Spatiotemporal synergies and trade-offs between ecological conservation and industrial revitalisation in China’s rural regions

Technisches Resümee: Spatiotemporale Synergien und Zielkonflikte zwischen ökologischer Erhaltung und industrieller Revitalisierung in Chinas ländlichen Regionen

Problemstellung
Die ländliche Nachhaltigkeit steht weltweit vor der doppelten Herausforderung von wirtschaftlicher Stagnation und Umweltdegradierung. Während Chinas Strategie zur ländlichen Revitalisierung aus dem Jahr 2017 explizit industrielle Prosperität mit ökologischer Lebensqualität koppelt, bleibt die empirische Interaktion zwischen diesen Zielen auf feinen administrativen Skalen ungeklärt. Die bestehende Literatur weist zwei primäre Lücken auf: (1) eine Abhängigkeit von Analysen auf Provinzebene, welche die fiskalischen und landnutzungsbezogenen Variationen zwischen benachbarten Kreisen verschleiert, und (2) eine methodische Unzulänglichkeit, da Kopplungskoordinationsmodelle selten räumliche ökonometrische Techniken integrieren, um direkte Effekte von grenzüberschreitenden Spillover-Effekten zu trennen. Infolgedessen fehlt politischen Entscheidungsträgern eine Referenzgrundlage zur Bewertung grenzüberschreitender Zielkonflikte und kausaler Mechanismen.

Methodik
Die Studie erstellt einen ausgewogenen Paneldatensatz, der 1.943 chinesische Kreise von 2012 bis 2022 abdeckt. Der Autor entwickelt zwei zusammengesetzte Indizes:

• Ecological Conservation Index (ECI): Abgeleitet aus vier satellitengestützten Indikatoren: PM2,5-Konzentration (ACAG V6GL03), jährlicher mittlerer NDVI (GIMMS-3g), Waldbedeckungsrate und der Anteil an ökologischem Land (ESA WorldCover 2020). Die Gewichtung erfolgte durch eine Kombination aus Entropie- und Analytic Hierarchy Process (AHP)-Methoden.
• Industrial Revitalisation Index (IRI): Konstruiert unter Verwendung von Nachtlichtintensitätsdaten (eoatlas) als Proxy für industrielle Aktivität.

Das Analyseframework verwendet:

1. Coupling Coordination Degree (CCD): Berechnet, um die Synergie zwischen ECI und IRI zu messen.
2. Spatial Durbin Model (SDM): Geschätzt mit Kreis- und Jahres-Fixeffekten unter Verwendung von K-Nearest-Neighbor (KNN)-Gewichten, um die Effekte in direkte, indirekte (räumliche Spillover-) und totale Komponenten zu zerlegen.
3. Difference-in-Differences (DID): Nutzung der ländlichen Revitalisierungsstrategie von 2017 als exogener Schock, wobei die am stärksten ländlich geprägten Kreise (Treatment-Gruppe) mit den am wenigsten ländlichen (Kontrollgruppe) verglichen werden.
4. Monte-Carlo-Simulationen: 1.000 Iterationen mit stochastischer Parameterperturbation, um die CCD-Trajektorien bis 2030 unter vier Szenarien zu projizieren: Baseline, Öko-Priorität, Industrie-Priorität und koordinierte Entwicklung.
5. Robustheitsprüfungen: Einschließlich sektoral stratifizierter Analysen (nach Nachtlichtintensitäts-Tiers), alternativer räumlicher Gewichtungsmatrizen (Queen-Kontiguität, Inverse Distanz) und verzögerter Regressionsanalysen zur Adressierung bidirektionaler Kausalität.

Kernergebnisse

• Spatiotemporale Evolution: Der nationale Durchschnitt des ECI stieg moderat (3,7 %), während der IRI signifikant anstieg (47,2 %), was eine ungleichmäßige Industrialisierung offenbart. Bis 2022 stieg der nationale CCD von 0,277 auf 0,306, doch nur 5,4 % der Kreise erreichten einen „koordinierten“ Status (CCD > 0,5).
• Räumliche Clusterbildung: Es wurde eine starke räumliche Autokorrelation beobachtet (Global Moran's I stieg von 0,534 auf 0,592). High-High-Cluster konzentrieren sich in den östlichen Küstenregionen, während Low-Low-Cluster den Nordwesten dominieren.
• Asymmetrische Spillover-Effekte: Die SDM-Zerlegung offenbarte eine kritische Asymmetrie. Die industrielle Revitalisierung (IRI) generierte signifikante positive räumliche Spillover-Effekte (indirekter Effekt = 0,074, P < 0,01), die benachbarte Kreise begünstigten. Im Gegensatz dazu zeigten ökologische Verbesserungen (ECI) vernachlässigbare indirekte Effekte (0,008, P = 0,29), was darauf hindeutet, dass ökologische Gewinne administrative Grenzen nicht maßgeblich überschreiten.
• Regionale Heterogenität und der Ressourcenfluch: Westliche Kreise wiesen ein „Ressourcenfluch“-Muster auf: Sie sind ökologisch reich, aber industriell arm. Der marginale Gewinn in der Koordination durch ökologische Verbesserung war im Westen 2,7 Mal höher als im Osten, was einen niedrigen industriellen Ausgangspunkt widerspiegelt. Dennoch erlebten 34,9 % der westlichen Kreise industrielle Zielkonflikte (Trade-offs).
• Politischer Einfluss: Das DID-Design ergab einen negativen Koeffizienten (−0,0259) für die Politik von 2017, jedoch wurden die Paralleltrend-Annahmen vor der Behandlung verletzt, was die kausale Interpretation einschränkt. Das negative Vorzeichen spiegelt wahrscheinlich eine persistente Divergenz wider und nicht einen politikinduzierten Rückgang.
• Projektionen: Monte-Carlo-Simulationen zeigen, dass ein Pfad der „koordinierten“ Entwicklung die Einzelziel-Strategien (Öko-Priorität oder Industrie-Priorität) bis 2030 robust übertrifft.

Wesentliche Beiträge

1. Feinkalibrierte Quantifizierung: Die Studie liefert die erste Quantifizierung der ökologisch-industriellen Interaktionen auf Kreisebene in China und geht über Provinzaggregate hinaus, um lokale Konflikte und Synergien aufzuzeigen.
2. Methodische Integration: Sie integriert Kopplungskoordinationsmodelle mit räumlicher Ökonometrie (SDM), um grenzüberschreitende Spillover-Effekte explizit zu quantifizieren und somit die Lücke bei der Identifizierung kausaler Mechanismen in Regionalstudien zu schließen.
3. Entdeckung von Asymmetrien: Die Forschung identifiziert, dass industrielle Aktivitäten positive räumliche Externalitäten erzeugen, ökologische Verbesserungen hingegen nicht, was die Annahme infrage stellt, dass ökologische Korridore allein die regionale Koordination vorantreiben.
4. Übertragbare Diagnostik: Das Framework wird als anpassbar für datenarme Länder (z. B. Äthiopien und Laos) unter Verwendung vereinfachter Indikatoren demonstriert, was Entwicklungsländern ein Werkzeug zur Gestaltung lokal zugeschnittener Strategien bietet.

Bedeutung und Ansprüche
Das Paper behauptet, dass ländliche Nachhaltigkeit räumlich differenzierte Politiken erfordert, statt einheitlicher nationaler Mandate. Die Ergebnisse legen nahe, dass:

• Zielgerichtete Politik: Kreiseübergreifende Koordinationspolitiken die industriellen Verknüpfungen priorisieren sollten, um positive Spillover-Effekte zu nutzen, anstatt sich allein auf ökologische Korridore zu verlassen, die vernachlässigbare Spillover-Effekte zeigen.
• Differenzierte Zonen: Der Autor schlägt drei Politikzonen basierend auf den 2022er CCD-Werten vor: eine „Synergiezone“ (Osten) zur Aufrechterhaltung der Trajektorien, eine „Trade-off-Zone“ zur Aktivierung von Übergangsfonds für ressourcenbasierte Industrien und eine „Imbalance-Zone“ (westliche ökologische Kreise), die grüne Industrieparks und verbindliche ökologische Ziele erfordert.
• Kompensationsmechanismen: Eine Kompensationsformel wird vorgeschlagen, um räumliche Externalitäten zu berücksichtigen; sie legt nahe, dass Kreise, die von der industriellen Entwicklung ihrer Nachbarn profitieren, zur ökologischen Kompensation beitragen sollten, mit Prämien für Regionen mit hohen Entwicklungskosten.
• SDG-Ausrichtung: Die Studie positioniert CCD als ein zusammengesetztes Diagnosetool, das mit mehreren Nachhaltigkeitszielen (SDGs) korreliert, insbesondere Armutsbekämpfung (SDG 1) und saubere Energie (SDG 7), warnt jedoch davor, dass Koordination nicht automatisch die Ziele für terrestrische Ökosysteme (SDG 15) garantiert.

Der Autor schließt mit dem Hinweis, dass ihr Ansatz zwar eine übertragbare Diagnostik für Entwicklungsländer bietet, jedoch Limitationen bestehen, einschließlich der statischen Natur des CCD-Modells, der Abhängigkeit von einem einzelnen Proxy für industrielle Aktivität und der Aggregation von Kreisebene-Daten, welche die Heterogenität auf Township-Ebene maskiert.