrollo de las finanzas digitales puede construir una plataforma de servicios de protección
ambiental para las ciudades, reducir los costos de financiamiento, mejorar la utilización de recursos y la producción económica.
eficiencia y promover el secuestro de carbono y la eficiencia de las ciudades locales. En primer lugar, las finanzas digitales se han enriquecido
los servicios financieros tradicionales y lanzó muchos proyectos y productos financieros verdes bajo el actual
entorno político. Los convenientes y eficientes servicios financieros y el suministro de capital de las finanzas digitales respaldan la
desarrollo de actividades de producción con bajas emisiones de carbono, lo que favorece la ampliación de la escala de producción de
industrias de emisiones y promover la formación de modos de producción verdes en las industrias energéticas tradicionales,
mejorando así la productividad del carbono urbano. En segundo lugar, al depender de la tecnología digital, las finanzas digitales no solo pueden superar la
asimetría de la información hasta cierto punto, además de reducir el costo de transacción entre los lados de la oferta y la demanda de capital, sino que también
prometen ampliar los canales y la cobertura de financiamiento, rompiendo el “pareto” “principio” de los servicios financieros tradicionales para resolver el
problema de la cola larga de manera más efectiva y proporcionar
Garantía financiera suficiente para permitir que las empresas participen en I+D con respecto a la reducción de emisiones de carbono.
tecnologías. Mientras tanto, el empoderamiento digital mejora el grado de comercialización financiera y previene las emisiones de carbono.
emisiones resultantes de actividades de financiación, y promueve la mejora de la productividad del carbono urbano. Tercero,
Debido a la proximidad geográfica y el intercambio económico, las finanzas digitales y la productividad del carbono de un determinado
La ciudad estará correlacionada espacialmente de modo que el desarrollo de las finanzas digitales locales pueda ejercer un impacto espacial en la productividad
de carbono de las ciudades vecinas. La cuestión de si la difusión de la tecnología digital impulsa la
4
desarrollo de las finanzas digitales, para mejorar el derrame espacial de la productividad del carbono en áreas vecinas, o ejerce un efecto sifón,
atrayendo industrias bajas en carbono a áreas vecinas en virtud del primero en actuar
La ventaja de las finanzas digitales, que conduce a la disminución de la productividad del carbono en las áreas vecinas, aún está por verse.
resuelto empíricamente. Por lo tanto, proponemos la hipótesis 1 de la siguiente manera: el desarrollo de las finanzas digitales puede
mejorar la productividad del carbono de las ciudades cercanas y ejercer una influencia espacial en la productividad del carbono de las ciudades
vecinas.
2.2 Mecanismo de finanzas digitales sobre la productividad del carbono
2.2.1 Efecto de las finanzas digitales en el capital humano
Las finanzas digitales pueden estimular la vitalidad del desarrollo de una economía baja en carbono mejorando el capital humano
niveles. Sol y cols. (2022) describieron el camino del apoyo financiero digital del capital humano: los individuos pueden mejorar
su capacidad de innovación y nivel técnico al aprender los conocimientos relacionados con las finanzas digitales. la mejora
La conciencia financiera ha aumentado la demanda de recursos educativos de alta calidad y la inversión en el
educación de los niños y promovió la mejora de los factores laborales. El desarrollo de las finanzas digitales también puede reducir el costo del
uso del capital tanto del lado de la oferta como de la demanda del capital humano, brindar respaldo crediticio y conveniencia de pago para obtener
abundantes recursos educativos digitales y así promover la acumulación de capital humano (Ma y Qu, 2021). ). Además, los fondos de crédito de
bajo costo que proporcionan las finanzas digitales permiten
residentes con una pequeña cantidad de capital para continuar su educación o participar en programas de capacitación, aumentando así el capital
humano (Cooley y Smith, 1998; Hai y Heckman, 2017). Además, según
Según la hipótesis de la complementariedad capitalhabilidades, el desarrollo de las finanzas digitales conducirá a un aumento en la
demanda de mano de obra altamente calificada, aumentar el stock de mano de obra y luego reducir la brecha entre la oferta y la demanda.
para el capital humano (Liu et al., 2021; Muganyi et al., 2022; Sun et al., 2022). La mejora del ser humano.
El nivel de capital ayudará a frenar la disminución del rendimiento marginal del capital físico y estimulará el crecimiento económico, superando los
efectos negativos de las emisiones de dióxido de carbono, para mejorar la productividad del carbono. Según el modelo Lucas de crecimiento
económico endógeno, el capital humano puede promover el desarrollo urbano con bajas emisiones de carbono de las siguientes maneras. En
primer lugar, una población con un alto nivel educativo tiene una mayor productividad, lo que tiene un “efecto interno” y es más probable que
genere un comportamiento de protección ambiental; En segundo lugar, el capital humano puede mejorar las tasas de utilización de energía y
reducir directamente las emisiones de carbono sustituyendo el capital físico por medios externos.
y efectos de sustitución; En tercer lugar, la acumulación de capital humano impulsa el progreso tecnológico y fomenta
que las empresas adopten altos estándares ambientales y métodos de producción ecológicos; y cuarto, capital humano
La aglomeración apoya el desarrollo de industrias bajas en carbono y estructuras industriales bajas en carbono.
(Herrerias y Orts, 2012; Zhao et al., 2016; Guo y Bu, 2018; An y Lei, 2019; He et al., 2022). Según el efecto capital humano, las finanzas digitales
conducirán a la inversión educativa, optimizarán los factores laborales y promoverán la acumulación y el nivel de capital humano, promoviendo
así directa e indirectamente el desarrollo verde de las ciudades. Sobre esta base, la hipótesis 2 sostiene que las finanzas digitales pueden mejorar
las emisiones de carbono urbanas.
5
productividad a través del efecto capital humano.
2.2.2 Efecto de comercialización de las finanzas digitales
El desarrollo de las finanzas digitales puede aprovechar plenamente el papel del mercado en la asignación de recursos, optimizar
el entorno empresarial y los canales de financiación de las microempresas, y promover eficazmente la realización de una economía baja en
carbono. En primer lugar, la aceleración continua del desarrollo de las finanzas digitales puede debilitar en cierta medida la dependencia financiera
de las empresas de los fondos de subsidios gubernamentales y guiar gradualmente la transformación de la innovación empresarial de una
orientación gubernamental a una impulsada por el mercado, promoviendo así un desarrollo económico más eficiente (Chen et al., 2022). En
segundo lugar, el desarrollo financiero puede promover la mercantilización de las tasas de interés, que pueden reflejar efectivamente la oferta y
la demanda de fondos y promover simultáneamente la liberalización financiera.
para mejorar el nivel de equilibrio (Liao et al., 2014). Además, las finanzas digitales pueden promover la expansión de
mercados financieros, optimizar la estructura financiera de los mercados de capitales y mejorar la eficiencia de la gestión de recursos.
asignación en los mercados financieros (Hu et al., 2022). Por último, las finanzas digitales pueden superar la asimetría de la información del
mercado financiero, permitiendo que más grupos participen en el mercado financiero a través de la igualación financiera y reduciendo el umbral
de participación en el mercado financiero (Xu et al., 2022). Las finanzas digitales también pueden optimizar el mercado de factores, reducir la
distorsión de los precios de los “factores” (Lu y Wei, 2021), mejorar el mercado financiero basándose en la tecnología digital y mejorar
significativamente la disponibilidad y conveniencia de los servicios financieros (Zhou, 2022). La investigación anterior muestra que las finanzas
digitales pueden promover eficazmente la comercialización; Entonces, ¿cómo afecta la comercialización a la productividad del carbono? Por un
lado, la mejora del nivel de comercialización puede
inhibirán las emisiones de carbono, mientras que una intervención gubernamental excesiva obstaculizará la I+D con respecto a las tecnologías bajas en carbono.
tecnologías, lo que no favorece el desarrollo de industrias verdes (Le, 2016). Primero, la intensificación
La comercialización va acompañada de la clarificación gradual de los derechos de propiedad, la mejora del umbral de acceso ambiental y la
mejora gradual del mercado de comercio de carbono, lo que resulta en la inclusión de “recursos” y “contaminación” en el mecanismo del mercado,
y las externalidades negativas pueden ser debilitado
(Zhong et al., 2011). En segundo lugar, una mayor libertad de mercado corregirá la señal del precio de los factores, de modo que la energía
consumida originalmente debido al precio infravalorado pueda usarse eficientemente, y la transformación de industrias extensivas a industrias
intensivas pueda guiarse para reducir las emisiones de carbono (Antonio, 2003; Le , 2016). Por otro lado, según las teorías relevantes de la
economía institucional, la mercantilización, como método eficaz
sistema institucional, puede mejorar la eficiencia del uso de factores, optimizar la asignación de recursos, mejorar la producción
estructurar, alentar a las empresas a invertir y, finalmente, estimular el crecimiento económico. Según un estudio de Fan
Gang (2011), la comercialización puede mejorar la productividad del carbono en cuatro aspectos clave: mejorando la eficiencia de producción de
las empresas, perfeccionando los mercados de factores y productos, dando pleno juego al papel de autorregulación del mercado y mejorando el
sistema de mediación legal (Fan et al. ., 2011). Además, a medida que se intensifica la comercialización, los gobiernos y las empresas pueden
obtener información ambiental más oportuna y precisa, lo que ayuda a las ciudades a llevar a cabo medidas conjuntas de prevención y control de
la contaminación del aire y reducir las emisiones de carbono regionales (Zhao et al., 2023).
Por lo tanto, el efecto de comercialización indica que las finanzas digitales pueden promover el proceso de comercialización, optimizar
6
la estructura del mercado, reducir aún más las emisiones, mejorar la eficiencia y apoyar la mejora de la productividad del carbono. Como tal, la
hipótesis 3 sostiene que las finanzas digitales pueden ejercer un efecto orientado al mercado, para mejorar las zonas urbanas.
productividad del carbono.
2.3 Efecto moderador de la inversión en activos fijos
Las finanzas digitales incluyen no sólo productos y servicios financieros basados en big data, computación en la nube y nuevas tecnologías (como
blockchain e inteligencia artificial), sino también servicios financieros fuera de línea basados en Internet. Su desarrollo requiere un sólido soporte
de tecnología digital y una perfecta infraestructura garantizada. Al construir y
comprar activos fijos, adoptar constantemente tecnología y equipos avanzados y mejorar la tecnología digital
infraestructura, podemos crear condiciones materiales para el desarrollo de la tecnología digital y promover directamente
el desarrollo de las finanzas digitales. Mientras tanto, la inversión en activos fijos puede promover indirectamente el desarrollo de las finanzas
digitales al estimular el crecimiento económico (De y Summers, 1992; Andyc et al., 1999).
Mao Ning et al. (2022) observaron que mejorar la infraestructura de transporte no solo puede aumentar la capacidad de las empresas.
exposición a la tecnología digital, sino también aliviar la escasez de profesionales digitales y aumentar la cooperación con las plataformas de
tecnología digital, promoviendo así la transformación y el desarrollo digitales de las empresas (Mao et al., 2022). Meng Wei et al. (2022) afirmaron
que fortalecer la construcción de infraestructura de información mejorará la actividad empresarial digital regional a través de la especialización y
diversificación de los recursos humanos digitales.
capital (Meng et al., 2022). Por lo tanto, cuando la inversión en activos fijos es insuficiente, afectará el nivel de
construcción de infraestructuras, en consecuencia desacelerar el proceso de digitalización, restringir el desarrollo de
finanzas digitales y ejercer un efecto limitado en la promoción de la productividad del carbono urbano. Con la expansión de la escala de inversión
en activos fijos, el desarrollo de las finanzas digitales ha mejorado y su efecto de bajas emisiones de carbono en el desarrollo urbano se ha
liberado más plenamente. Además, la escala de la inversión en activos fijos también afectará la estabilidad de los mercados financieros, afectando
así el proceso de la economía urbana baja en carbono. Por lo tanto, promover la inversión en activos fijos favorece el efecto económico bajo en
carbono de las finanzas digitales. En base a esto, se plantea la hipótesis 4: la inversión en activos fijos puede regular positivamente el efecto
económico urbano bajo en carbono de
finanzas digitales. Combinado con el análisis anterior, el marco de investigación de este artículo se enumera en la Fig. 1.
3 Diseño del estudio
3.1 Configuración del modelo
3.1.1 Modelo de referencia
Refiriéndose a los impactos estocásticos por regresión en un modelo de población, riqueza y tecnología (STIRPAT)
e investigaciones relacionadas, en este estudio establecemos un modelo regional de efectos fijos que incluye estructura industrial,
tamaño de la población y nivel de desarrollo económico, según la ecuación. (1), para explorar el impacto general de las finanzas digitales
desarrollo sobre la productividad del carbono (Shao et al., 2011). Considerando la fluidez de los datos, el valor de cada variable
Se toma el logaritmo natural para resolver la heteroscedasticidad.
7
= + + + (1)
0 1
En la ecuación. (1), representa ciudad; representa el representa la productividad del carbono. representa explicativo
tiempo; variables, incluidas variables explicativas básicas (finanzas digitales) y variables de control; 0 representa constante
término; indica el efecto regional; y es un término de interferencia aleatoria.
Para aclarar el mecanismo por el cual las finanzas digitales actúan sobre la productividad del carbono, el modelo de mediación
El efecto entre las finanzas digitales y la productividad del carbono urbano se construye de la siguiente manera (Wen y Ye, 2014):
= 0 + + + (2)
1
= 0 + 1 + + + (3)
2
En las ecuaciones. (2) y (3), son variables mediadoras, incluido el efecto del capital humano y el efecto de la comercialización; y
son términos de interferencia aleatoria; 1 indica el impacto total de las finanzas digitales en la productividad del carbono
1 es un impacto directo; 1 refleja el papel de las finanzas digitales en las variables mediadoras, urbano, 2 representa el papel que
las variables mediadoras influyen en la productividad del carbono; y 1
× 2 es el impacto indirecto de las variables mediadoras en
la productividad del carbono urbano.
3.1.2 Modelo econométrico espacial
Las emisiones de carbono y los niveles de producción económica de las ciudades están inevitablemente relacionados espacialmente a través de factores geográficos.
proximidad e intercambio económico, por lo que es necesario utilizar análisis de conocimiento econométrico espacial para asegurar la
confiabilidad de la conclusión. Por lo tanto, este artículo construye un modelo espacial de Durbin para probar el impacto espacial de las
finanzas digitales en la productividad del carbono urbano.
3.1.2.1 Análisis de autocorrelación espacial. Basándose en los resultados de la investigación de Pierce Moran (1950), este
artículo calcula el índice global de Moran ([−1,1]) de las finanzas digitales urbanas y la productividad del carbono y explora
las características de evolución espacial de las principales variables. Una puntuación negativa en el índice de Moran indica que el
Las variables correspondientes se distribuyen en el segundo y cuarto cuadrante, mostrando las características de alto
aglomeración espacial baja o bajaalta; una puntuación positiva indica que las variables correspondientes están distribuidas
en el primer y tercer cuadrante, mostrando una característica de aglomeración espacial altoalto o bajobajo. Cuanto más cerca
esté la puntuación de 0, más débiles serán las características de correlación espacial de las variables correspondientes (Hao y
Liu, 2016). El método de cálculo específico es el siguiente (Liu et al., 2018):
∑ ∑ =1 =1 | − || − |
= (4)
∑ ∑ =1 =1 ∑ | =1
− |
En la ecuación. (4), es el número de ciudades; y representan el nivel financiero digital y la productividad del carbono de
ciudades y , respectivamente; se refiere a los niveles promedio de finanzas digitales y productividad de carbono de todas las ciudades.
3.1.2.2 Modelo espacial de Durbin. El modelo espacial de Durbin (SDM) de finanzas digitales y productividad del carbono urbano
construido en este trabajo es el siguiente:
8
+ + + (5)
= + ∑ +∑
=1 =1
En la ecuación. (5), es el efecto espacial de la productividad del carbono de la variable explicada, reflejando el efecto del carbono
productividad de las ciudades vecinas sobre la productividad local del carbono; representa el efecto de variables
explicativas sobre la productividad del carbono en la región; es el efecto espacial de las variables explicativas que miden el efecto de
variables explicativas vecinas sobre la productividad local del carbono.
3.1.2.3. Descripción del peso espacial. En este artículo, se utilizan tres matrices de peso espacial para el SDM.
Matriz de ponderaciones de distancia geográfica: el recíproco del cuadrado de la distancia geográfica entre dos ciudades
se elige para construir la matriz; Matriz de ponderaciones de la distancia económica: la matriz se construye mediante
calcular el recíproco de la diferencia entre el PIB per cápita de dos ciudades; Matriz anidada de
Geografía económica: investigar exhaustivamente la influencia de los factores económicos y geográficos, la
La matriz anidada de ponderación de la distancia económica y la distancia geográfica se utiliza como base para
medición (Sun et al., 2021).
3.1.3 Modelo de moderación no lineal
3.1.3.1 Modelo de efecto moderador. Con referencia al estudio de Fang Jie et al. (2015), construimos un modelo moderador.
modelo de efecto para verificar si la inversión en activos fijos (FAI) tiene un efecto moderador (Fang et al., 2015):
= + × + + + (6)
En la ecuación. (6), Incluye las variables explicativas y la variable moderadora. .
3.1.3.2 Modelo de regresión de umbrales. De acuerdo con la teoría del umbral de panel propuesta por Hansen (1999),
construimos el siguiente modelo para probar más a fondo si la FAI tiene un efecto moderador no lineal (Hansen, 1999):
= ∙
0 + 1 ∙ ( ≤ ) + 2
( > ) + 3 + + (7)
En la ecuación. (7), es la variable umbral; es el valor umbral a estimar; (∙) es la función indicadora.
Cuando se cumplen las condiciones, el valor es 1; de lo contrario, el valor es 0.
3.2 Selección de variables
3.2.1 Medición de la productividad del carbono
El indicador de productividad del carbono, que mide los beneficios económicos de las emisiones de dióxido de carbono, fue
propuesto por Kaya y Yokobori (1997). Beinhocker et al. (2008) también afirmó que la productividad del carbono refleja
tanto el nivel de emisiones de carbono como el desarrollo económico. Con base en la metodología ideada por Chen (2011),
medir la productividad del carbono calculando el valor agregado de producción de las emisiones unitarias de dióxido de carbono. Dado que
El período de investigación abarca de 2011 a 2020, el valor agregado de producción nominal de cada ciudad se reduce en 2011 como
9
el período base, para garantizar que se capture la situación real de cada ciudad. Dada la ausencia actual de datos
directos relacionados con las emisiones globales de dióxido de carbono y que, según un informe del Panel Intergubernamental
sobre el Cambio Climático (IPCC), el aumento de las emisiones de carbono se debe principalmente a la quema de fósiles
energía, los cálculos en este estudio se basan en los parámetros relevantes del IPCC National Greenhouse de 2006.
Inventario de gas y Anuario estadístico de energía de China (Wang et al., 2022c). La fórmula específica es la siguiente:
2
× × × 44/12
= ∑2 ( ) = ∑×
=1 =1
2 es la cantidad total de emisiones de dióxido de carbono; es el tipo de energía, incluidos siete tipos de energía, como
carbón y gasolina; indica el consumo total de energía; representan el ,poder calorífico bajo promedio, el contenido de
carbono y el factor de carbonización de la energía; 44 y 12 representan el peso molecular del carbono.
dióxido y carbono; × × × 44/12 se refieren al coeficiente de emisión de dióxido de carbono, lo que arroja el
productividad del carbono :
= / 2
Cuando la tasa de crecimiento económico excede la tasa de crecimiento de las emisiones de carbono, se puede aumentar la
productividad del carbono para lograr el efecto de reducción relativa de las emisiones. Por lo tanto, en el proceso de formulación de políticas, es
Es necesario considerar cómo se podría promover el crecimiento económico sin un aumento sustancial de las emisiones de carbono.
y esforzarse por desacoplar la producción económica de las emisiones de carbono.
3.2.2 Factores que afectan la productividad del carbono
Un examen detenido de la literatura existente revela que académicos de diversos campos han discutido el tema
desde las perspectivas del desarrollo económico (Han et al., 2018), la estructura industrial (Zhang, 2014), el
desarrollo financiero (Li et al., 2018), capital humano (Li et al., 2016), segmentación del mercado (Lu y Zhang, 2016)
e inversión en activos fijos. Basado en el modelo IPAT ampliado (impacto = población × riqueza × tecnología):
es decir, el modelo STIRPAT: el tamaño de la población, el nivel económico, el progreso tecnológico y la urbanización influirán en el modelo.
afectar la productividad del carbono. Combinado con los hallazgos anteriores, este estudio se centra en los mecanismos por los cuales
finanzas digitales, nivel de urbanización, estructura industrial avanzada; nivel de desarrollo económico, tamaño de la población,
y la inversión en activos fijos afecta la productividad del carbono (Tabla 1).
3.3 Fuente de datos
Las finanzas digitales desempeñan un papel cada vez más importante en la transformación económica, y no se puede ignorar
el impacto de las ciudades, como agentes clave en el impulso para alcanzar los objetivos del “carbono dual”. En vista de la grave
falta de datos en algunas ciudades y la dificultad para obtener ciertas variables antes de 2011, este documento analiza el efecto
económico bajo en carbono de las finanzas digitales en 201 ciudades a nivel de prefectura entre 2011 y 2020. Las fuentes de
datos incluyen: ciudades 'emisiones de dióxido de carbono, como se informa en el China Urban Statistical Yearbook y China Urban
Anuario estadístico de la construcción, los datos de finanzas digitales medidos por la Universidad de Pekín Digital Finance
10
Research Center (https://tech.antfin.com/research/data) y otros datos derivados principalmente del China Urban
Statistical Yearbook y los anuarios estadísticos de las ciudades a nivel de prefectura. Cabe señalar que el
El índice de mercantilización se basa en los anuarios estadísticos de varias provincias y los boletines estadísticos de
ciudades a nivel de prefectura y los valores faltantes individuales se completan mediante la interpolación de tendencias de puntos adyacentes.
La Tabla 2 detalla los resultados descriptivos de todas las variables, y está claro que los valores extremos y estándar
desviaciones de y son considerables, lo que indica que las distribuciones de ambos están desequilibradas.
Además, sus valores medios son pequeños, lo que indica que la situación actual y Los niveles aún son bajos y deben
Ser mejorado. El mismo problema afecta a otras variables, a excepción de , ,y .
4. Evolución espaciotemporal de la productividad del carbono y las finanzas digitales
4.1 Distribución espacial de la productividad del carbono
Para explorar más a fondo las características de distribución espacial de la productividad del carbono en ciudades a nivel de prefectura, en
China, la distribución espacial de la productividad de carbono de las ciudades en 2011, 2015 y 2020 se visualizó utilizando
Software ArcGIS10.7, basado en el principio de fractura natural (Fig. 2) y análisis de tendencias (Fig. 3: la línea verde
representa la dirección esteoeste, la línea azul representa la dirección nortesur). La productividad del carbono se distribuye
en un patrón de puntos y emerge una heterogeneidad espacial distinta. La productividad del carbono en la región oriental
es demostrablemente más alto que el de la región occidental y gradualmente se vuelve más equilibrado con el tiempo. Esto puede
deberse al alto nivel de desarrollo económico de las ciudades costeras orientales, mientras que la economía basada en recursos
Las economías en modo de producción de algunas ciudades occidentales siguen en gran medida vigentes. Desde una perspectiva regional, áreas
como el delta del río Yangtze y las ciudades gemelas ChengduChongqing mantuvieron un alto nivel de emisiones de carbono
productividad en los tres años mencionados, lo que puede ser atribuible a su ubicación en el centro de la ciudad
aglomeración, tecnología intensiva y estructura industrial razonable. De 2011 a 2020, ciudades que muestran
La productividad media y alta del carbono aumentó, y el rango de productividad del carbono cambió de 478.449
26.296,733 yuanes/tonelada a 1.188,47918.940,163 yuanes/tonelada. La brecha entre las ciudades se está reduciendo continuamente, lo
que refleja una mejora en la estructura general de productividad del carbono de las ciudades.
4.2 Correlación espacial de las finanzas digitales y la productividad del carbono
Para examinar en profundidad las características de correlación espacial de la productividad del carbono y las finanzas
digitales, se utiliza la matriz de ponderación de distancia geográfica para calcular el índice global de Moran de 2011 a 2020, y el
El estado de aglomeración se puede observar desde la dimensión temporal.
Como lo demuestra la Tabla 3, el valor Z de la productividad del carbono y las finanzas digitales en cada año son más altos que
8.508, y el índice de Moran es significativamente positivo con un 1%, lo que indica que la productividad del carbono y las finanzas digitales
tienen características significativas de aglomeración espacial alta (baja)alta (baja), es decir, áreas con valores altos
(bajos) están rodeadas por áreas con valores altos (bajos), y ambas exhiben desbordamiento espacial. Esto es consistente con
11
hallazgos de investigaciones existentes (Guo et al., 2017; Zhao et al., 2022a). La correlación espacial entre el carbono.
la productividad y las finanzas digitales han aumentado en general; específicamente, el índice de productividad del carbono de Moran
fluctúa repetidamente dentro del período de 10 años, mientras que el índice de finanzas digitales de Moran primero aumenta y luego
cae y luego vuelve a subir. Esta correlación espacial puede ser atribuible a factores geográficos y económicos y
las diferencias espaciales y temporales del nivel de urbanización (Shao et al., 2019; Jia et al., 2021). La figura 4 ilustra
las características de aglomeración espacial de los dos.
5. Análisis empírico
5.1 Efecto directo y control del mecanismo de las finanzas digitales sobre la productividad del carbono
Para evitar la multicolinealidad, el modelo se probó con el factor de inflación de varianza (VIF) y el VIF más grande
encontrado fue 3,48 (significativamente inferior a 10), lo que indica que casi no existe ningún problema de multicolinealidad. Para
determinar si se debe utilizar un modelo de regresión mixta, de efectos aleatorios o de efectos fijos, encontramos que la mayoría de las
variables virtuales individuales fueron significativas según el método de variable ficticia de mínimos cuadrados (LSDV) (el valor de p es
0,000) y, en consecuencia , la regresión mixta fue rechazada a favor del modelo de efectos fijos.
Además, la prueba de panel de Hausman rechazó claramente el efecto aleatorio, lo que indica que el modelo de efectos fijos era mejor.
En la regresión, se utilizaron la heterocedasticidad de corrección de error estándar robusta y la prueba de mediación de SobelGoodman
para probar el mecanismo de mediación, y ambas rechazaron claramente la hipótesis de que el modelo
no incluye ningún efecto de mediación. La Tabla 4 presenta los resultados de la prueba de mediación y regresión de referencia.
El Cuadro 4 refleja los efectos totales y directos de las finanzas digitales en la productividad del carbono. Columna (1): Sin control
Se añaden variables. Cuando el nivel de finanzas digitales aumenta un 1%, la productividad del carbono aumentará un 0,35%; es decir,
promover las finanzas digitales apoyará el desarrollo de la economía urbana baja en carbono.
Columna (2): Agregue las variables de control. Con un efecto significativo del 1%, el efecto total de las finanzas digitales se mantiene
significativamente positivo, lo que indica que el desarrollo de las finanzas digitales puede promover efectivamente el desacoplamiento
de la producción económica y las emisiones bajas de carbono. Se verifica la hipótesis 1. La columna (3) muestra que las finanzas digitales
puede promover significativamente la acumulación de capital humano. La columna (4) considera tanto las finanzas digitales como
capital humano e indica que ambos pueden mejorar significativamente la productividad del carbono a un nivel de significancia del 1%.
Las columnas (5) y (6) también demuestran que las finanzas digitales conducen a la mejora del nivel de comercialización,
Ambos pueden promover eficazmente el desarrollo de una economía urbana baja en carbono.
Según el mecanismo teórico descrito anteriormente y los resultados de las pruebas del efecto mediador en la Tabla
4, el efecto del capital humano y el efecto de la comercialización contribuyen al papel mediador entre las finanzas digitales y la
productividad del carbono, lo que verifica el camino indirecto de las finanzas digitales que promueven la productividad del carbono. A
continuación, se utiliza el método Bootstrap no paramétrico para ajustar el sesgo de estimación y se prueba nuevamente la efectividad
del mecanismo de mediación.
Como ilustra la Tabla 5, el efecto mediador de las finanzas digitales en la productividad del carbono a través del capital humano
y el efecto mercado es de 0,049 y 0,051, representando el 20,3% y el 21,3% del efecto total, respectivamente.
12
5.2 Efecto espacial de las finanzas digitales en la productividad del carbono
5.2.1 Prueba econométrica espacial
Antes de la regresión, se realizó la prueba de Hausman y los resultados mostraron que se debería adoptar el modelo de efectos fijos.
Luego se realizan la prueba de Wald y la prueba LM respectivamente. Los resultados muestran que el modelo de retraso espacial (SLM)
o el modelo de error espacial (SEM) se rechazan firmemente, y el término de error espacial y el término de retraso existen al mismo
tiempo. Por lo tanto, se selecciona el SDM para discusión. Los resultados de las pruebas específicas se muestran en la Tabla 6.
5.2.2 Estimación de regresión del modelo espacial de Durbin
Las tablas 3 y 6 ilustran las características de correlación espacial de las variables y la probabilidad cuasi máxima.
(QMLE) es más confiable que la máxima verosimilitud general o los mínimos cuadrados ordinarios (OLS). La Tabla 7 presenta los
resultados de la regresión SDM.
Como lo demuestra la Tabla 7, bajo las tres ponderaciones, el impacto de las finanzas digitales en el carbono urbano es
productividad significativamente positivo al nivel del 1%, lo que indica que las finanzas digitales pueden efectivamente
( promover la productividad local del carbono. La penetración gradual de las finanzas digitales ha promovido una asignación más óptima
de los recursos educativos, lo que ha generado externalidades económicas, mejorando así los modos de producción y operación de las
empresas, así como la eficiencia energética. Además, el desarrollo de las finanzas digitales ha
impulsó la comercialización y promovió el desarrollo de la economía urbana baja en carbono. El espacial
El coeficiente autorregresivo ( ) solo es significativo al nivel del 1% cuando se pondera económicamente y su
El coeficiente de 0,161 es positivo, lo que demuestra que la variable productividad del carbono explicada tiene un efecto de derrame
espacial positivo sobre sí misma.
Desde la perspectiva de las variables de control, los coeficientes y la significancia de cada variable son diferentes bajo diferentes
matrices de ponderación espacial. Bajo las tres ponderaciones, el nivel de urbanización ( ) muestra el mismo efecto sobre la productividad
del carbono. La mejora de los niveles de urbanización local apoyará significativamente la mejora de la productividad local del carbono, y
la mejora de los niveles de urbanización vecinos contribuirá
frenar significativamente la mejora de la productividad local del carbono, salvo bajo peso económico y geográfico.
Quizás sea porque, con la continua penetración de las finanzas digitales, y en un contexto de empoderamiento digital
Financiamiento, la mejora de los niveles de urbanización local puede producir una economía respetuosa con el medio ambiente y con bajas emisiones de carbono.
estilo de vida, así como una división especializada del trabajo, mejorando así la productividad local del carbono. Sin embargo, la mejora
de los niveles de urbanización en las zonas vecinas puede conducir a la aglomeración de industrias de uso intensivo de energía debido
a un "efecto sifón", que reduce la escala de una economía local baja en carbono y obstaculiza la mejora de la productividad local del
carbono. La mejora de la estructura industrial local (transformación y mejora de las instalaciones comerciales ) denota el
y la racionalización de la estructura industrial, lo que inhibirá significativamente la mejora de la productividad local del carbono. Puede
deberse a que la actual situación industrial
La estructura aún no es lo suficientemente racional en el proceso de actualización, pero el efecto negativo de la actualización de
13
La influencia de la estructura industrial vecina sobre la productividad local del carbono no es significativa. La mejora del nivel de desarrollo
económico ( ) bajo las tres ponderaciones puede promover efectivamente la productividad local del carbono, mientras que
La mejora del nivel de desarrollo económico en las zonas vecinas no inhibe significativamente el desarrollo local.
productividad del carbono. El tamaño de la población ( ) la variable tiene el mismo impacto en la productividad del carbono urbano
bajo los tres pesos. El aumento de la población local aumentará significativamente la productividad local del carbono, y el aumento de la población
en áreas vecinas inhibirá significativamente el aumento de la productividad local del carbono, excepto bajo el peso geográfico. Porque la gente
cambia de lugar de residencia, especialmente
a gran escala, se verá significativamente restringido por la distancia espacial (Zhang et al., 2020). Por lo tanto, la expansión demográfica en las
zonas vecinas se origina principalmente en las zonas locales. En comparación con la reducción de las emisiones de carbono causada por la
disminución del consumo de energía, la reducción de las actividades de producción causada por
la disminución de las poblaciones locales inhibe el crecimiento económico, lo que también reduce la productividad local del carbono.
Luego se descomponen los efectos espaciales de las finanzas digitales y las variables de control (Tabla 8). en directo
En efecto, las finanzas digitales son significativamente positivas bajo las tres ponderaciones; es decir, el aumento del 1% en las finanzas digitales
locales aumentará la productividad local del carbono en un 0,25%, 0,24% y 0,25%, respectivamente. Aparte del efecto directo negativo de la
estructura industrial avanzada, todas las demás variables de control tienen un efecto promotor significativo. En el efecto indirecto, el aumento del
1% en las finanzas digitales en áreas adyacentes bajo peso geográfico aumentará la productividad local del carbono en un 1,77%; es decir, el
desarrollo de las finanzas digitales tiene un efecto de derrame espacial en la mejora de la productividad del carbono, pero el efecto indirecto El
efecto de promoción bajo otras ponderaciones no es significativo. Además, el nivel de urbanización y el tamaño de la población de las zonas
vecinas inhiben significativamente la
la productividad del carbono sólo está por debajo del peso geográfico y el nivel de desarrollo económico sólo significativamente
promueve la productividad local del carbono bajo el peso de la distancia económica. En los efectos totales, un cambio del 1% en
Las finanzas digitales en todas las regiones bajo las tres ponderaciones pueden afectar la productividad local del carbono en un 2,02%, 0,32% y
0,28% respectivamente, mientras que los resultados de influencia de cada variable de control son diferentes.
5.3 Análisis del efecto moderador no lineal
5.3.1 Prueba del efecto moderador
El cuadro 9 demuestra el efecto moderador de la inversión en activos fijos. La comparación de las columnas (1) y (2) revela
que las finanzas digitales y la inversión per cápita en activos fijos han pasado de promover a inhibir el carbono
productividad, y sus efectos negativos son obviamente más fuertes, lo que indica que los efectos negativos de ambos sobre la productividad del
carbono aumentarán después de que se elimine el efecto moderador de la FAI. Al mismo tiempo, el coeficiente de regresión del término cruzado
es significativamente positivo, lo que indica que la FAI fortalece el efecto de promoción de las finanzas digitales sobre la productividad del carbono.
Por tanto, se verifica la hipótesis 4.
5.3.2 Prueba del efecto umbral y estimación del valor umbral
El análisis anterior demuestra que la FAI puede fortalecer la promoción de la productividad del carbono por parte de las finanzas digitales. Es
14
¿El efecto moderador de la FAI sobre las finanzas digitales que mejoran la productividad del carbono es una relación lineal, o es una relación no
lineal en la que el grado de promoción cambiará después de que la FAI supere un cierto umbral? A
Para abordar estas preguntas, el modelo de umbral de panel ideado por Han et al. (2019) se adopta.
Para evitar una regresión falsa, se debe evaluar la estacionariedad de los datos de panel antes de aplicar el modelo de umbral.
estimado (Tabla 10).
A continuación, se consultan las conclusiones pertinentes de Hansen (1999) para verificar la existencia del umbral del panel. cuando ambos
Los lados del umbral se redujeron en un 5% y el número de muestreos repetidos se fijó en 100, la inversión per cápita en activos fijos pasó
claramente la prueba del umbral único. La Tabla 11 detalla el umbral correspondiente.
resultados de la prueba de efecto.
Como ilustra la Tabla 11, sólo el estadístico F del umbral único es significativo y el valor del umbral
pertenece al intervalo de confianza, es decir, el índice de probabilidad está por debajo de 0 en el nivel de significancia del 10%,
lo que indica que la estimación del umbral es igual al valor real, por lo que existe un umbral único.
Según los resultados de la estimación presentados en el Cuadro 12, cuando la inversión per cápita en activos fijos se encuentra en
diferentes rangos de umbral, el efecto de las finanzas digitales sobre la productividad del carbono variará. Además, los coeficientes estimados de
las variables de control son todos significativos al nivel del 1%, lo que indica que los niveles de urbanización, las estructuras industriales, las
economías y las poblaciones de las ciudades influyen significativamente en los resultados de la regresión umbral.
En concreto, cuando la inversión per cápita en activos fijos no supera los 682,73 (e6,5261) yuanes, el coeficiente estimado de las finanzas digitales
es 0,228, lo que tiene un efecto de atracción limitado sobre la productividad del carbono; cuando la inversión per cápita en activos fijos es superior
a 682,73 yuanes, el coeficiente estimado de las finanzas digitales es 0,254,
lo que mejora el efecto de atracción sobre la productividad del carbono, lo que indica que el efecto moderador de los activos fijos
La inversión tiene características no lineales.
Para observar la validez del valor umbral de forma más intuitiva, la Fig. 5 muestra la prueba del índice de verosimilitud (LR)
diagrama de un valor estimado de umbral único de 6,5261 en un intervalo de confianza del 95%. El punto más bajo en el que
la estadística de razón de verosimilitud LR se acerca a 0 es el valor umbral real correspondiente, y el punto de intersección con la línea de puntos
(que indica que el valor crítico es 7,35) es la estimación de intervalo del valor umbral. Como la Fig.
5 ilustra, el valor umbral es claramente inferior al valor crítico, lo que indica que el valor umbral anterior
es verdadero y válido.
5.4 Verificación de robustez
(1) Método de sustitución de variables: sustituir la variable explicada por las emisiones de CO2 per cápita para
regresión. Los resultados indican que las finanzas digitales tienen efectos indirectos locales y espaciales de la reducción de las emisiones de
carbono; luego, se hace una regresión del término de rezago de primer orden (L.lnfinanzas) de las variables explicativas principales. El retraso
de primer orden de las finanzas digitales tiene un impacto positivo en la productividad del carbono, lo que indica que el impacto de las finanzas
digitales en la productividad del carbono puede ser a largo plazo.
(2) Método de eliminación de muestras: se excluyen Beijing, Tianjin, Shanghai y Chongqing, y el original
15
El modelo se utiliza para la regresión, lo que aún muestra que las finanzas digitales pueden promover el crecimiento de la productividad del carbono.
(3) Método de regresión cuantil: establezca los niveles cuantiles de 0,10, 0,25, 0,50, 0,75 y 0,90 alternativamente para verificar
que el coeficiente de estimación de las finanzas digitales es significativamente mayor que 0, es decir, puede mejorar efectivamente
la productividad del carbono. Además, el efecto de promoción continúa aumentando a medida que aumentan las finanzas digitales, lo que
verifica la existencia de efectos de red.
5.5 Verificación de endogeneidad
5.5.1 Estimación de variables instrumentales
Para resolver el problema de la endogeneidad debido a variables faltantes o causalidad inversa, buscamos una variable instrumental adecuada para
controlar la endogeneidad del modelo. Basándose en el método desarrollado por Fu y
Huang (2018), “la distancia desde la ciudad a nivel de prefectura hasta Hangzhou” se utilizó como variable instrumental para
finanzas digitales, y la regresión de mínimos cuadrados en dos etapas se llevó a cabo con efectos anuales y regionales fijos
(La Tabla 13 presenta los resultados). Los valores p del estadístico LM de KleibergenPaaprk son todos inferiores a 0,05, lo que rechaza la hipótesis nula
en el nivel del 5%, lo que indica que la variable instrumental pasó la prueba de no identificable. El
El valor F de la primera etapa es mayor que el valor empírico de 10, lo que excluye la posibilidad de una variable instrumental débil. Además, como el
número de variables endógenas y de variables instrumentales es igual, no hay problema de sobrereconocimiento. Cuando se examina la endogeneidad, el
efecto beneficioso de las finanzas digitales sobre la productividad del carbono urbano sigue siendo significativo, lo que demuestra una vez más la validez
de la conclusión de la investigación.
5.5.2 Estimación del modelo de panel espacial dinámico
Considerando que puede haber cierto grado de sostenibilidad en el desarrollo de una economía baja en carbono:
es decir, la productividad actual del carbono depende de la productividad del carbono anterior; este estudio introduce el término de rezago de primer orden
de la variable explicada ( . ), para examinar la influencia de otros factores además de la
explicó las variables sobre la productividad del carbono urbano. En comparación con el modelo de panel espacial estático, el modelo de panel dinámico no
solo tiene en cuenta el cambio dinámico de la productividad del carbono en sí, sino que también supera el error de resultado causado por “el crecimiento
mutuo de los huevos” (Yu, 2015). En particular, ofrece ventajas incomparables para resolver los problemas endógenos causados por el modelo econométrico
espacial (Zhang et al., 2017). La Tabla 14 presenta los resultados.
Según los resultados de la Tabla 14, el término de rezago de primer orden de la productividad del carbono en los modelos (1) y (2) es
significativo al nivel de significancia del 10%. En comparación con el modelo de panel espacial estático, el coeficiente de regresión
de las finanzas digitales en el modelo de panel espacial dinámico es claramente mayor, lo que indica que el modelo de panel espacial estático exagera el
efecto de las finanzas digitales en la productividad del carbono urbano porque el término de retraso de primer orden de la variable explicada puede reflejar
las características de cambio dinámico y continuo de productividad del carbono urbano. También puede eliminar los posibles factores que influyen en la
productividad del carbono urbano de los factores que influyen en la estructura espacial, corrigiendo así el error de estimación del modelo de panel espacial
estático debido a la endogeneidad.
dieciséis
Los resultados de la verificación endógena verifican una vez más la precisión del análisis anterior, es decir, la
El desarrollo de las finanzas digitales puede mejorar la productividad del carbono de las ciudades locales y vecinas.
6 Análisis de heterogeneidad
6.1 Heterogeneidad espacial
Debido a que el desarrollo de las finanzas digitales ejerce un efecto de derrame espacial sobre la productividad del carbono, es posible determinar la
existencia de heterogeneidad espacial y dividir las muestras según dos dimensiones: aglomeración urbana (Zhang et al., 2019) y región. Dado que es
necesario explorar la heterogeneidad espacial, aquí solo se utilizan ponderaciones geográficas para el análisis (Tabla 15). En primer lugar, con
respecto a la heterogeneidad de las aglomeraciones urbanas, las finanzas digitales pueden promover la productividad del carbono de las ciudades
locales e influir en las áreas vecinas para mejorar su productividad del carbono a través de efectos indirectos. Esto puede deberse a que el nivel de
desarrollo de la tecnología digital
La financiación en las aglomeraciones urbanas es alta y, en comparación con las aglomeraciones no urbanas, las aglomeraciones urbanas
tienen industrias desarrolladas y un fuerte efecto de vinculación, que puede atraer diversos elementos como científicos y
élites tecnológicas y hacer pleno uso de la tecnología digital para potenciar el desarrollo financiero, haciendo así más efectivo el aumento de la
productividad del carbono. El desbordamiento de conocimientos y tecnología financieros digitales promoverá indirectamente la productividad del
carbono en las zonas vecinas. El efecto de promoción de las finanzas digitales sobre la productividad del carbono es más débil en las áreas de
aglomeración no urbana y no hay un efecto indirecto significativo. Se puede dividir en tres regiones: regiones oriental, central y occidental. En la región
oriental, las finanzas digitales pueden promover significativamente la productividad del carbono, pero también pueden inhibir significativamente la
productividad del carbono de
ciudades vecinas. Presumiblemente, esto se debe a que el nivel financiero digital de las ciudades de la región oriental ya está
alto, que apoya la I+D de tecnología verde para mejorar las estructuras industriales, reducir las emisiones de carbono y
promover la acumulación de capital humano, lo que a su vez aumenta el PIB y promueve la mejora de
productividad local del carbono. Sin embargo, debido a la abundancia de capital y la tecnología avanzada de la región oriental, se han cultivado
numerosas empresas de alta tecnología y se han formado muchas áreas urbanas centrales, que pueden
ejercer un efecto sifón para estimular el crecimiento verde de manera más efectiva y al mismo tiempo obstaculizar el desarrollo de las finanzas digitales
en ciudades fuera de la región, afectando así negativamente la transformación hacia una economía baja en carbono. En las regiones central y
occidental, las finanzas digitales pueden mejorar la productividad del carbono de las ciudades locales, pero no tienen un efecto significativo en las
regiones vecinas. Así, considerando la heterogeneidad espacial, el dividendo financiero digital
de los centros de aglomeración urbana y las ciudades de la región oriental se liberarán más plenamente y el impacto espacial
El efecto sobre la productividad del carbono será más fuerte.
6.2 Descomposición de funciones de las finanzas digitales
Las finanzas digitales cubren tres dimensiones: cobertura financiera digital ( ), profundidad del uso financiero digital
( ), y grado digital de finanzas inclusivas ( ). Analizar los efectos respectivos de estos tres
dimensiones sobre la productividad del carbono en profundidad, se regresan individualmente como variables independientes, y el
17
Los resultados se presentan en la Tabla 16. El modelo (1) refleja el efecto de influencia de la cobertura de las finanzas digitales, y se puede ver
que tiene un efecto promotor significativo sobre la productividad local del carbono. Esto puede deberse a que cuanto más amplia sea la
cobertura de las finanzas digitales, más ciudades disfrutarán del dividendo financiero digital, lo que favorece
cambiar los modos de producción atrasados; Además, la amplia cobertura de las finanzas digitales aliviará
el costo de la asignación de recursos y estimular el crecimiento económico. Al mismo tiempo, una cobertura más amplia de las finanzas digitales
dará como resultado una mayor productividad del carbono en las áreas vecinas, lo que indica que el efecto económico de bajas emisiones de
carbono producido por la cobertura de las finanzas digitales se ha desbordado. El modelo (2) refleja el efecto de influencia de la profundidad de
las finanzas digitales, que no solo puede mejorar efectivamente la productividad del carbono local sino también mejorar la productividad del
carbono de las ciudades vecinas. Por lo tanto, si se intensifica la aplicación de las finanzas digitales, se puede fomentar la investigación científica
y la innovación ecológicas, optimizar la estructura de la industria energética y mejorar el factor
retornos, mejorando así la productividad del carbono de las ciudades. El modelo (3) muestra que el grado de digitalización en los países inclusivos
Las finanzas y el coeficiente de su ponderación geográfica son ambos significativamente positivos, lo que puede deberse a que
La digitalización financiera puede mejorar la eficiencia de la vida urbana y los servicios financieros a través del empoderamiento digital, y la
difusión de elementos de tecnología digital promoverá el desarrollo de las finanzas digitales en áreas vecinas y mejorará la productividad del
carbono de las ciudades. Entre estos efectos, la profundidad de las finanzas digitales tiene el efecto más fuerte en la productividad local del
carbono, y el efecto de derrame espacial de la cobertura de las finanzas digitales es el mayor.
7. Conclusiones e implicaciones políticas
7.1 Conclusiones
En este estudio, hemos explorado el impacto espacial de las finanzas digitales en la productividad del carbono urbano. Sobre la base de aclarar
el mecanismo y el desbordamiento espacial, examinamos más a fondo el efecto moderador de la inversión en activos fijos en la relación entre
ellos e investigamos la heterogeneidad espacial del impacto de las finanzas digitales en la productividad del carbono urbano, lo que generó las
siguientes conclusiones:
(1) La productividad del carbono se distribuye en un patrón de puntos. Debido a las diferencias en tecnología e industria,
existe una heterogeneidad espacial que es alta en el este y baja en el oeste. Además, la estructura general tiene
mejorado con el tiempo; Tanto la productividad del carbono como las finanzas digitales se caracterizan por niveles altos (bajos) y altos (bajos).
aglomeración espacial, con la correlación espacial del primero fluctuando repetidamente, mientras que la del segundo primero aumenta, luego
cae y luego vuelve a aumentar, y el grado de aglomeración espacial de ambos está aumentando.
(2) El desarrollo de las finanzas digitales puede mejorar significativamente la productividad del carbono en esta región y desempeñar
un papel en la productividad del carbono a través de dos canales de transmisión: el capital humano y los efectos de la comercialización. Las
finanzas digitales, que tienen un importante efecto de derrame espacial, también tendrán un efecto en la productividad del carbono de las ciudades
vecinas. Según los resultados de la descomposición del efecto de derrame espacial de las finanzas digitales, un 1%
El aumento de las finanzas digitales locales aumentará la productividad local del carbono en un 0,25%, 0,24% y 0,25%, respectivamente.
18
bajo los tres pesos de geografía, economía y geografía económica. Bajo peso geográfico, un aumento del 1% en las finanzas digitales en
áreas vecinas conducirá a un aumento del 1,77% en la productividad local del carbono.
Teniendo en cuenta la heterogeneidad espacial, el desarrollo de las finanzas digitales puede mejorar eficazmente la huella de carbono.
La productividad de las ciudades en las aglomeraciones urbanas y las finanzas digitales en las ciudades del este tienen el mayor efecto en la
la productividad del carbono de la región.
(3) La inversión en activos fijos tiene un efecto moderador positivo en el desarrollo de las finanzas digitales y
la promoción de la productividad del carbono. Los resultados de la estimación del umbral muestran que el efecto moderador de los tipos fijos
La inversión en activos tiene características no lineales, es decir, cuando la inversión en activos fijos se realiza en diferentes intervalos, la inversión en activos fijos tiene características no lineales.
El efecto de las finanzas digitales sobre la productividad del carbono variará. Específicamente, cuando la inversión per cápita en activos fijos
no supera los 682,73 yuanes, el efecto de atracción de las finanzas digitales sobre la productividad del carbono es limitado; cuando
la inversión per cápita en activos fijos es superior a 682,73 yuanes, el efecto de atracción de las finanzas digitales sobre el carbono
se mejora la productividad.
(4) La cobertura y profundidad de las finanzas digitales y el grado de digitalización de las finanzas digitales pueden
mejorar significativamente la productividad del carbono de las ciudades locales y vecinas. De estos, la profundidad de las finanzas digitales
tiene el efecto más fuerte en la productividad local del carbono y el efecto de derrame espacial de las finanzas digitales.
la cobertura es mayor.
7.2 Implicaciones de política
Hemos examinado el mecanismo de transmisión del efecto del capital humano y el efecto de comercialización de las finanzas digitales y su
efecto de derrame espacial sobre la productividad del carbono, descompuesto el efecto de las finanzas digitales sobre el carbono.
productividad, probó el efecto moderador de la inversión en activos fijos en la relación entre las finanzas digitales
y la productividad del carbono, y estimó el valor umbral de la inversión en activos fijos per cápita, enriqueciendo el
resultados de investigaciones existentes tanto teórica como empíricamente. Con base en la conclusión, la siguiente política
Se proponen implicaciones:
(1) Debe ampliarse la cobertura de las finanzas digitales y consolidarse su profundidad de uso. El nivel digital
La tecnología debe mejorarse en varias regiones y la accesibilidad de las finanzas digitales debe mejorarse con el empoderamiento de la
tecnología digital. Se debe garantizar el flujo eficiente de capital entre regiones e industrias y se debe promover la mercantilización financiera
para beneficiar a más personas. Al mismo tiempo, es necesario mejorar las estructuras financieras, intensificar las aplicaciones financieras,
mejorar la eficiencia de la asignación de recursos y
mejoró la disponibilidad de financiación digital y se debe promover la productividad del carbono urbano.
(2) Se debe fortalecer la I+D innovadora en finanzas digitales, mejorar la capacidad de apoyo técnico y
Se promueve el empoderamiento financiero digital y la reducción de emisiones. Por un lado, en combinación con el objetivo de una economía
baja en carbono en las ciudades, debe garantizarse la transformación digital de las instituciones financieras tradicionales;
Además, se debe alentar a las instituciones financieras a continuar innovando en productos y servicios financieros digitales, se debe catalizar
el efecto de la innovación tecnológica en la reducción de emisiones y se debe aumentar la inversión en I+D verde destinada a expandir el
mercado financiero verde. Por otra parte, el
19
La introducción de instrumentos financieros que sean más propicios para la preservación del medio ambiente ecológico y la mejora de las
plataformas de servicios financieros verdes reducirán el umbral para que las personas participen en
gobernanza ambiental y estimular el crecimiento verde.
(3) Al desarrollar las finanzas digitales, el gobierno debería acelerar la construcción de infraestructura digital,
apoyar a las empresas para que inviertan en activos fijos digitales y fortalecer el papel de la tecnología digital, generando
financiación para promover la productividad del carbono urbano mejorando los niveles de tecnología digital de los departamentos básicos.
Además, el gobierno debería regular y supervisar el comportamiento de inversión en activos fijos de residentes y empresas mediante la
evaluación del ahorro de energía y la gestión del uso de energía, alentar a las empresas a invertir en capital productivo verde, optimizar
continuamente la estructura de oferta de capital de las finanzas digitales, dirigir fondos para áreas de bajo consumo de energía y bajas
emisiones, y mejorar la eficiencia en el uso de energía y la ecología.
I+D tecnológico.
(4) Deben formularse políticas y medidas diferenciadas según las características del desarrollo.
de cada región. Debido a las diferencias en la dotación de recursos entre ciudades, los efectos de las finanzas digitales varían, por lo que es
necesario optimizar los modos de desarrollo financiero local de acuerdo con sus respectivas características.
La región oriental y las ciudades centrales deben seguir aprovechando al máximo las ventajas de las finanzas digitales y liderar el desarrollo
de otras regiones de un punto a otro. Para las regiones central y occidental, es necesario centrarse en la construcción de infraestructura
financiera digital y ampliar continuamente su cobertura para compensar
deficiencias existentes. Al mismo tiempo, se debe idear un nuevo modelo de desarrollo y superar las limitaciones de espacio y las barreras
comerciales. Por último, debería establecerse un mecanismo de vinculación entre las finanzas digitales
en diferentes ciudades, para promover su desarrollo coordinado y estimular la vitalidad del desarrollo urbano.
economía baja en carbono.
Aunque este estudio ha mejorado el estudio de las finanzas digitales y la productividad del carbono y ha ampliado el
Los factores que influyen en la productividad del carbono y los resultados teóricos relacionados con los efectos económicos bajos en carbono
de las finanzas digitales, el análisis tiene varias limitaciones. Primero, el estudio aplicó la productividad del carbono urbano, calculada por las
emisiones de dióxido de carbono y el PIB regional real, para reflejar el nivel de la economía urbana baja en carbono.
Según la disponibilidad de datos, persisten varias deficiencias en la medición de la economía baja en carbono. En el futuro, es posible que
se seleccionen más indicadores económicos adecuados y métodos de medición con bajas emisiones de carbono.
pueden optimizarse para garantizar la exactitud de las conclusiones. En segundo lugar, aunque este trabajo ha verificado la
efecto moderador no lineal de la inversión en activos fijos, debido a la falta de discusión empírica debido al espacio
limitaciones, será necesario distinguir los tipos de inversión en activos fijos en la investigación de seguimiento y explorar
cómo afecta la relación entre las finanzas digitales y la productividad del carbono.
Reconocimiento:
El artículo fue apoyado por la Fundación Nacional de Ciencias Naturales de China (72243005) y el Fondo Nacional de Ciencias Sociales
de China (21AZD067).
20
Referencias
An, C., Lei, M., 2019. Investigación sobre emisiones de dióxido de carbono, capital humano y crecimiento económico endógeno.
Ciencia de la gestión de China 5, 149160.
Andyc, C. Kwan, Yang, RW, Zhang, JX, 1999. Inversión fija y crecimiento económico en China. Economía de la planificación 32, 6779.
Barykin, SE, Sergeev, SM, Kapustina, IV, Fedotov, AA, matchinov, VA, Plaza, EDL, Mottaeva, AB, Sharkova, AV, Borisova, AY,
Karmanova, AE, 2023. Sostenibilidad ambiental y transformación digital de la sociedad Económico: Perspectiva de la calidad de
vida. Revista de Política y Gestión de Evaluación Ambiental 25(1), 2350001. DOI: 10.1142/S1464333223500011.
Beinhoker E., Oppenheim, J., Irons, B., Lahti, M., Farrell, D., Nyquist, S., Remes, J., Naucler, T., Enkvist, PA, 2008. El desafío de la
productividad del carbono: Frenar el cambio climático y sostener el crecimiento económico.
McKinsey & Company, Nueva York.
Chen, L., Wang, TP, Wu, YM, Xie, JZ, 2022. Subsidios gubernamentales, finanzas digitales e innovación empresarial: un análisis
empírico basado en empresas que cotizan en bolsa que fabrican información. Investigación económica contemporánea 1,
107117.
Chen, SY, 2011. Fluctuación y modo de disminución de la intensidad de las emisiones de carbono en China y explicación económica.
Economía Mundial 4, 124143.
Cooley, TF, Smith, BD, 1998. Mercados financieros, especialización y aprendizaje práctico. Investigación en
Economía 52(4), 333361.
De Long, JB, Summers, LH, Abel, AB, 1992. Inversión en equipos y crecimiento económico: ¿qué tan fuerte es?
el nexo. Documentos de Brookings sobre la actividad económica, (2), 157199.
Deng, RR, Zhang, AX, 2021. La influencia y el mecanismo del desarrollo de las finanzas digitales en el desempeño de las emisiones
de carbono en China. Ciencia de recursos 11, 23162330.
Fan, G., Wang, XL, Zhu, HP, 2011. Índice de comercialización de China2011 Informe sobre el proceso relativo de
Comercialización en varias regiones. Prensa de Ciencias Económicas.
Fang, J., Wen, ZL, Liang, DM, Li, NN, 2015. Análisis del efecto moderador basado en regresión múltiple.
Ciencia Psicológica 3, 715720.
Focacci, A., 2003. Análisis empírico de las políticas ambientales y energéticas en algunos países en desarrollo utilizando indicadores
macroeconómicos ampliamente utilizados: los casos de Brasil, China e India. Política Energética 4, 543554.
Fu, QZ, Huang, YP, 2018. El impacto heterogéneo de las finanzas digitales en la demanda financiera rural: evidencia de la encuesta
sobre finanzas de los hogares de China y el índice de finanzas inclusivas digitales de la Universidad de Pekín. Revista de
investigación financiera 11, 6884.
Guo, BN, Bu, Y., 2018. Capital humano, estructura industrial y eficiencia de las emisiones de carbono en China: un estudio empírico
basado en el modelo SBM y Tobit. Gestión Económica Contemporánea 6, 1320.
Guo, F., Kong, T., Wang, JY, 2017. Análisis del efecto de aglomeración espacial de las finanzas de Internet: evidencia del índice de
desarrollo de las finanzas de Internet. Investigación financiera internacional 8, 7585.
Hai, R., Heckman, JJ, 2017. Desigualdad en el capital humano y restricciones crediticias endógenas. Revisión de la dinámica
económica 25, 436.
Hansen, BE, 1999. Efectos de umbral en paneles no dinámicos: estimación, prueba e inferencia. Diario de
Econometría 2, 345368.
Han, XF, Song, WF, Li, BX, 2019. ¿Puede Internet convertirse en una nueva energía cinética para mejorar la eficiencia de la
innovación regional en China? Economía industrial de China 7, 119136.
Hao, Y., Liu, YM, 2016. Los factores influyentes de las concentraciones urbanas de PM2,5 en China: una econometría espacial
análisis. Revista de Producción Más Limpia 112, 14431453.
He, MB, Yang, XW, 2021. Finanzas digitales, emisiones de carbono y productividad total de los factores. Foro Financiero
2, 1825.
He, WJ, Li, WQ, Deng, ML, 2022. Capital humano, innovación científica y tecnológica verde y eficiencia del factor total de emisiones
de carbono del cinturón económico del río Yangtze. Política y progreso de ciencia y tecnología 9, 2332.
Herrerías, MJ, Orts, V., 2012. Inversión en equipos, producción y productividad en China. Empir Econ 42, 181
207.
21
Hui, XB, 2021. Finanzas digitales y productividad total de los factores verdes urbanos: mecanismo interno y empírico
evidencia. Finanzas del Sur 5, 2031.
Hu, JY, Zhang, XF, 2023. Estudio sobre el efecto de reducción de las emisiones de carbono de la tecnología financiera y el papel
regulador de la política verde bajo el objetivo del "doble carbono". Economía y finanzas modernas (Revista de la Universidad de
Finanzas y Economía de Tianjin) 1, 316.
Hu, SC, Zhang, YY, Zhang, YK, 2022. Finanzas digitales, desajuste de capital y brecha de ingresos regional. Financiero
Ciencia 5, 114.
Jalil, A., Feridun, M., 2011. El impacto del crecimiento, la energía y el desarrollo financiero en el medio ambiente en
China: un análisis de cointegración. Economía Energética 2.
Jia, R., Shao, S., Yang, L., 2021. Tren de alta velocidad y emisiones de CO2 en la China urbana: una diferencia espacial
enfoque de diferencias. Economía Energética 99, 105271.
Kaya, Y., Yokobori, K., 1997. Medio ambiente, energía y economía: estrategias para la sostenibilidad. Naciones Unidas
Prensa universitaria.
Le, G., 2016. Crecimiento económico, sistema de mercado y emisiones de CO2: un estudio empírico basado en economías emergentes.
economías. Empresarios chinos y extranjeros 4, 9396+99.
Liao, L., Li, MR, Wang, ZW, 2014. Inversores inteligentes: tasa de interés de mercado e identificación de riesgos incompleta
evidencia de préstamos P2P entre pares. Investigación Económica 7, 125137.
Li, DS, Xu, HF, Zhang, SY, 2018. Desarrollo financiero, innovación tecnológica y eficiencia de las emisiones de carbono: investigación
teórica y empírica. Exploración de cuestiones económicas 2, 169174.
Li, RJ, Zhang, L., Zhao, LD, 2016. Uso de energía limpia de China, estructura de asignación de factores y crecimiento de la productividad
del carbono basado en la función de producción de introducción de energía y capital humano. Ciencia de recursos 4, 645657.
Liu, CL, Yin, MY, Huang, L., 2018. Basado en el análisis policéntrico, el patrón espacial complementario de
La red de transporte de China. Geografía Económica 10, 2128.
Liu, F., Sim, JY, Sun, H., Edziah, BK, Adom, PK, Song, S., 2023. Evaluación del papel de la globalización económica en la eficiencia
energética: evidencia desde una perspectiva global. Revisión económica de China 77, 101897.
Liu, W., Zhang, YL, Wang, Y., 2021. ¿Ha aliviado el desarrollo de las finanzas digitales la pobreza relativa?
Gestión Económica 7, 4460.
Lu, JH, Wei, XD, 2021. Marco de análisis, concepto y elección de camino de la gobernanza de la brecha digital para las personas
mayores, basado en la perspectiva teórica de la brecha digital y la brecha de conocimiento. Investigación de población 3, 1730.
Lu, YQ, Zhang, DG, 2016. Descentralización ambiental, segmentación del mercado y emisión de carbono. Población, recursos y medio
ambiente de China 6, 107115.
Ma, HL, Qu, XE, 2021. El impacto de las finanzas digitales en el análisis del desarrollo económico de alta calidad basado en la
perspectiva del capital humano rural y la brecha digital. Exploración de cuestiones económicas 10, 173190.
Mao, N., Sun, WZ, Yang, YJ, Liu, Z., 2022. Construcción de infraestructura de transporte y transformación digital de las empresas: un
estudio empírico del ferrocarril de alta velocidad de China como ejemplo. Investigación sobre Economía Cuantitativa 10, 4767.
Meng, HW, Zhao, HP, Zhang, SD, 2022. Construcción de infraestructura de información y actividad empresarial digital regional. Revista
de la Universidad de Economía y Derecho de Zhongnan 4, 145160.
Muganyi, T., Yan, L., Yin, Y., Sun, H., Gong, X., TaghizadehHesary, F., 2022. Fintech, regtech y desarrollo financiero: evidencia de
China. Innovación financiera 8, 29. https://doi.org/10.1186/s40854021
003136.
Omri, A., Daly, S., Rault, C., Chaibi, A., 2015. Desarrollo financiero, calidad ambiental, comercio y crecimiento económico: qué causa
qué en los países MENA. Economía de la energía 48, 242252.
Cui, PP, Zhao, Y., Hao, LS, Xia, SY, Xu, X., Tang, WM, 2020. Evaluación de la eficacia de la reducción de emisiones provinciales en el
proceso de disminución de la intensidad de las emisiones de carbono en la industria energética de China.
Investigación geográfica 39(8), 18641878.
Shahbaz, M., Tiwari, AK, Nasir, M., 2013. Los efectos del desarrollo financiero, el crecimiento económico, el consumo de carbón y la
apertura comercial sobre las emisiones de CO2 en Sudáfrica. Política Energética 61, 14521459.
Shao, S., Yang, LL, Yu, M., Yu, ML, 2011. Estimación, características y determinantes de los factores relacionados con la energía.
Emisiones industriales de CO2 en Shanghai (China). Política Energética 10, 64766494.
22
Shao, S., Zhang, K., Dou, JM, 2019. Efecto de ahorro de energía y reducción de emisiones de la aglomeración económica: teoría y
experiencia de China. Mundo de la gestión 1, 3660+226.
Sun, CX, Pei, XZ, Liu, CJ, Bu, QJ, 2021. Características de la red espacial y mecanismo impulsor de la logística.
Innovación en China. Investigación de Geografía 5, 13541371.
Sun, YL, Li, G., Wang, XY, 2022. El impacto de las finanzas digitales en la mala asignación de mano de obra y su análisis de
heterogeneidad: basado en datos de panel de las ciudades a nivel de prefectura de China. Estudios en Ciencias de la Ciencia 1, 47
56+138.
Tamazian, A., Chousa, JP, Vadlamannati, KC, 2009. ¿Un mayor desarrollo económico y financiero conduce a la degradación ambiental:
evidencia de los países BRIC? Política Energética 37(1), 246253.
Tan, WT, Cao, T., 2022. ¿La innovación en tecnología verde, el consumo de energía renovable y la inversión en energía renovable
mejoran la calidad ambiental? Revista de Política y Gestión de Evaluación Ambiental 3, 2250031.
Wang, KL, Sun, TT, Xu, RY, Miao, Z., Cheng, YH, 2022a. ¿Cómo promueve el desarrollo de Internet la eficiencia de la innovación verde
urbana? Pruebas de China. Previsión tecnológica y cambio social 184, 122017.
Wang, KL, Su, QP, Zhang, FQ, Miao, Z., Sun, HP, 2022b. La evaluación del impacto de la política de ciudades inteligentes en la
productividad total de los factores verdes urbanos: evidencia de China. Revisión de la evaluación de impacto ambiental 94, 106756.
Wang, KL, Zhao, B., Fan, TZ, Zhang, JN, 2022c. Objetivos de crecimiento económico y emisiones de carbono: evidencia
de China. En t. J. Medio Ambiente. Res. Salud Pública 19(13), 8053.
Wang, WJ, Xiang, QF, 2014. Evaluación del ajuste de la estructura industrial y el ahorro de energía y emisiones.
potencial de reducción en China. Economía industrial de China 1, 4456.
Wang, YB, Zhang, Y., Li, JG, 2022d. Finanzas digitales y emisiones de carbono: un estudio basado en microdatos y modelo de aprendizaje
automático. Población, recursos y medio ambiente de China 6, 111.
Wen, ZL, Ye, BJ, 2014. Análisis del efecto de mediación: desarrollo de métodos y modelos. Avances en Psicología
Ciencia 5, 731745.
Xu, YL, Sun, ZJ, Li, S., 2022. Finanzas digitales y finanzas rurales tradicionales: ¿alternativas o complementarias? Partiendo de la
perspectiva de una relajación de las limitaciones de financiación de los agricultores. Investigación financiera 6, 3448.
Xu, Z., Gao, Y., Huo, ZF, 2021. Efecto de reducción de la contaminación de las finanzas digitales. Ciencias Financieras 4, 2839.
Yao, FG, Wang, TH, Tan, LP, 2021. El impacto de las finanzas digitales inclusivas en la eficiencia de las emisiones de carbono: un análisis
empírico desde una perspectiva espacial. Investigación de economía financiera 6, 142158.
Yu, BB, 2015. El efecto del crecimiento económico del ajuste de la estructura industrial y la mejora de la productividad basado en el
análisis del modelo de panel espacial dinámico urbano de China. Economía industrial de China12, 8398.
Zeng, FH, Xiao, SY, 2022. El impacto de las finanzas digitales en la eficiencia de la economía verde urbana. Estadísticas
& Decisión 15, 144148.
Zhang, F., Ning, YM, Lou, XY, 2019. Competitividad de la aglomeración urbana de China y su influencia en
diferencias regionales. Investigación de Geografía 7, 16641677.
Zhang, Q., Yang, J., Sun, ZX, Wu, F., 2017. Análisis de los factores de impacto de las emisiones de CO2 relacionadas con la energía en
China: ¿Qué nos pueden decir las regresiones de paneles espaciales? Revista de Producción Más Limpia 161, 10851093.
Zhang, WL, Chong, ZH, Li, XJ, Nie, GB, 2020. Patrones espaciales y factores determinantes del flujo de población.
Redes en China: Análisis sobre big data de ubicación de Tencent. Ciudades 99, 102640.
Zhang, ZX, 2021. Emisiones máximas de dióxido de carbono, China y el mundo bajo el objetivo de neutralidad de carbono, transformación
verde con bajas emisiones de carbono, finanzas verdes, mercado de carbono y mecanismo de ajuste de fronteras de carbono.
Frontera Académica del Foro Popular 14, 6979.
Zhao, J., Zhao, ZR, Zhang, H., 2021. El impacto del crecimiento, la energía y el desarrollo financiero en la contaminación ambiental en
China: nueva evidencia de un análisis econométrico espacial. Economía Energética 93, 104506.
Zhao, LD, Zhang, L., Xu, L., Hu, MZ, 2016. Mecanismo de capital humano, ajuste de la estructura industrial y eficiencia del desarrollo
verde. Población, recursos y medio ambiente de China 11, 106114.
Zhao, X., Nakonieczny, J., Jabeen, F., Shahzad, U., Jia, W., 2022a. ¿Induce la innovación verde la productividad total de los factores
verdes? Hallazgos novedosos a partir de datos a nivel de ciudades chinas. Previsión tecnológica y cambio social 185, 122021.
23
Zhao, X., Shang, Y., Ma, X., Xia, P., Shahzad, U., 2022b. ¿El comercio de carbono conduce a la innovación en
tecnología verde?: evidencia reciente de empresas chinas en industrias basadas en recursos. Transacciones IEEE
sobre gestión de ingeniería 118.
Zhao, X., Tao, W., Ma, X., Wang, C., Mentel, G., 2023. Explorando el papel de la regulación ambiental en la seguridad
energética: hallazgos contextuales para el desarrollo sostenible en las provincias chinas. Gondwana Res. 116, 113
124.
Zhong, MC, Kong, Y., Song, SR, 2011. Relación dinámica entre brecha de ingresos y destrucción ambiental en el
proceso de desarrollo y recuperación —— Análisis empírico del modelo de relación KC y EKC.
Soft Science 25(2), 16 (en chino con resumen en inglés).
Zhou, TY, 2022. Finanzas digitales, precio de los factores y movilidad laboral. Gestión Económica Contemporánea 4, 77
87.
24
Títulos de figuras y tablas
Figura 1. Diagrama del marco de investigación
Figura 2. Características de distribución espacial de la productividad del carbono
Figura 3. Análisis de tendencias de la productividad del carbono
Figura 4. Diagrama de dispersión de Moran de la productividad del carbono y las finanzas digitales
Figura 5. Gráfico LR de la prueba del efecto umbral
25
Tabla 1. Descripciones de variables
Tabla 2. Resultados descriptivos de las variables
Tabla 3. Índice de Moran de principales variables
Tabla 4. Resultados de las pruebas de mediación y regresión comparativa
Tabla 5. Resultados de la prueba Bootstrap
Tabla 6. Resultados de las pruebas econométricas espaciales
Tabla 7. Resultados de la regresión del modelo espacial de Durbin
Tabla 8. Efectos de descomposición de los efectos espaciales
Tabla 9. Efectos moderadores de la FAI
Tabla 10. Prueba de estacionariedad de datos de panel
Tabla 11. Prueba de efecto de umbral del panel
Tabla 12. Resultados de la estimación del modelo de umbral
Tabla 13. Resultados de la estimación de variables instrumentales
Tabla 14. Resultados de la estimación del modelo de panel espacial dinámico
Tabla 15. Resultados de la prueba de heterogeneidad espacial
Tabla 16. Descomposición de funciones de las finanzas digitales sobre la productividad del carbono
26
Tabla 1. Descripciones de variables.
Clasificación Nombre Símbolo Definición
Valor de medición calculado de la productividad del carbono verde
variable explicada Productividad del carbono
(yuanes / tonelada)
Índice de finanzas digitales inclusivas
Variables explicativas Amplitud de la cobertura de las finanzas digitales
Finanzas digitales
centrales Profundidad del uso de las finanzas digitales
Grado digital de finanzas inclusivas
Nivel de urbanización Población no agrícola (%)
Industrial avanzado
Proporción de industria terciaria (%)
estructura
Control variable
Nivel de desarrollo económico
PIB per cápita (Yuan)
Tamaño de la poblacion Población residente urbana (10.000 personas)
Efecto capital humano Gasto en educación per cápita (yuanes)
Variable mediadora
Efecto de mercantilización Índice de comercialización
Variable moderadora Inversión en activos fijos Inversión en activos fijos per cápita (yuanes)
27
Tabla 2. Resultados descriptivos de las variables
Variables Obs Media Est. Desarrollo. Mínimo máximo
2010 8681 6565 166 94495
2010 177,60 69,06 19,53 334,50
2010 168.000 68.150 1.880 326.500
2010 176,50 70,40 12,49 349,80
2010 211.200 83.230 3.390 581.200
2010 55,96 13,93 24,43 100,00
2010 42,73 10,47 16,48 83,87
2010 59718 146093 6916 6,4×106
2010 489,80 377,50 23,32 6645,00
2010 1.532,00 625,60 77,06 9.801,00
2010 11.890 2.370 4.960 19.870
2010 424,80 255,70 36,94 1705,00
28
Tabla 3. Índice de Moran de principales variables
Productividad del carbono Finanzas digitales
Año moran's
IZ de Moran z
I
2011 0,031*** 9,181 0,054*** 17,104 2012 0,031***
9,344 0,059*** 18,867 2013 0,030*** 9,101 0,064***
20,591 2014 0,032*** 9,731 0,049*** 15.463 2015
0.034*** 10.342 0,058*** 18,488 2016 0,033*** 10,000
0,062*** 19,887 2017 0,028*** 8,508 0,065*** 20,791
2018 0,040*** 12,766 0,078*** 25,287 2019 0,04 0***
12.670 0.080*** 26.169 2020 0,036*** 11,535 0,087***
28,514
Nota: *** indica los niveles de significancia del 1%.
29
Tabla 4. Resultados de las pruebas de mediación y regresión comparativa
Efecto total Capital humano Comercialización
Variable explicativa (1) (2) (3) (4) (5) (6)
0,350*** 0,239*** 0,290*** 0,190*** 0,239*** 0,188***

(16.20) (8.17) (16.30) (5.69) (21.64) (5.96)
0,167***
(2.93)
0,213***
(2.78)
Nº SÍ SI SÍ SI SÍ
7.111*** 3.823*** 2.850*** 3.346*** 1.560*** 3.491***
_
(64.84) (13.76) (16.31) (10.05) (19.79) (11.36)
SÍ SÍ SI SI SÍ SÍ
262,58 150,28 527.30 134,28 178,34 124,30
3.335*** 2.868***
3.331*** 2.865***
3.340*** 2.870***
2010 2010 Nota 2010 2010 2010
de 2010: *** indica los niveles de significancia del 1%; Valor t entre paréntesis.
30
Tabla 5. Resultados de la prueba Bootstrap
Efecto Efecto capital humano Efecto mercantilización
0,049*** 0,051***
efecto indirecto
(2.97) (2.77)
0,190*** 0,188***
Efecto directo
(5.54) (5.38)
0,239*** 0,239***
Efecto total
(7.61) (7.87)
Efecto mediador (%) 20,3 21,3
Nota: Los tiempos de muestreo de Bootstrap son 1000; *** indica los niveles de significancia del 1%; Valor Z entre paréntesis.
31
Tabla 6. Resultados de las pruebas econométricas espaciales
Prueba Estadística P Conclusión
prueba de Hausman 63,08 0,0000 Se utilizaron efectos fijos
WaldSAR 24,83 0,0002 Rechazar la degradación de SDM a SLM
WaldSEM 21,62 0,0000 Rechazar degradación de SDM a SEM
Error LM 20.314 0.0000 Hay algunos términos de error espacial.
Error LM (robusto) 20,421 0,0000 Hay algunos términos de error espacial
Retraso LM 6,9158 0,0085 3,2134 Hay un término de retraso espacial.
Retraso LM (robusto) 0,0730 Hay un término de retraso espacial.
32
Tabla 7. Resultados de la regresión del modelo espacial de Durbin
Distancia geográfica Distancia económica Distancia económicogeográfica
Variable explicativa
0,249*** 1,623** 0,241*** 0,024 0,244*** 0.014

(8,31) (2,13) (8,23) (0,32) (8,19) (0,18)
0,583*** −1,443*** 0,576*** −0,376** (6,50) (−2,13) 0,565*** −0,269
(6,45) (3,28) −0,562*** −0,0102 (6,31) (1,29)
−0,573*** 0,116 (−9,00) (−0,07) 0,201*** −0,586*** −0,003
(−8,87) (0,26) 0,111 (5,53) (1,64) (−9,18) (0,02)
0,191*** 0,214 0,247*** −0,172** 0,215*** 0,121
(5,20) (0,99) 0,241*** −0,0372 (5,89) (1.31)
(12,95) (−0,90) 0,161*** 0,244*** −0,114***
(13,02) (−2,34) 0,0624 (13,05) (2,80)
0.0629
(0,53) (4.33) (1.59)
SÍ SÍ SÍ
2 0,281 0,271 0.276
1960 2010 1970
Nota: *** y ** indican los niveles de significancia del 1% y 5%; Valor Z entre paréntesis.
33
Cuadro 8. Descomposición de efectos de efectos
espaciales Variable explicativa
matriz de peso Efecto de descomposición
0,250*** 0,580*** −0,568*** 0,191*** 0,247***

Efecto directo
(8,13) (6,66) (−8,98) (5,37) (13,50)
1,772** −1,499*** −0,166 0,239 −0,166**
Distancia geográfica efecto indirecto
(2,32) (−3,17) (−0,38) (1,05) (−2,20)
2,022*** −0,919* −0,734* 0,430* 0,081
Efecto total
(2,63) (−1,92) (−1,66) (1,85) (1,06)
0,244*** 0,565*** −0,559*** 0,204*** 0,241***
Efecto directo
(8,02) (6,61) (−9,14) (5,81) (13,49)
0,077 −0,331 −0,125 0,170** 0,004
Distancia económica efecto indirecto
(0,91) (−1,57) (−0,77) (2,17) (0,08)
0,321*** 0,234 −0,684*** 0,375*** 0,245***
Efecto total
(3,36) (1,01) (−3,88) (4,26) (5,14)
0,245*** 0,560*** −0,581*** 0,215*** 0,243***
Efecto directo
(7,99) (6,48) (−9,30) (6,11) (13,50)
0,035 −0,246 −0,048 0,145 −0,102**
Distancia económicogeográfica efecto indirecto
(0,44) (−1,08) (−0,33) (1,48) (−2,46)
0,280*** 0,314 −0,629*** 0,360*** 0,141***
Efecto total
(3,15) (1,27) (−3,86) (3,36) (3,17)
Nota: * * *, * * y * indican los niveles de significancia del 1%, 5% y 10%; Valor Z entre paréntesis.
34
Tabla 9. Efectos moderadores de la FAI
Variable explicativa (1) (2)
0,234*** −1,299***
(7,82) (6,82)
0,014 −1,465***
(0,32) (7,96)
0,284***
×
(8.08)
SÍ SÍ
3.838*** 11.939***
_
(12.84) (11.52)
2 0.280 0.303
2010 2010
Nota: *** indica los niveles de significancia del 1%; Valor t entre paréntesis.
35
Tabla 10. Prueba de estacionariedad de datos de panel
Variable
LLC −28.111*** −16.408*** −18.303*** −15.155*** −18.295*** −16.735*** −8.047***
IPS −15,722*** −8,416*** −12,681*** −16,144*** −11,086*** −14,037*** −13,541***
36
Tabla 11. Prueba de efecto de umbral del panel
Valor crítico Estimación El intervalo de confianza
Umbral tipo P F BS
1% 5% 10% de umbral del 95%
Umbral único 0,05 13,18* 100 17,0090 12,7116 11,6921 6.5261 [6.4979, 6.5265]
Umbral
0,24 7,78 100 13,4996 10,5050 9,9530
doble
Nota: * indica los niveles de significancia del 10%.
37
Tabla 12. Resultados de la estimación del modelo de umbral
Variable Coeficiente t
× ( ≤ 6,5261 0,228*** 7,31
× ( > 6.5261 0,254*** 8,11
0,552*** 5,93
−0,557*** −8,43
0,182*** 4,57
0,248*** 12,76
_contras 4.144*** 15.23
38
Tabla 13. Resultados de la estimación de variables instrumentales
Variable explicativa
0,201** 0,177**
(2.09) (2.36)
NO SÍ
SÍ SÍ
SÍ SÍ
− 16.52 16.29
− 50.01 49,84
2010 2010
Nota: ** indica los niveles de significancia del 5%; Valor Z entre paréntesis.
39
Tabla 14. Resultados de la estimación del modelo de panel espacial dinámico
(1) Distancia geográfica (2) Distancia económica (3) Distancia económicogeográfica
Variable
−0,0340* −0,0374* −0,0306

.
(1,67) (1,90) (1,53)
0,238*** 1.572* 0,228*** −0,022 0,233*** 0,059
(7.58) (1.71) (7.42) (0,29) (7.47) (0,74)

0,581*** −1,507*** 0,568*** −0,401** 0,570*** −0,589***
(6.02) (3,48) (6.02) (2,19) (5.96) (2,61)

−0,535*** −0,185 −0,523*** 0,0612 −0,555*** 0.0415
(7,71) (0,42) (7,82) (0,38) (8,11) (0,27)

0,183*** 0,198 0,196*** 0,121* 0,209*** 0,172*
(4.72) (0,69) (5.13) (1.74) (5.45) (1.77)

0,271*** −0,190** 0,262*** −0,0630 0,270*** −0,135***
(13.63) (2,53) (13.52) (1,49) (13.85) (3,23)

0,124 0,194*** 0,0937**
(1.05) (5.02) (2.29)

2
0,285 0.273 0.280
1764 1809 1773
Nota: * * *, * * y * indican los niveles de significancia del 1%, 5% y 10%; Valor Z entre paréntesis.
40
Tabla 15. Resultados de la prueba de heterogeneidad espacial
Urbano
Aglomeración no urbana Región Oriental Región Central Región Occidental
aglomeración
0,278*** 0,202*** 0,267*** 0,196*** 0,260***
(7.47) (4.08) (5.57) (4.14) (3.79)

0,371* −0,063 −0,691* −0,466 0,379
×
(1.83) (0,14) (1,79) (1,42) (0,52)
SÍ SÍ SÍ SÍ SÍ
SÍ SÍ SÍ SÍ SÍ
2
0.313 0.243 0.313 0.255 0,291
1200 760 760 730 470
Nota: *** y * indican los niveles de significancia del 1% y 10%; Valor Z entre paréntesis.
41
Tabla 16. Descomposición de funciones de las finanzas digitales sobre la productividad del carbono
Variable Modelo (1) Modelo (2) Modelo (3)
0,215*** 2,452***
(7.59) (3.04)
0,279*** 1,759**
(9.40) (2.13)
0,140*** 0,739*
(6,46) (1,77)
SÍ SÍ SÍ
SÍ SÍ SÍ
2
0,277 0,289 0,272
1960 1960 1960
Nota: * * *, * * y * indican los niveles de significancia del 1%, 5% y 10%; Valor Z entre paréntesis; matriz de peso geográfico. es
42
Reflejos
Modelo espacial de Durbin y modelo de regresión de umbrales para medir la productividad del carbono.
Comparación de la heterogeneidad de la distribución espacial de la productividad del
carbono. El desarrollo de las finanzas digitales puede mejorar significativamente la productividad del carbono.
Las finanzas digitales tienen un efecto de derrame espacial sobre la productividad del carbono.
43
44
Declaración de contribución de autoría crediticia
Huaping Sun: conceptualización, supervisión, redacción: revisión y edición.
Tingting Chen: curación de datos, redacción: revisión y
edición Christoph Nedopil Wang: supervisión, redacción: revisión y edición.
45
46
47
48
49
50

1234 Traducido

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

1234 Traducido

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Abr. Puede Jun. Jul. Ago. Sep.

mayo 0.103 0,338**

La temperatura al comienzo de la temporada de crecimiento. La temperatura en el cultivo. La temperatura en el crecimiento posterior.

mayo .477** .486** .421** .378** .224* .540** .472** .438** .377** 0,059 − 0,06 0,013 .326** .369** .434** .518** .264* .415** .501**

variables Modelo de Análisis Análisis de heterogeneidad

precipitación 0,412*** 0,761*** (0,091) (0,185) 0,723*** (0,117) 0,743*** (0,123) 0,761*** (0,148)

Wilson Sakperea, , Aderonke Busayo Sakpere b, Ifedolapo Olanipekunc ,

126 27,4 334 72,6 – – – –

Mi empleador me paga remuneración o salario durante 136 29,18 127 27.25 75 16.09 74 15,88 54 11.59

Las noticias sobre el COVID­19 han afectado mi salud mental general 46 9,87 105 16,74 22,53 155 33,05 33,26 103 24,46 22,10 57 18,24 12.23

Categoría Representación Frecuencia %

Muy pr3 64 13.73

Trabajar ahora aburrido < 0,0001 < Altamente significativa wsa menear wad wdg wsd

A Muy Productivo (pr3) 0.56184 {fdg, nsd, wsd, rsa, isa} {fsd,

Descripción 2015 2016 2017 2018 2019

Mes ( xt+1 , yt+1 , xt , yt ) =

No Compañías 2014­2015 2015­2016 2016­2017 2017­2018 2018­2019

1 PT AIA Financiera 0,653 2.471 1.022 0,774 1.387

Variable Coeficiente Estándar Error estadística t Prob.

C 122.4598 10.81618 11.32191 0.0000

Huaping Suna,b,* , Hormigueo Chena , Christoph Nedopil Wangc

1 es un impacto directo; 1 refleja el papel de las finanzas digitales en las variables mediadoras, urbano, 2 representa el papel que

( > ) + 3 + + (7)

dióxido y carbono; × × × 44/12 se refieren al coeficiente de emisión de dióxido de carbono, lo que arroja el

Variable moderadora Inversión en activos fijos Inversión en activos fijos per cápita (yuanes)

0,350*** 0,239*** 0,290*** 0,190*** 0,239*** 0,188***

0,249*** 1,623** 0,241*** 0,024 0,244*** 0.014

0,250*** 0,580*** −0,568*** 0,191*** 0,247***

−0,0340* −0,0374* −0,0306

(7.58) (1.71) (7.42) (­0,29) (7.47) (0,74)

(6.02) (­3,48) (6.02) (­2,19) (5.96) (­2,61)

(­7,71) (­0,42) (­7,82) (0,38) (­8,11) (0,27)

(4.72) (0,69) (5.13) (1.74) (5.45) (1.77)

(13.63) (­2,53) (13.52) (­1,49) (13.85) (­3,23)

(1.05) (5.02) (2.29)

1764 1809 1773

0,278*** 0,202*** 0,267*** 0,196*** 0,260***

(7.47) (4.08) (5.57) (4.14) (3.79)

1200 760 760 730 470

Variable Modelo (1) Modelo (2) Modelo (3)

También podría gustarte

mayo .477 .486 .421 .378 .224* .540 .472 .438 .377 0,059 − 0,06 0,013 .326 .369 .434 .518 .264* .415 .501

precipitación 0,412* 0,761* (0,091) (0,185) 0,723* (0,117) 0,743* (0,123) 0,761*** (0,148)

Las noticias sobre el COVID19 han afectado mi salud mental general 46 9,87 105 16,74 22,53 155 33,05 33,26 103 24,46 22,10 57 18,24 12.23

No Compañías 20142015 20152016 20162017 20172018 20182019

0,350* 0,239* 0,290* 0,190* 0,239* 0,188*

0,249* 1,623 0,241* 0,024 0,244* 0.014

0,250* 0,580* −0,568* 0,191* 0,247***

(7.58) (1.71) (7.42) (0,29) (7.47) (0,74)

(6.02) (3,48) (6.02) (2,19) (5.96) (2,61)

(7,71) (0,42) (7,82) (0,38) (8,11) (0,27)

(13.63) (2,53) (13.52) (1,49) (13.85) (3,23)

0,278* 0,202* 0,267* 0,196* 0,260***