De driehoeksverhouding van duurzaamheid : een onderzoek naar de relatie tussen economische groei, inkomensongelijkheid en milieuvervuiling

De driehoeksverhouding van duurzaamheid

milieuvervuiling

Bachelorscriptie Economie en Bedrijfskunde Richting: Economie

Naam: Swaan Dekkers Studentnummer: 10437495 Docent: Dhr. D.H.J. Chen Datum: 17-06-2015

Samenvatting

In dit essay wordt de relatie tussen milieudegradatie, inkomensongelijkheid en inkomen per capita tussen 1995 en 2010 onderzocht. Dit zou een bijdrage kunnen leveren aan de

kernprincipes binnen het duurzaamheidsdebat. Eerst wordt er gekeken naar de relatie tussen de groei van het BBP per capita en de groei van milieuvervuilende emissies wanneer de inkomensongelijkheid er niet bij wordt betrokken. Daarna wordt de GINI variabele toegevoegd als indicator van inkomensongelijkheid en wordt er gekeken naar het effect daarvan op de relatie tussen groei van milieuvervuiling en de groei van het BBP per capita. Later worden ook nog andere controle variabelen in het model verwerkt. Hieruit blijkt dat de richting van de coëfficiënten niet eenduidig en significant zijn. In dit onderzoek wordt vastgesteld dat het gemiddelde inkomen per capita van grote invloed is op de onderzochte relatie. Minder inkomensongelijkheid zorgt in arme landen voor een lagere groei van CO2

-uitstoot en in rijkere landen voor het omgekeerde. In plaats van dat het, zoals aangenomen in voorgaand onderzoek, een effect heeft op de relatie tussen milieudegradatie en

Afkortingen

Environmental Kuznets Curve (EKC)

Omitted Variable Bias (OVB)

Marginal Propensity to Emit (MPE)

Ordinairy Least Square (OLS)

World Development Indicators (WDI)

Organisation for Economic Cooperation and Development (OECD)

Inhoudsopgave

1.1 De Environmental Kuznets Curve 7

1.2 Theoretisch onderzoek 8 1.3 Empirisch onderzoek 12 2. Onderzoeksmethode 14 2.2 De Variabelen 14 2.3 Het model 16 3. Onderzoeksresultaten

3.1 De relatie tussen inkomen per capita en CO2-emissies 19

3.2 De invloed van inkomensongelijkheid op CO2-emissies 19

3.3 Het effect van het gemiddelde inkomen per capita 20

3.4 De invloed van ongelijkheid op de NOx, SOx, N2O en CH4 24

Conclusie 26

Bibliografie 28

Inleiding

De oorzaken en gevolgen van milieuvervuiling zijn al decennia lang een belangrijk punt op de politieke en wetenschappelijke agenda. Dit komt mede doordat de effecten van

milieuvervuiling op mens, dier en natuur steeds meer zichtbaar worden. Daarnaast blijft de economische groei, zeker na de economische crisis die in 2008 begon, een van de doelen van algemene beleidsvoering. Ook wordt er de laatste paar jaar weer opnieuw aandacht besteed aan sociale vraagstukken zoals inkomensverdeling. Dit is te zien in het succes van boeken als ‘Het Kapitaal in de 21ste eeuw’ van Thomas Pikkety en de groeiende aandacht voor

concepten, zoals het onvoorwaardelijke basisinkomen. Naar deze ontwikkelingen kan

gekeken worden met behulp van de theorie over duurzame ontwikkeling. Meerdere theorieën zoals de duurzaamheidsdriehoek, de drie pilaren van duurzaamheid en de drie P’s (People, Planet, Profit) komen op dezelfde drie kernprincipes uit; economie, mens en milieu

(Hopwood et al., 2005).

Naar de relatie tussen milieu en economie is veel onderzoek gedaan. In de jaren ‘90 wordt ontdekt dat verscheidene milieuvervuilings-indicatoren eerst toenemen en dan afnemen als het inkomen per capita groeit (Grossman & Krueger, 1991). Deze bergparabool wordt de Environmental Kuznets Curve (EKC) genoemd naar de wetenschapper Simon Kuznets die eenzelfde relatie heeft gevonden tussen inkomen per capita en inkomensongelijkheid (Kuznets, 1955). In die tijd begint men aandacht te besteden aan andere factoren naast economische groei die een effect kunnen hebben op milieuvervuiling. Verschillende onderzoekers dragen aan dat inkomensongelijkheid deels de groei van milieuvervuiling verklaart (Boyce, 1994).

Het onderzoek van de jaren ‘90 naar de relatie tussen deze drie kernpunten zou van grote waarde kunnen zijn in het hedendaagse debat. Voor dit onderzoek is de bestaande literatuur intensief bestudeerd. Er is geprobeerd de zwakke punten te verbeteren en de sterke punten mee te nemen. Zo is dit onderzoek op verschillende manieren een toegevoegde waarde aan de huidige literatuur. Ten eerste is de gebruikte dataset in dit onderzoek anders, waarmee

geprobeerd is het externe validiteitsprobleem van voorgaand onderzoek op te lossen. Daarin wordt namelijk gebruik gemaakt van data uit midden en eind twintigste eeuw en de resultaten hiervan kunnen dus niet zomaar geëxtrapoleerd worden naar de hedendaagse situatie. De dataset in dit onderzoek bestaat uit data afkomstig uit 1995 tot 2010 en geeft dus een recenter beeld. Daarnaast is er een weloverwogen afweging gemaakt tussen het aantal onderzochte

landen en de compleetheid van de data. Er is gekozen voor een dataset met voldoende landen om een algemeen beeld te geven, maar waarin wel alleen landen gebruikt zijn waarover voldoende data aanwezig zijn. Ook is er in dit onderzoek veel aandacht besteed aan de kwaliteit van het model. Er is naast theorie ook getoetst of er een random of fixed effect model gebruikt moet worden. Ook is er in voorgaand onderzoek vaak een probleem met de interne validiteit door de mogelijke aanwezigheid van een omitted-variable bias (Gassebner et al., 2011). Een omitted-variable bias (OVB) vindt plaats als er minstens één significant causale factor wordt weggelaten in een model. De andere verklarende variabelen zullen dan over- of onderschat zijn. Naast de variabelen die uiteindelijk in dit onderzoek zijn gebruikt, zijn er ook veel andere variabelen overwogen en onderzocht. Als laatste wordt er in dit model bijzonder veel aandacht besteed aan het gemiddelde inkomen, iets wat niet of nauwelijks in voorgaand onderzoek gebeurt. Uit dit onderzoek blijkt dat het gemiddelde inkomen een grote invloed heeft op de onderzochte relatie. Deze bevinding werpt een heel ander licht op

voorgaand onderzoek waarin de GINI variabele vaak dubieus of insignificant is. Dit komt overeen met de resultaten uit dit onderzoek als er geen rekening wordt gehouden met het gemiddelde inkomen. Echter, als het effect van het gemiddelde inkomen in het model wordt meegenomen, komt er een heel eenduidig beeld uit. Het effect van het gemiddelde inkomen is op twee manieren onderzocht en de resultaten hiervan komen overeen, wat de

aannemelijkheid ervan groter maakt. Met het effect van het gemiddelde inkomen in achting genomen, zou er dus ook eenduidigheid kunnen komen in de theorie over de relatie tussen inkomensongelijkheid, economische groei en milieuvervuiling, wat van grote waarde zou kunnen zijn in het hedendaagse debat en in toekomstig onderzoek.

Dit onderzoek gaat de relatie tussen milieudegradatie, inkomensongelijkheid en inkomen per capita opnieuw beschouwen met behulp van hedendaagse kennis en data. Daarmee wordt geprobeerd de interne en externe validiteitsproblemen op te lossen. De onderzoeksvraag luidt dan ook: Wat is de relatie tussen milieudegradatie, inkomensongelijkheid en inkomen per capita tussen 1995 en 2010? Er zijn daarnaast ook twee deelvragen:

1. Wat is de invloed van het gemiddelde inkomen op deze relatie?

2. Welke andere variabelen hebben invloed op deze relatie naast inkomensongelijkheid?

In het eerste hoofdstuk zal er worden gekeken naar de bestaande literatuur over dit onderwerp. Daarna zal de onderzoeksmethode worden uiteengezet. Het derde hoofdstuk behandelt de gevonden resultaten en tot slot wordt de conclusie gegeven.

1. Literatuuronderzoek

Om het uitgebreide model van inkomen per capita, inkomensongelijkheid en

milieudegradatie te kunnen begrijpen, moet men eerst kennis hebben over de EKC. Daarna wordt er gekeken naar de theorie over de relatie tussen inkomensongelijkheid en

milieuvervuiling. Als laatst zal er gekeken worden naar de resultaten van voorgaand empirisch onderzoek.

1.1 De Environmental Kuznets Curve

In 1991 introduceren Grossman en Kruegers (1991) de EKC; een hypothetische bergparaboolrelatie tussen verschillende milieudegradatie-indicatoren en

inkomensongelijkheid. Volgens deze theorie neemt inkomensongelijkheid in een land toe tijdens het begin van economische groei. Als de groei zich doorzet zal die ongelijkheid weer afnemen waardoor er een bergparabool ontstaat (Grossman & Kruegers, 1991).

Deze relatie ontstaat volgens Grossman en Kruegers door drie verschillende effecten: het schaal-effect, het techniek-effect en het compositie-effect. Het schaal-effect houdt in dat als de productie groeit, ceteris paribus, milieuvervuiling toeneemt. Het techniek-effect beschrijft dat milieuvervuiling afneemt omdat zowel de productie effectiever wordt en dat men productiemethodes ontwikkelt die minder milieuvervuilend zijn. Als laatste is er het compositie-effect waarmee de veranderde structuur van de economie wordt bedoeld als de economie groeit. Eerst transformeert een economie van een agrarische naar een industriële. Een industriële economie gebruikt grondstoffen intensiever waardoor milieuvervuiling toeneemt. Daarna verschuift de economie naar een kennis-en-dienst-economie wat minder intensief gebruik maakt van natuurlijke hulpbronnen en dus minder milieu belastend is. Volgens de theorie is in het begin van economische ontwikkeling het schaal-effect sterker. Bij een bepaald inkomen per capita worden de laatste twee effecten sterker dan het schaal-effect waardoor milieuvervuiling weer afneemt (Grossman & Kruegers, 1991).

De EKC is een empirisch fenomeen maar heeft weinig econometrische waarden (Stern, 2004, p. 1420). Er worden slechte data gebruikt en ook wordt er weinig aandacht besteed aan de kwaliteit van het model. Hierdoor ontstaat er een grote kans op een OVB (Chowdhury, R.R., Moran, E.F., 2010, p. 5-6).

1.2 Theoretisch onderzoek

J. Boyce is de eerste onderzoeker die zich bezig heeft gehouden met een theorie over de relatie tussen inkomensongelijkheid en milieuvervuiling en dan vooral op het beleid met betrekking tot het milieu (1994). Volgens hem zijn er winnaars en verliezers bij

milieuvervuiling. Winnaars zijn de mensen die er netto beter op worden en verliezers mensen die er netto op achteruit gaan als milieuvervuiling toeneemt. Hij gaat er vanuit dat de

verliezers weten dat zij er netto op achteruit gaan, maar geen macht hebben om iets aan deze situatie te veranderen.

Volgens Boyce (1994) zorgt meer ongelijkheid voor meer milieuvervuiling op drie manieren. Ten eerste maakt Boyce een kosten-batenanalyse van milieuvervuiling. Volgens deze analyse zou productie en de daarmee veroorzaakte milieuvervuiling door moeten gaan zolang de netto marginale impact op de maatschappij positief is en de netto winnaars de netto verliezers compenseren. Dit doet hij door milieuvervuiling als een negatief extern effect van productie te beschouwen en het te bekijken met de Stelling van Coase; ‘Particuliere

economisch deelnemers kunnen het probleem van externe effecten onderling oplossen. Hoe de verdeling van de rechten ook is, de partijen kunnen altijd een overeenkomst bereiken waarbij het resultaat voor iedereen beter is’. Hiervoor moet er wel aan een aantal

voorwaarden voldaan worden: Er mogen geen transactiekosten zijn, de schade veroorzaakt door externe effecten moet meetbaar zijn, er moet een goede omschrijving van de

eigendomsrechten zijn en er mogen maar een beperkt aantal partijen betrokken zijn (Choase, 1937). Volgens Boyce is het echter de machtsrelatie van de betrokkenen die bepaalt of er een transactie plaatsvindt tussen de winnaars en die verliezers. Macht zou gezien kunnen worden als een vorm om de transactiekosten te dragen. Rijke mensen zijn vaak machtig omdat hun rijkdom naast economische macht ook vaak politieke macht met zich meebrengt. De kans dat er maatregels worden genomen tegen milieuvervuiling wordt dus kleiner als er veel macht bij de ‘winnaars’ van milieuvervuiling, wat vaak het geval is in landen met hoge

inkomensongelijkheid (Boyce, 1994, p. 3).

Ten tweede beïnvloedt ongelijkheid de monetaire waardering van duurzame projecten. Deze waardering hangt namelijk af van de bereidheid tot betalen van de verschillende actoren. Als er een grote groep armen is, die dus niet bereid zullen zijn te betalen omdat ze het simpelweg niet kunnen, zal die bereidheid dus lager zijn in landen met hoge inkomensongelijkheid (Boyce, 1994, p. 5).

minder waarde hechten aan een goed milieu in de toekomst. Milieudegradatie zorgt vaak voor voordelen op de korte termijn en nadelen op de lange termijn. Armeren mensen houden zich vooral bezig met hun primaire levensbehoeftes. Zij leven op korte termijn en gebruiken de hulpmiddelen waar ze op korte termijn het meest profijt van hebben en denken niet aan de negatieve lange termijn effecten (Boyce, 1994, p. 14-15). Ook wordt er meer

milieudegradatie veroorzaakt door de rijkere mensen. Grote inkomensongelijkheid wordt vaak geassocieerd met politieke instabiliteit omdat het de legitimiteit van de machthebbers ondermijnt. De machthebbers zullen hun kapitaal in het buitenland investeren waar minder politieke instabiliteit is en dus minder risico. Hierdoor wordt er dus niet geïnvesteerd in het beschermen van het milieu (Boyce, 1994, p. 15-17). De relatie tussen inkomensongelijkheid, machtsongelijkheid en milieuvervuiling noemt hij de ‘Equality Hypothesis’. Deze hypothese houdt in dat meer gelijkheid zorgt voor een betere milieukwaliteit. Dus zoals te zien is in figuur 1a: hoe hoger het inkomen wordt, hoe hoger de marginale preferentie tot

milieuvervuiling. Mensen met een lager inkomen (A) veroorzaken met één unit meer

inkomen minder milieudegradatie dan mensen met een hoog inkomen (B). In het figuur is te zien dat als het inkomen toeneemt, de hoeveelheid milieudegradatie groter wordt bij de toename van eenzelfde eenheid inkomen. Als men naar de raaklijnen kijkt, is dan ook te zien dat de raaklijn van armere mensen steiler is dan de raaklijn van rijkere mensen. Dus onder deze hypothese is de milieudegradatie minimaal bij totale gelijkheid.

Figuur 1. a) marginale preferentie van milieudegradatie groeit met inkomen. Boyce equality hypothesis B) marginale preferentie als milieudegradatie verminderd met de groei van inkomen in het geval van een superieur goed volgens Scruggs (Scruggs, 1998).

Scruggs (1998) heeft kritiek op de beredenering in de kosten-batenanalyse van Boys. Ten eerste laat hij empirisch zien dat democratie niet perse een positief effect heeft op het milieu. Daarnaast gaat Boyce (1994) in zijn onderzoek ervan uit dat rijke mensen een slecht milieu

prefereren. Volgens Scruggs (p. 259) kan dit zo zijn, maar is het niet per definitie zo en hij laat dit ook zien in zijn onderzoek. De mate waarin rijke mensen het milieu waarderen hangt volgens hem af van verschillende factoren zoals de elasticiteit van de vraag naar

milieubescherming. Normale goederen hebben een inkomenselasticiteit van de vraag tussen de 0 en de 1. Luxe goederen hebben een inkomenselasticiteit van de vraag hoger dan 1. Daarnaast zijn er ook inferieure goederen, daarvan neemt de vraag af als het inkomen stijgt en heeft het dus een negatieve inkomenselasticiteit van de vraag. Volgens Scruggs (1998) is het milieu een normaal of zelfs een luxe goed. Dit zou betekenen dat als het inkomen toeneemt, de vraag naar een gezond milieu groter zou worden. De marginale preferentie om uit te stoten neemt dus af als het inkomen toeneemt zoals te zien is in figuur 1b. Mensen met een lager inkomen (A) vervuilen per toegevoegde eenheid inkomen meer dan rijke mensen (B), waarbij diezelfde eenheid inkomen wordt toegevoegd. In het figuur is de raaklijn van rijkere mensen dan ook steiler dan de raaklijn van de armere mensen. Hij is het met Boyce eens dat de bereidheid om te betalen voor milieubeschermende projecten groter is bij rijkere mensen.

Ravallion et al. (2000) kijken naar CO2-emissies en volgens hen is het effect van

inkomensherverdeling op CO2-emissies niet bij voorbaat duidelijk omdat er meerdere

effecten tegen elkaar in werken. Volgens hem is de EKC hypothese niet altijd van toepassing op CO2-emissies (Wereldbank 1992; Shafik 1994; Holtz-Eaking and Selden, 1995).

Koolstofdioxide-emissies neigen lineair toe te nemen met inkomen per capita, dit is een direct effect. Daarnaast zijn er volgens het onderzoek nog twee effecten op lange termijn. Ten eerste wordt er gekeken naar de Marginal Propensity to Emit (MPE), de marginale ‘wil’ om CO2 uit

te stoten als het beschikbare inkomen stijgt. Aan de ene kant is de MPE van armeren mensen lager omdat zij liever geld besteden aan primaire levensbehoeften in plaats aan milieu

intensieve producten zoals motorvoertuigen. Aan de andere kant gebruiken ze energie minder efficiënt dan rijkere. Dit zou dus weer voor een hogere MPE kunnen zorgen. Uiteindelijk wordt geconcludeerd dat de MPE daalt als het inkomen stijgt (Ravallion et al, 2000). Ten tweede wordt er gekeken naar de inkomenselasticiteit van CO2-emissies; als het inkomen van

een actor verandert, kan de vraag naar een bepaald goed ook veranderen. Volgens hen zijn CO2-intensieve producten een inferieur goed. De vraag naar deze CO2-intensieve goederen,

Figuur 2: Voorspelling van uitstoot in een economie met een groei van 5% (Ravallion, et al., 2000).

In figuur 2 wordt voorspeld hoe de CO2-uitstoot verloopt van landen met een economische

groei van vijf procent of hoger. Op de korte termijn zorgt inkomens nivellering voor meer CO2-uitstoot. Dit zal op de lange termijn gaan afnemen als een midden tot hoog gemiddeld

inkomen wordt bereikt door de effecten van de afnemende MPE en de afnemende

inkomenselasticiteit van CO2-emissies. Er kan uiteindelijk zelfs een omgekeerd effect gaan

plaatsvinden wanneer hoge economische groei gecombineerd wordt met lage

inkomensongelijkheid wat zorgt voor een afname in CO2-uitstoot. In figuur 2 is jaar nul het

eerste jaar waarin het BBP met 5% of meer groeit. Het omslagpunt wanneer landen met lage ongelijkheid minder gaan uitstoten dan landen met hoge ongelijkheid, is volgens dit figuur 26 jaar na het startjaar.

Meerdere onderzoeken waaronder dat van Ravallion et al. (2000) en Torras en Boyce (1998) suggereren dat er een andere wisselwerking is tussen inkomensongelijkheid en

milieudegradatie met een verschillend gemiddeld inkomen. Barro (1999) concludeert dat inkomensongelijkheid economische groei in arme landen vertraagt maar in rijke landen versterkt. Volgens Ravallion et al. (2000) kan CO2-uitstoot gaan afnemen als het gemiddeld

inkomen stijgt naar een hoger niveau. In dit essay zal dan ook apart gekeken worden naar landen met een laag gemiddeld inkomen en landen met een hoog gemiddeld inkomen.

In recent onderzoek wordt er gefocust op het effect van inkomensongelijkheid op

duurzaamheid waarin ook naar het bredere concept sociale ongelijkheid wordt gekeken. Baland et al. (2006) onderzoeken wat voor effect ongelijkheid heeft om milieudegradatie tegen te gaan op lokaal niveau. Hun bevindingen suggereren dat het effect van ongelijkheid op een duurzaam milieu afhangt van de institutionele structuur tussen de verschillende agenten en van de technische natuur van de bevonden soort milieuvervuiling. Er wordt geen bewijs gevonden dat armoede en ongelijkheid per definitie voor milieudegradatie zorgt. Ook heeft het United Nations Development Program in 2011 een groot onderzoek gedaan naar duurzaamheid en gelijkheid wat ook de actualiteit van het onderwerp aantoont. Daarin wordt gesteld dat de mondiale uitdagingen van duurzaamheid en gelijkheid samen moeten worden aangepakt. Het laat zien dat de meest kansarme mensen in de wereld het meeste lijden onder milieudegradatie. Daarnaast hebben armeren ook de minste politieke macht waardoor het moeilijker is om verandering aan te brengen. Het rapport benadrukt verder het mensenrecht op een gezond milieu, het belang van het integreren van sociale rechtvaardigheid in het milieubeleid, en het cruciale belang van participatie van het publiek en de officiële verantwoording.

1.3 Empirisch onderzoek

Torras en Boyce (1998) zijn de eersten die de relatie tussen milieuvervuiling en

inkomensongelijkheid empirisch onderzoeken. Er wordt gekeken naar verschillende lucht- en watervervuiling indicatoren. In het onderzoek wordt de GINI coëfficiënt geïntroduceerd als maat voor ongelijkheid waarbij gebruikt wordt gemaakt van de Ordinairy Least Square (OLS) schatter. Echter wordt er getwijfeld aan de interne validiteit omdat er gebruik wordt gemaakt van incomplete en slecht gemeten data voor zowel de GINI coëfficiënt als de

milieudegradatie indicatoren. Torras en Boyce (1998) krijgen verschillende resultaten uit hun onderzoek, voor sommige indicatoren is de coëfficiënt negatief en voor andere positief. De coëfficiënt is met een significantie van tien procent in vijf van de zeven indicatoren

significant. Bij de middel inkomenslanden is dit maar bij twee indicatoren het geval. Een opvallende conclusie uit het onderzoek is dat meer economische en politieke gelijkheid in lage inkomens landen zorgt voor een betere kwaliteit van het milieu.

Scruggs (1998) onderzoekt in een panel van tussen de 20 en 30 landen vier

milieuvervuilingsindicatoren; de twee waterkwaliteit indicatoren aantal fecale colibacteriën en het water zuurstofgehalte en de twee luchtkwaliteit indicatoren deeltjesvervuiling en

zwaveldioxide. Uit het onderzoek komen geen duidelijke resultaten voor de richting van de ongelijkheid coëfficiënt of de significantie ervan. Alleen de indicatoren opgelost zuurstof in water en deeltjesvervuiling zijn significant. Daarnaast is de richting van de coëfficiënten niet eenduidig. Daarna kijkt Scruggs (1998) naar een algemene indicator voor het milieu en het effect van inkomensongelijkheid daarop maar dat levert geen significant resultaten op.

Magnani (2000) onderzoekt de invloed van inkomensongelijkheid op R&D uitgaven voor het milieu. Dit wordt als maatstaf genomen voor betrokkenheid van het publiek voor

milieuproblematiek. In het onderzoek worden er 19 OECD landen genomen tussen 1980 en 1991. Het lineaire model wordt geanalyseerd met zowel pooled ordinary least squares, random effects als fixed effects. De bevinding is dat hogere inkomensongelijkheid zorgt voor minder R&D uitgaven voor het milieu. De conclusie is dat een vermindering van vervuiling in landen met een hoog gemiddeld inkomen het meest waarschijnlijk is als economische groei gepaard gaat met de verbetering van sociale indicatoren zoals inkomens ongelijkheid. Dit zou de sociale preferentie veranderen van het consumeren van privé goederen naar het

consumeren naar publieke goederen zoals milieubescherming.

In het onderzoek van Mikkelson, Gonzalez en Peterson (2007) wordt een socio-economisch model gebruikt waarin ook economische ongelijkheid is opgenomen om het verlies van diversiteit te meten over vijftig verschillende landen. Het model waarin de economische voetafdruk en ongelijkheid is opgenomen, wordt als beste beschouwd. Het resultaat is dat meer inkomensongelijkheid zorgt voor significant meer verlies aan biodiversiteit.

De voorgaande onderzoeken laten dus verschillende empirische resultaten zien, alhoewel het merendeel wijst op een positieve relatie tussen inkomensgelijkheid en minder

milieuvervuiling. De resultaten verschillen per milieuvervuilingsindicator voor significantie maar ook voor de richting van de coëfficiënt. Ook heeft de vorm van het model invloed op de uitkomsten. Verschillende coëfficiënten waren wel significant onder het ene model, maar niet onder het andere. In het volgende hoofdstuk zal hier verder op in worden gegaan en worden toegelicht waarom welk model wordt gekozen.

3. Onderzoeksmethode

Dit onderzoek bestudeerde de relatie tussen economische groei, inkomensongelijkheid en milieuvervuiling. Eerst zullen de gebruikte variabelen toegelicht worden en daarna wordt er naar het gebruikte model gekeken. De gemaakte dataset heeft een tijdspanne van 1995 tot 2010 en maakt gebruik van data uit 88 landen; 27 landen met een gemiddeld hoog inkomen ($12,746 of meer), 24 hogere middeninkomenslanden (tussen $4,126 en $12,745), 24 laag middeninkomenslanden (tussen $1,046 en $4,125) en 13 lage-inkomenslanden ($1,045 of minder).

Er wordt naar twee modellen gekeken. Het eerste model onderzoekt de relatie tussen CO2

-emissies en inkomensongelijkheid in alle 88 beschikbare landen. Het tweede model onderzoekt de relatie tussen vier afhankelijke variabelen (CO2, NOx, SOx en CH4) en

inkomensongelijkheid in 26 OECD landen. De functie van het eerste model is om te laten zien wat het effect van verschillende gemiddelde inkomens is op de te onderzoeken relatie. Het tweede model dient om verschillen in deze relatie te laten zien tussen

milieuvervuilingsindicators. De gebruikte data voor beide modellen is op jaarbasis.

2.1 De Variabelen

Er zijn vier onafhankelijke variabelen namelijk BBP per capita, de GINI coëfficiënt, Voice en Accountability en toegevoegde waarde door de dienstensector als percentage van het BBP. De vijf afhankelijke variabelen zijn CO2, NOx, SOx, N2O en CH4. Eerst zullen de

afhankelijke variabelen worden besproken en daarna de onafhankelijke variabelen.

2.1.1 Afhankelijke variabelen

Er zijn vijf verschillende afhankelijke variabelen; CO2 (koolstofdioxide), NOx

(stikstofoxiden), SOx (zwaveloxiden), N2O (stikstofoxide ofwel lachgas) en CH4 (methaan),

allemaal uitgedrukt in jaarlijkse uitstoot in gigagram per land. Koolstofdioxide komt vooral op een onnatuurlijke manier vrij bij het verbranden van fossiele brandstoffen. Menselijke bronnen van methaan zijn onder andere het verbruik van fossiele brandstoffen, de

veehouderij, de rijstproductie en vuilstortplaatsen. NOx en SOx zijn deeltjesvervuilers die ook bijdragen aan de afbraak van de ozonlaag en N2O is een broeikasgas. De afhankelijke

variabele die in beide modellen gebruikt wordt is CO2. Hiervoor zijn twee redenen; Ten

relevante parameter. Daarnaast zijn er veel data over CO2 verzameld, waardoor er een

gebalanceerde dataset gemaakt kan worden voor de 88 gebruikte landen. Er is gekozen om te focussen op luchtvervuiling als indicator voor milieuvervuiling in het algemeen. Dit omdat de luchtkwaliteit makkelijk meetbaar is en er dus exacte data beschikbaar is van veel landen.

De data over de jaarlijkse uitstoot van CO2 is afkomstig van World Development Indicators

(Wereldbank, 2015). De data over de jaarlijkse uitstoot van CH4, NOx, N2O en SOx door

OECD landen is afkomstig van de European Environment Agency (EEA) uit het rapport: ‘National emissions reported to the UNFCCC and to the EU Greenhouse Gas Monotoring Mechanism.’ De EEA is een agentschap van de Europese Unie met als taak betrouwbare, objectieve informatie over het milieu te verstrekken. De data over CO2, NOx, SOx, N2O en

CH4 kunnen als betrouwbaar worden beschouwd omdat het afkomstig is van betrouwbare

bronnen en het volledig is, wat zorgt voor een evenwichtige dataset.

De afhankelijke variabelen zullen gebruikt worden in de vorm van een natuurlijk logaritme doordat uit de fischer, dfuller test komt dat de absolute afhankelijke variabelen niet stationair zijn en de natuurlijke logaritmes ervan wel.

2.1.2 Onafhankelijke variabelen

De eerste onafhankelijke variabele is BBP per capita. Het inkomen wordt gemeten in bruto binnenlands product per capita uitgedrukt in koopkrachtpariteit (PPP) waarbij gebruik wordt gemaakt van constante 2011 internationale dollars. Het voordeel van het gebruiken van PPP is dat inkomen vergelijkbaar is tussen landen (Ravallion et al, 2000, p.15). De data zijn afkomstig van de World Development Indicators (WDI). Er wordt gebruik gemaakt van een natuurlijk logaritme van BBP per capita tot de macht 2. Dit omdat er in de EKC literatuur uitgegaan wordt van een bergparabool die op deze manier wordt getest. Er wordt, net zoals bij de afhankelijke variabelen, gebruik gemaakt van een logaritmische vorm omdat de absolute variabele niet stationair is.

De tweede variabele is de GINI index waarmee inkomensongelijkheid gemeten zal worden. De maximale GINI score van 100 betekent dat alle welvaart in het bezit is van één persoon. De minimale GINI score van 0 betekent dat alle welvaart volledig gelijk verdeeld wordt tussen alle inwoners van het land. De data over de GINI coëfficiënt van de OECD landen is afkomstig van Eurostat en aangevuld met data van de WDI. Dit omdat de data van Eurostat preciezer zijn dan de data van de WDI. Als de data van Eurostat veel afwijken van de data

van de WDI, is er een gemiddelde genomen. De data over de GINI coëfficiënt van de andere landen zijn afkomstig van de WDI, omdat hierover geen data aanwezig zijn bij Eurostat. Het probleem bij deze data is dat er over veel jaren geen informatie is. Er is dan geïnterpoleerd tussen de jaren waar wel data over beschikbaar is, waardoor de dataset minder precies is.

Ten derde wordt de variabele Voice en Accountability gebruikt, afgekort Voice. Dit reflecteert de perceptie van de mate waarin de burgers van een land in staat zijn te

participeren in het selecteren van hun overheid en de mate van vrijheid van meningsuiting. De maximale waarde is 2.5 en staat voor een sterke overheid waarin volledige inspraak en vrijheid van meningsuiting is. De minimale waarde is -2.5 en staat voor een zwakke overheid. De data over Voice en Accountability is afkomstig van de Worldwide Governance Indicators (WGI). Dit is een instituut dat data verzamelt over de kwaliteit van overheden in

samenwerking met de Wereldbank. Deze variabele zou geïnterpreteerd kunnen worden als de eerdere Equality Hypothesis van Boyce (1996). Volgens Boyce zou deze variabele dan een negatieve relatie moeten hebben met de milieuvervuiling indicator.

De laatste onafhankelijke variabele is de toegevoegde waarde door de dienstensector die wordt weergegeven als percentage van het BBP. Hieronder valt de toegevoegde waarde uit de groot- en detailhandel, het vervoer, de overheid en de financiële sector. Volgens het

onderzoek van Gassebner et al. (2011) is de toegevoegde waarde door de dienstensector naast inkomensongelijkheid de enige significante variabele en zou die dus als controle variabele gebruikt moeten worden. Hij onderzoekt negentien variabelen die in de voorgaande literatuur wordt overwogen als significant voor de relatie tussen groei van milieuvervuiling en groei van het BBP. Deze variabele kan ook gezien worden als indicator van het compositie effect dat gesuggereerd wordt door Grossman en Krueger (1992). Dit is het effect op

milieuvervuiling als de economie verschuift van een industriële naar een dienstsector. De data zijn afkomstig van de World Development Indicators (Wereldbank, 2015) en zijn compleet.

2.2 Het model

Om de relatie te onderzoeken tussen inkomensongelijkheid en milieuvervuiling, wordt er in dit onderzoek gebruik gemaakt van paneldata. Dit is een multidimensionale dataset wat betekent dat er in de dataset meerdere observaties van meerdere variabelen op verschillende momenten zijn.

methodologie van het onderzoek te bepalen. Ten eerste wordt er een keuze gemaakt tussen een lineair of een log model. Ten tweede wordt er beslist in wat voor vorm inkomen per capita gebruikt gaat worden. Als laatste wordt er beslist wat voor structuur er voor het regressie model gebruikt wordt. Er wordt gekozen uit Random effect model, Fixed effect model of Pooled OLS model.

In dit onderzoek wordt er een combinatie tussen een log-log en log-linear model gemaakt. De afhankelijke variabelen worden in de log vorm van de jaarlijkse uitstoot in gigagram uitgedrukt. De onafhankelijke variabele BBP per capita wordt in een log variabele uitgedrukt. Dit omdat zoals eerder genoemd, de absolute waarde van de variabelen niet stationair zijn. De andere onafhankelijke variabelen worden wel in hun originele schaal uitgedrukt. De

verandering in BBP per capita en de milieuvervuilingsindicator is dus een relatieve verandering en de verandering in de andere variabelen is een absolute verandering.

In dit onderzoek zal inkomen per capita worden gebruikt in de eerste en tweede macht. Dit omdat de adjusted R-square niet hoger wordt als BBP tot de derde macht wordt toegevoegd. Daarnaast wordt er in de meeste voorgaande onderzoeken ook alleen gebruik gemaakt tussen een eerste en tweede macht, dus nu zijn de onderzoeken beter te vergelijken.

Als laatste wordt er gebruikt gemaakt van een Fixed effects regressie. Zoals ook genoemd wordt door Borghesi (2006) bestaan er land-specifieke effecten die gecorreleerd zijn met het BBP per capita. Als er dan gebruik gemaakt zou worden van Pooled Ordinary Least Squares (OLS) model zullen de schatters een afwijking hebben en inconsistent zijn. Daarna wordt de afweging tussen een Random effect model en een Fixed effect model gemaakt. Om hieruit te kiezen wordt er gebruik gemaakt van de Hausmann test. Hieruit komt voort dat er in dit model gebruik zou moeten worden gemaakt van Fixed effects. De resultaten van de Hausman test zijn terug te vinden in de appendix.

Zoals eerder genoemd zal er gebruikt worden gemaakt van twee verschillende modellen. Het eerste model onderzoekt de relatie tussen CO2-emissies en inkomensongelijkheid in alle 88

beschikbare landen. Het tweede model onderzoekt de relatie tussen vijf afhankelijke variabelen (CO2, NOx, SOx, N2O en CH4) en inkomensongelijkheid in 26 OECD landen.

Model 1.

In dit model wordt eerst naar de pure relatie tussen de groei van inkomensvervuiling en de groei van BBP per capita gekeken. Daarvoor wordt formule 1 gebruikt.

ln (𝐶𝐶𝐶𝐶2)𝑖𝑖𝑖𝑖 = 𝛽𝛽0+ 𝛽𝛽1ln(𝑌𝑌𝑌𝑌𝑌𝑌)𝑖𝑖𝑖𝑖+ 𝛽𝛽2{ln(𝑌𝑌𝑌𝑌𝑌𝑌)}2_{𝑖𝑖𝑖𝑖}+ 𝛼𝛼𝑖𝑖+ 𝜀𝜀𝑖𝑖𝑖𝑖 (1)

Om het effect van inkomensongelijkheid op formule 1 te bestuderen wordt de variabele GINI toegevoegd zoals te zien is in formule 2.

ln (𝐶𝐶𝐶𝐶2)𝑖𝑖𝑖𝑖 = 𝛽𝛽0+ 𝛽𝛽1ln(𝑌𝑌𝑌𝑌𝑌𝑌)𝑖𝑖𝑖𝑖+ 𝛽𝛽2{ln(𝑌𝑌𝑌𝑌𝑌𝑌)}2_{𝑖𝑖𝑖𝑖}+ 𝛽𝛽3(𝐺𝐺)𝑖𝑖𝑖𝑖+ 𝛼𝛼𝑖𝑖+ 𝜀𝜀𝑖𝑖𝑖𝑖 (2)

Als laatste worden de controle variabele Service en Voice toegevoegd waardoor formule drie ontstaat.

ln (𝐶𝐶𝐶𝐶2)𝑖𝑖𝑖𝑖 = 𝛽𝛽0+ 𝛽𝛽1ln(𝑌𝑌𝑌𝑌𝑌𝑌)𝑖𝑖𝑖𝑖+ 𝛽𝛽2{ln(𝑌𝑌𝑌𝑌𝑌𝑌)}2_{𝑖𝑖𝑖𝑖}+ 𝛽𝛽3(𝐺𝐺)𝑖𝑖𝑖𝑖+ 𝛽𝛽4(𝑉𝑉)𝑖𝑖𝑖𝑖+ 𝛽𝛽5(𝐷𝐷)𝑖𝑖𝑖𝑖+ 𝛼𝛼𝑖𝑖+ 𝜀𝜀𝑖𝑖𝑖𝑖 (3)

De i staat voor de verschillende landen en j voor de verschillende jaartallen. CO2 = CO2

-uitstoot per gigagram, Ypc = BBP per capita, G = GINI coëfficiënt, V = Voice en Accountability, D = door dienstsector toegevoegde waarde.

Met formule drie en vier zal er een regressie worden gedaan met data van drie verschillende landengroepen; Alle landen (in totaal 88), landen met een gemiddeld hoog inkomen en hogere middeninkomenslanden (in totaal 51) en laag middeninkomenslanden en lage-inkomenslanden (in totaal 37). De Descriptive Statistics van deze variabelen zijn te zien in

figuur 3.

Variabelen Obs. Mean Std. Dev. Min Max

Ln(CO2) 1408 10.2 1.0 5.9 15.9 Ln(GDPpc) 1408 9.0 1.2 6.1 11.5 Ln(GDPpc)2 1408 81.9 20.5 37.7 131.9 GINI 1408 38.1 9.6 16.2 67.4 Service 1408 56.3 12.3 20.4 86.9 Voice 1408 0.1 0.9 -1.8 1.8

Figuur 3: Descriptive statistics model 1

Met deze descriptive statistics zal er gekeken worden naar outliners met behulp van de ESD identifier. De formule van de ESD idenifier is [mean – t * SD, mean + t * SD] waarbij er hierbij gebruik wordt gemaakt van t = 4 omdat het aantal observaties in de dataset hoog is. Een outliner is een extreme waarneming in de dataset. Een waarneming wordt als een outliner beschouwd als het meer dan vier keer de standaardafwijking van het gemiddelde aflicht. In deze dataset zitten geen outliners en alle data kunnen dus worden gebruikt.

Model 2.

In dit model wordt er gebruik gemaakt van data van 26 OECD landen. Er wordt met behulp van twee formules naar de relatie gekeken tussen inkomensongelijkheid en vijf afhankelijke variabelen CO2, NOx, SOx, N2O en CH4. De descriptive statistics hiervan zijn te zien in

figuur 4.

ln (𝑀𝑀𝑀𝑀𝑀𝑀)𝑖𝑖𝑖𝑖= 𝛽𝛽0+ 𝛽𝛽1ln(𝑌𝑌𝑌𝑌𝑌𝑌)𝑖𝑖𝑖𝑖+ 𝛽𝛽2{ln(𝑌𝑌𝑌𝑌𝑌𝑌)}2_{𝑖𝑖𝑖𝑖}+ 𝛽𝛽3(𝐺𝐺)𝑖𝑖𝑖𝑖+ 𝛽𝛽4(𝑉𝑉)𝑖𝑖𝑖𝑖+ 𝛽𝛽5(𝐷𝐷)𝑖𝑖𝑖𝑖+ 𝛼𝛼𝑖𝑖+ 𝜀𝜀𝑖𝑖𝑖𝑖 (4)

De i staat voor de verschillende landen en j voor de verschillende jaartallen. MIL = milieuvervuiling indicator uitstoot per gigagram, Ypc = BBP per capita, G = GINI coëfficiënt, V = Voice en Accountability, D = dienstsector toegevoegde waarde.

Variabelen Obs. Mean Std. Dev. Min Max

Ln(N2O) 416 3.2 1.3 0.4 5.7 Ln(NOx) 416 5.5 1.3 2.9 7.8 Ln(SOx) 416 4.9 1.6 0.8 7.8 Ln(CH4) 416 6.1 1.3 3.0 8.4 Ln(GDPpc) 416 10.2 0.5 9.0 11.5 Ln(GDPpc)2 416 105.0 9.7 81.5 131.9 GINI 416 105.0 9.7 20 42.2 Service 416 68.0 6.5 50.5 86.9 Voice 416 1.1 0.4 -0.8 1.8 GINIXGDPpc 416 302.7 40.8 205.9 402.0

Figuur 4: Descriptive Statistics model 2

Ook bij deze descriptive statistics is gekeken naar outliners, maar ook hier zijn die niet aanwezig.

3. Onderzoeksresultaten

Eerst wordt er gekeken naar de relatie tussen de groei van het inkomen per capita groei en de verandering in CO2-emissies. Daarna wordt er met behulp van formule twee en drie gekeken

naar de invloed van inkomensongelijkheid op deze relatie. Als laatste zal er gekeken worden naar de relatie tussen NOx, SOx, N2O en CH4 en inkomensongelijkheid met behulp van

model 2.

3.1 De relatie tussen inkomen per capita en CO2-emissies

Eerst wordt er gekeken naar de relatie tussen de groei van het BBP per capita en de groei van milieuvervuiling met behulp van formule 1. Dit om de verkregen uitkomsten te kunnen vergelijken met voorgaand onderzoek. De theorie over de EKC voorspelt een bergparabool relatie tussen het BBP per capita en het niveau van milieudegradatie. Als er gekeken wordt naar de schatters zou dit betekenen dat 𝛽𝛽₁ > 0 en 𝛽𝛽₂ < 0, en dit is in alle scenario’s het geval en zijn alle resultaten significant. Echter is er waarschijnlijk sprake van een OVB omdat hier geen controle variabelen zijn toegevoegd.

Tabel 1: Fixed effects regressie voor alle landen

3.2 De invloed van inkomensongelijkheid op CO2-emissies

De voorgaande resultaten zijn waarschijnlijk afwijkend omdat er sprake is van een omitted variable bias doordat er variabelen zijn die zowel correleren met CO2-emissies als met BBP

per capita. Deze variabelen zouden dus in het model opgenomen moeten worden en

De richting van de coëfficiënt ln(GDPpc) verandert niet als de GINI coëfficiënt of een andere variabele wordt toegevoegd. De GINI coëfficiënt is in alle gevallen negatief. Dit betekent dat als de GINI coëfficiënt zou toenemen, er dus meer ongelijkheid zou komen en er minder CO2

wordt uitgestoten. De variabele is echter in geen van de gevallen significant en deze uitspraak heeft dus niet veel waarde. Daarnaast zien we dat de variabele service (de toegevoegde waarde door de dienstensector) significant en positief is. Dit betekent dat als er een groter deel van het BBP wordt verdiend in de service sector, en dus niet met bijvoorbeeld industrie, milieuvervuiling toeneemt. Dit is het tegenovergestelde van het compositie effect dat

Grossman en Krueger (1992) beschrijven. De coëfficiënt is echter erg klein, wat de waarde van de variabele vermindert. Als de dienstsector nul procent van het GDP uitmaakt heeft de variabele service geen invloed op de groei van CO2. Als de dienstsector dan opeens honderd

procent van het GDP zou uitmaken, het maximale verschil mogelijk, dan zou dit een 0.1% groei veroorzaken in de CO2-uitstoot. Dit is dus een bijna verwaarloosbaar effect omdat

daarnaast deze toename onrealistisch is en het werkelijke effect dus nog veel kleiner is. De variabele Voice is positief wat betekent dat als de perceptie van vrijheid van meningsuiting van de burger toeneemt, de groei van CO2-uitstoot toeneemt. Deze variabele is echter niet

Tabel 2: Fixed effects regressie voor alle 88 landen ln(CO2) (2) (3) ln(GDPpc) 3.75*** (0.000) 3.92*** (0.000) ln(GDPpc)2 -0.18*** (0.000) -0.19*** (0.000) GINI -0.001 (0.413) -0.001 (0.710) Service 0.001*** (0.000) Voice 0.0004 (0.984) R2 within 0.416 0.422 Observations Countries 1408

*, **, *** betekent een significantie niveau van 10%, 5% en 1% De R2 van het Fixed effect model in de R2 within.

3.3 Het effect van het gemiddelde inkomen per capita

Het effect van het gemiddelde inkomen op de relatie tussen inkomensongelijkheid en milieuvervuiling wordt op twee verschillende manieren onderzocht. Ten eerste wordt de dataset opgedeeld in twee groepen met een verschillend gemiddeld inkomen. Het voordeel hiervan is dat bij elke regressie een nieuwe standaardafwijking wordt berekend. Het nadeel is dat door het opdelen het aantal landen per regressie minder wordt en er zo verlies is van vrijheidsgraden. De eerste groep zijn landen met een gemiddeld middelhoog tot hoog inkomen en de tweede groep zijn landen met een gemiddeld laag tot middenlaag inkomen.

De relatie tussen de groei in inkomen per capita en de groei van CO2-uitstoot verandert niet

als de dataset wordt opgesplitst. De coëfficiënt van zowel ln(GDPpc) als ln(GDPpc)2 zijn groter bij lagere middeninkomenslanden en landen met een gemiddeld laag inkomen. Dit zou betekenen dat de groei van CO2-uitstoot in deze landen sterker reageert op een percentuele

Opvallend is dat de GINI coëfficiënt in alle gevallen minimaal een significantie niveau van tien procent heeft terwijl als de dataset niet wordt opgedeeld, deze variabele niet significant is. Dit zou kunnen wijzen op dat het effect van inkomensongelijkheid op CO2-uitstoot meer

van het gemiddelde inkomen afhangt dan verwacht in voorgaande resultaten. In plaats van dat het gemiddelde inkomen een mogelijk effect heeft op de relatie, blijkt uit dit onderzoek dat het de vorm van de relatie bepaalt. Bij landen met een gemiddeld hoog inkomen en hogere middeninkomenslanden is de coëfficiënt negatief. Dit betekent dat als er meer

inkomensongelijkheid ontstaat in een land, de percentuele CO2-uitstoot vermindert. Voor

lagere middeninkomenslanden en landen met een gemiddeld laag inkomen is de coëfficiënt positief en dus het omgekeerde het geval.

De richting van de coëfficiënt van de variabele Service verschilt ook tussen de twee datasets. Bij de hoge inkomenslanden is de variabele negatief en bij lage inkomenslanden positief en in beide gevallen significant. Ook wordt de coëfficiënt groter dan als er naar de gehele dataset wordt gekeken. Dit zou kunnen komen omdat bij de gehele dataset de gemiddeld hoge landen de waarde van de gemiddeld lage landen opheft, waardoor de variabele dicht bij nul licht. De variabele Voice is bij landen met een gemiddeld middelhoog tot hoog inkomen negatief en bij landen met een laag tot middenlaag inkomen positief, maar in beide gevallen nog steeds niet significant.

Als de dataset dus wordt opgedeeld in hoge en lage gemiddelde inkomens, dan wordt de GINI coëfficiënt significant. De relatie tussen de procentuele verandering van inkomen per capita en de procentuele verandering van CO2-uitstoot verandert hierdoor niet. Er zou dus gesteld kunnen worden dat de relatie tussen inkomensongelijkheid op de procentuele groei van CO2-emissies afhangt van het gemiddelde inkomensniveau.

Tabel 3: Fixed effect regressie voor landen met een gemiddeld hoog inkomen en hogere middeninkomenslanden ln(CO2) (2) (3) lnGDPpc 1.48*** (0.000) 1.23*** (0.001) ln(GDPpc)2 -0.06*** (0.002) -0.05** (0.017) GINI -0.007*** (0.000) -0.005*** (0.004) Service -0.004** (0.011) Voice -0.02 (0.564) R2 within 0.236 0.244 Observations Countries 774 49

*, **, *** betekent een significantie niveau van 10%, 5% en 1% De R2 van het Fixed effect model in de R2 within.

Tabel 4: Fixed effect regressie lagere middeninkomenslanden en landen met een gemiddeld laag inkomen

ln(CO2) (2) (3) lnGDPpc 3.81*** (0.000) 3.92*** (0.000) ln(GDPpc)2 -0.18*** (0.000) -0.18*** (0.000) GINI 0.005* (0.071) 0.006* (0.055) Service 0.007*** (0.000) Voice 0.03 (0.328) R2 within 0.50 0.51 Observations Countries 592 37

*, **, *** betekent een significantie niveau van 10%, 5% en 1% De R2 van het Fixed effect model in de R2 within.

De tweede manier is om een interactievariabele in het model toe te voegen die het indirecte effect via BBP per capita berekent. Het voordeel hiervan is dat de vrijheidsgraden worden behouden, maar het model heeft nu maar één standaardafwijking. Deze formule ziet er als volgt uit:

ln (𝐶𝐶𝐶𝐶2)𝑖𝑖𝑖𝑖 = 𝛽𝛽0+ 𝛽𝛽1ln(𝑌𝑌𝑌𝑌𝑌𝑌)𝑖𝑖𝑖𝑖+ 𝛽𝛽2{ln(𝑌𝑌𝑌𝑌𝑌𝑌)}2_{𝑖𝑖𝑖𝑖} + 𝛽𝛽3(𝐺𝐺)𝑖𝑖𝑖𝑖 + 𝛽𝛽4(𝑉𝑉)𝑖𝑖𝑖𝑖 + 𝛽𝛽5(𝐷𝐷)𝑖𝑖𝑖𝑖 +

𝛽𝛽6(𝐺𝐺)𝑖𝑖𝑖𝑖 ∗ ln(𝑌𝑌𝑌𝑌𝑌𝑌)𝑖𝑖𝑖𝑖+ 𝛼𝛼𝑖𝑖+ 𝜀𝜀𝑖𝑖𝑖𝑖

De relatie tussen de groei van het BBP per capita en de procentuele verandering van de CO2

-uitstoot blijft onveranderd een bergparabool. De GINI coëfficiënt krijgt door het toevoegen van de interactievariabele een significantieniveau van één procent en is negatiever dan het was zonder interactievariabelen. De interactievariabele is positief en heeft een

significantieniveau van meer dan 1%. Het zou dus kunnen zijn dat het effect van de gemiddeld lage inkomenslanden het effect van de gemiddeld hoge inkomenslanden ophief waardoor de coëfficiënt ook insignificant leek. Overeenkomstig met het opdelen van de dataset, zou dus geconcludeerd kunnen worden dat het effect van de groei van

inkomensongelijkheid op de groei van CO2-emissies afhangt van het gemiddelde inkomen.

Het effect van inkomensongelijkheid op de CO2-uitstoot verschilt nu tussen gemiddelde

inkomenslevels:

𝜕𝜕ln (𝐶𝐶𝐶𝐶2)

𝜕𝜕𝐺𝐺𝑀𝑀𝜕𝜕𝑀𝑀 = 𝛽𝛽3 + 𝛽𝛽6∗ ln (𝐺𝐺𝐷𝐷𝐺𝐺𝑌𝑌𝑌𝑌)

In deze regressie is 𝛽𝛽₃ negatief en 𝛽𝛽₆ positief. Dit betekent dat ongelijkheid de procentuele verandering in CO2-uitstoot verlaagt in relatief arme landen en verhoogt in rijkere landen

vanaf een bepaald gemiddeld inkomenslevel. Dit komt overeen met de resultaten van het opdelen van de dataset.

De toegevoegde waarde door de dienstensector heeft een negatief effect op de procentuele verandering in de uitstoot van CO2. Als de procentuele toegevoegde waarde van de

dienstsector groter wordt, dan neemt de procentuele verandering in CO2-emissie af. Dit komt

overeen met het compositie effect omschreven door Grossman en Krueger (1992). De coëfficiënt Voice is negatief wat betekent dat als de perceptie van de mate waarin de burgers van een land in staat zijn te participeren in het selecteren van hun overheid en de mate van vrijheid van meningsuiting toeneemt, de procentuele verandering in CO2-uitstoot afneemt.

Dit komt overeen met het argument van Boyce (1996) Equality Hypothesis dat inhoudt dat meer gelijkheid zorgt voor een betere milieukwaliteit.

Tabel 5: Fixed effect regressie voor alle landen met een interactievariabelen

3.4 De invloed van ongelijkheid op de NOx, SOx, N2O en CH4

Om een wat breder beeld te geven van het effect van inkomensongelijkheid op

luchtvervuiling en de resultaten makkelijker te generaliseren, zijn naast CO2 ook NOx, SOx,

N2O en CH4 onderzocht. Er wordt net zoals bij het andere model naar een regressie met en

zonder interactievariabele gekeken.

De relatie tussen de groei van het BBP per capita en de luchtvervuiling indicator is met formule vier benaderd en is in bijna alle gevallen een bergparapool zoals de EKC theorie voorspelt. Alleen zijn beide variabelen negatief en niet significant bij NOx als de

interactievariabele wordt toegevoegd. Bij de groei van CH4 zijn beide variabelen positief en

significant wat een dalparabool zou betekenen.

De GINI variabele is in alle gevallen significant, behalve bij de groei van N2O zonder

interactievariabele. In dit model is het dus niet zo dat de GINI variabele pas significant wordt als de interactievariabele wordt toegevoegd, zoals bij het vorige model het geval was. Dit is enkel het geval bij de groei van N2O-emissies. Dit zou verklaard kunnen worden doordat het

gemiddelde inkomen per capita in deze dataset minder verschilt dan in de vorige dataset omdat er nu gebruik wordt gemaakt van 26 OECD landen die allemaal hoge inkomens landen zijn. De GINI variabele is over het algemeen negatief, wat in overeenstemming is met het vorige model. Dit model voorspelt dat in landen met een gemiddeld hoog inkomen per capita

een negatieve relatie bestaat tussen inkomensgelijkheid en milieuvervuiling. De

interactieterm is in alle gevallen significant en positief. Dit betekend dat er een positief indirect effect bestaat van inkomensgelijkheid op de groei van milieuvervuilende emissies. Ook neemt de R2 within toe als de interactievariabele wordt toegevoegd. De R2 within is de adjusted R2 bij een paneldata regressie met fixed effects en in dit model gaat de verklarende kracht dus omhoog.

Service is in alle gevallen significant en negatief wat in overeenstemming is met het eerder omschreven compositie effect. Voice is in alle gevallen positief en in de meeste gevallen ook significant, in overstemming met de Equaty Hypothesis van Boyce (1996).

Figuur 6: Fixed effect regressie voor OECD landen met vier afhankelijke variabelen

Ln(N2O) Ln(NOx) Ln(SOx) Ln(CH4) Ln(GDPpc) 6.363*** (0.000) 5.777*** (0.000) 1.582* (0.087) -0.553 (0.567) 8.595*** (0.001) 2.410 0.352 4.702*** (0.000) 4.048*** (0.000) Ln(GDPpc)2 -0.32*** (0.000) -0.31*** (0.000) -0.086* (0.062) -0.044 (0.329) -0.51*** (0.000) -0.38*** (0.002) 0.027*** (0.000) -0.23*** (0.000) GINI 0.002 (0.579) -0.119** (0.045) -0.02*** (0.000) -0.46*** (0.000) -0.04*** (0.001) -1.32*** (0.000) -0.01*** (0.000) -0.15*** (0.003) Service -0.02*** (0.000) -0.02*** (0.000) -0.02*** (0.000) -0.02*** (0.000) -0.07*** (0.000) -0.08*** (0.000) -0.01*** (0.000) -0.01*** (0.000) Voice 0.032 (0.445) 0.034 (0.414) 0.194*** (0.001) 0.201*** (0.000) 0.629*** (0.000) 0.651*** (0.000) 0.070** (0.041) 0.072** (0.033) Ln(GDPpc) * GINI 0.012** (0.042) 0.043*** (0.000) 0.126*** (0.000) 0.015*** (0.005) R2 within 0.36 0.37 0.28 0.33 0.58 0.61 0.36 0.37 Obs. Countries 416 26

*, **, *** betekent een significantie niveau van 10%, 5% en 1% De R2 van het Fixed effect model in de R2 within.

Conclusie

De hoofdvraag van dit onderzoek luid: “Wat is de relatie tussen milieudegradatie,

inkomensongelijkheid en inkomen per capita tussen 1995 en 2010?”. Om dit te onderzoeken wordt er eerst gekeken naar de relatie tussen BBP per capita en emissies wanneer

inkomensongelijkheid niet in het model zit. Daarna is de GINI variabele toegevoegd als indicator van inkomensongelijkheid en wordt er gekeken van het effect daarvan op de groei van milieuvervuiling en de groei van het BBP per capita.

Daarnaast zijn er twee deelvragen die worden onderzocht. Ten eerste wordt er gekeken naar de invloed van het gemiddelde inkomen per capita op de te onderzoeken relatie. Hiernaar wordt gekeken op twee manieren; eerst wordt dataset opgedeeld in twee groepen met een verschillend gemiddelde inkomens en daarna wordt er een interactievariabele toegevoegd die het indirecte effect van inkomensongelijkheid via BBP per capita beschrijft. De tweede deelvraag is of er nog andere variabelen zijn die mogelijk een effect hebben op de relatie tussen milieuvervuiling en inkomensgroei.

Conclusie van de gevonden resultaten

Als er enkel wordt gekeken naar de relatie tussen die groei van CO2-emissies en de groei van

het inkomen per capita, ontstaat er een bergparabool die in overeenstemming is met de EKC hypothese. Als de GINI variabele hieraan wordt toegevoegd, is deze negatief en niet

significant. Dit zou kunnen betekenen dat inkomensverdeling niet perse een link heeft met milieuvervuiling zoals Scruggs (1998) beargumenteert. Het zou ook kunnen zijn dat door een OVB de parameters afwijken. De missende variabelen zouden dan dus toegevoegd moeten worden. In het literatuuronderzoek komt het compositie effect naar voren waarvoor het percentage dat door de dienstsector wordt toegevoegd aan het BBP als indicator kan worden gezien. Daarnaast wordt de variabele Voice toegevoegd, een indicator van de perceptie van de mate waarin de burgers van een land in staat zijn te participeren in het selecteren van hun overheid en de mate van vrijheid van meningsuiting. Deze variabele kan gezien worden als de Equality Hypothesis van Boyce.

Als de eerder uitgelegde variabele Service en Voice worden toegevoegd, vergroot de

verklarende kracht van het model. Het effect van Service is in de meeste gevallen negatief en significant. Dat betekent dat een groter aandeel van de service sector in het BBP zorgt voor minder groei van CO2-emissies. Het effect van Voice is niet eenduidig en in de meeste

gevallen niet significant. Als er alleen naar de OECD landen wordt gekeken is de variabele positief en significant in drie van de vier gevallen. Dit betekent dat de mate waarin de burgers van een land in staat zijn te participeren een positief effect heeft op de groei van

luchtvervuilende emissies.

Als laatste wordt er gekeken naar het effect van het gemiddelde inkomen per capita als een verklaring voor het niet significant zijn van de GINI coëfficiënt. Dit omdat de

inkomensongelijkheid een verschillend effect heeft voor landen met een gemiddeld hoog en laag inkomen per capita en dus een verschillende coëfficiënt heeft. Als de dataset wordt opgedeeld is de GINI variabele bij landen met een hoog gemiddeld inkomen negatief en met een laag gemiddeld inkomen positief en in beide gevallen significant. Als de

interactievariabele wordt toegevoegd, is deze positief en significant en daarnaast wordt ook de GINI variabele significant. Dit betekent dat ongelijkheid de procentuele verandering in CO2-uitstoot verlaagt in relatief arme landen en verhoogt in rijkere landen vanaf een bepaald

gemiddeld inkomensniveau.

Een opmerkelijke uitkomst is de belangrijke rol van het gemiddelde inkomen, die in voorgaand onderzoek nog niet intensief onderzocht is. Uit dit onderzoek zou de conclusie getrokken kunnen worden dat het gemiddelde inkomen een grotere rol speelt dan in

voorgaande literatuur wordt aangenomen. In plaats van dat het een effect zou hebben op de relatie tussen inkomensongelijkheid en milieuvervuiling, zou de relatie er vanaf hangen. In het debat over duurzaamheid zou deze conclusie van grote invloed kunnen zijn en is dus meer kennis over het effect van het gemiddelde inkomen van belang.

Bibliografie

Baland, J., Bardhan, P. & Bowles, S. (2006). Inequality, Cooperation, and Environmental Sustainability, published by Princeton University Press.

Barro, R. (1999). Inequality, growth and investment, NBER Working Paper n.7038, Cambridge, Massachusetts, USA.

Borghesi S (2006). Income inequality and the environmental Kuznets degradation. In: Basili M, Franzini M, Vercelli A (eds) Environment, Inequality and Collective Action, Routledge, London.

Boyce, J. K. (1994). Inequality as a Cause of Environmental Degradation. Political Economy Research Institute, University of Massachusetts Amherst.

Chowdhury, R.R., Moran, E.F. (2010). Turning the curve: A critical review of Kuznets approaches. Applied Geography 32 (2012) 3-11.

Coase, R.H. (1937) The Nature of the Firm. Economica. New Series, Vol. 4, No. 16, pp. 386-405.

Gassebner M, Lamla M.J & Sturm J.E. (2011). Determinants of pollution: What do we really know? Oxford Economic Papers 63(3):568–595.

Grossman, G.M., Krueger, A.B. (1995). Economic growth and the environment, Quarterly Journal of Economics, Vol. 112, pp. 353-378.

Grossman, G.M., Krueger, A.B.(1991). Environmental Impacts of a North American Free Trade Agreement. Working Paper No. 3914.

Hopwood, B., Mellor, M. & O’Brien, G. (2005). Sustainable development: Mapping Different Approaches. Sustainable development 13, 38-52.

Kuznets, S. (1955). Economic growth and income inequality. American Economic Review, Vol. 49. pp. l-28.

Magnani E. (2000). The environmental Kuznets curve, environmental protection policy and income distribution, Ecological Economics, vol.32, pp.431-443.

Marsiliani, L., Renström, T.I., (2000). Inequality, environmental protection and growth. Center for economic research. working paper n.2000-34, Tilburg University, The Netherlands.

Mikkelson, G.M., Gonzalez, A., Peterson, G.D. (2007) .Economic Inequality Predicts Biodiversity Loss. PLoS ONE 2(5): e444.

Ravallion, B. M., Heil, M. & Jalan, J. (2000) Carbon emissions and income inequality. Oxford Economic Paters, vol. 52, p. 651-669

Scruggs, L.A, (1998). Political land economic inequality and the environment. Ecological Economics, vol 26, p. 259-275

Selden, T. M., Holtz-Eakin, D. (1992). Stoking the fires? CO2 emissions and economic growth. Working paper No. 4248 National bureau of economic research, Syrucuse University.

Stern, D. (2004). The Rise and Fall of the Environmental Kuznets Curve. World Develompent Vol. 32, No. 8, pp. 1419-1439.

Torras, M., Boyce, J.K. (1998). Income, inequality, and pollution: a reassessment of the environmental Kuznets Curve. Ecological Economics, 25(2), 147-160.

United Nations Development Program (2011). Human Development Report 2011. Sustainability and Equity: A Better Future for All. New York.

Hopwood, B., Mellor, M. & O’Brien, G. (2005). Sustainable development: Mapping Different Approaches. Sustainable development 13, 38-52.

Coase, R.H. (1937). The Nature of the Firm. Economica, New Series, Vol. 4, No. 16, pp. 386-405.

Appendix

Hausman test

De nulhypothese van de Hausman test is dat de coëfficiënten die geschat zijn met fixed effects hetzelfde zijn als de coëfficiënten geschat zijn met random effects. Als de P-waarde insignificant is, wordt de nulhypothese niet verworpen en zou random effects moeten worden gebruikt. In dit geval is de P waarde 0.000 en dus wel significant en moet fixed effects worden gebruikt.

Fixed Random Difference

Ln(GDP) 1.28 1.48 -0.2

Ln(GDP)2 -0.03 -0.03 0

GINI 0.006 0.006 0

Voice 0.049 0.051 -0.002

Service -0.0075 -0.0086 0.0011