Sovereign ESG and the Hydrological Constraint: Rethinking the Determinants of Water Stress

Technisches Resümee: Sovereign ESG und die hydrologische Restriktion

Problemstellung
Die Arbeit adressiert eine konzeptionelle und methodische Fragmentierung in der Literatur zum Thema Wasserstress. Während die Hydrologie Wasserstress (das Verhältnis von Süßwasserentnahmen zu verfügbaren erneuerbaren Ressourcen) als ein physisches Ergebnis behandelt, das durch Klima- und Landsysteme bestimmt wird, betrachtet die Politikwissenschaft und die Entwicklungsstudien ihn als ein institutionelles Ergebnis, das durch Governance und Allokationsregeln getrieben wird. Diese beiden Perspektiven wurden selten gemeinsam an derselben Stichprobe von Ländern unter Verwendung eines einheitlichen Rahmens getestet. Darüber hinaus versäumen es bestehende Länderstudien häufig, zwischen zeitlichen Bewegungen innerhalb eines Landes und strukturellen Unterschieden zwischen Ländern zu unterscheiden, und sie vernachlässigen oft Nichtlinearitäten sowie die Validierung mittels maschinellen Lernens. Die Autoren wenden erstmals das Sovereign ESG-Framework (Environmental, Social, and Governance) der Weltbank auf den Wasserstress an, um zu testen, ob diese drei Säulen die hydrologische Restriktion erklären, und um die spezifischen Determinanten innerhalb jeder Säule zu identifizieren.

Methodik
Die Studie analysiert bis zu 170 Volkswirtschaften, die zwischen 2002 und 2022 beobachtet wurden (mit Variationen in der Stichprobengröße aufgrund der Datenverfügbarkeit für spezifische Indikatoren). Die abhängige Variable ist der natürliche Logarithmus des Verhältnisses von Süßwasserentnahme zu Verfügbarkeit. Die Autoren schätzen drei distinkte Gleichungen, die dieselbe abhängige Variable teilen, sich jedoch nur in dem Block der Regressoren unterscheiden, der durch die ESG-Säulen bereitgestellt wird:

1. Umwelt-Gleichung (Environmental): 170 Volkswirtschaften, 3.501 Beobachtungen (2000–2021).
2. Sozial-Gleichung (Social): 99 Volkswirtschaften, 2.113 Beobachtungen (2001–2022).
3. Governance-Gleichung: 170 Volkswirtschaften, 3.421 Beobachtungen (2002–2022).

Jede Gleichung wird entlang dreier paralleler Pfade analysiert, um Robustheit und methodische Triangulation zu gewährleisten:

• Pfad 1: Panel-Ökonometrie: Verwendung von sieben Schätzern, darunter Pooled OLS, Fixed Effects (FE), Random Effects (RE), Between, Weighted Least Squares (WLS) sowie zwei-stufiges Difference- und System-GMM. Die Diagnostik umfasst Tests auf Querschnittsabhängigkeit (Pesaran), Autokorrelation (Wooldridge) und Kollinearität. Entscheidend ist, dass der Governance-Block die hohe Kollinearität (0,81–0,95) unter den Worldwide Governance Indicators (WGI) adressiert, indem er die Hauptkomponentenanalyse (PCA) verwendet, um orthogonalisierte Variablen (Institutionelle Qualität und Institutionelles Gleichgewicht) zu erstellen, anstatt korrelierte Dimensionen nebeneinander einzuführen.
• Pfad 2: Unüberwachtes Clustering: Sechs Algorithmen (DBSCAN, Fuzzy C-Means, Hierarchisch, K-Means, Model-Based GMM, Random Forest Proximity) konkurrieren darum, Länder basierend auf ihren ESG-Wasser-Profilen zu klassifizieren. Die Auswahl erfolgt auf Basis von elf internen Validitätsindizes (z. B. Silhouette, Calinski-Harabasz, HHI) und einer Admissibilitätsregel, die eine Zuweisung aller Volkswirtschaften zu einer Gruppe erfordert.
• Pfad 3: Überwachte Validierung: Sechs Lerner (Lineare Regression, Regressionsbaum, KNN, Linearer SVM, Boosting, Random Forest) werden evaluiert, um die funktionale Form der ökonometrischen Spezifikationen zu validieren, statt zur Vorhersage zu dienen. Eine kritische Designentscheidung betrifft zwei Validierungsschemata: ein zufälliges 70/30 Hold-out und eine gruppierte Fünf-Fold-Kreuzvalidierung, bei der ganze Länder zurückgehalten werden, um Data Leakage (Auswendiglernen der Länderidentität) zu verhindern.

Kernergebnisse

• Strukturelle Natur des Wasserstresses: Die grundlegendste Erkenntnis ist, dass 99,1 % der Log-Varianz des Wasserstresses zwischen den Ländern liegen, während nur 0,9 % innerhalb der Länder über den 20-Jahres-Zeitraum variieren. Dies deutet darauf hin, dass Wasserstress ein strukturelles Attribut des nationalen Territoriums ist und keine Variable, die jährlich signifikant auf politische oder klimatische Schocks reagiert.
• Umwelt-Säule (Environmental Pillar):
  • Determinanten: Waldbedeckung und Bevölkerungsdichte sind die dominanten Prädiktoren. Die Waldbedeckung zeigt eine starke negative Querschnittsbeziehung, während die Bevölkerungsdichte die einzige Variable ist, die in den Fixed-Effects-Modellen (innerhalb des Landes) signifikant bleibt, was darauf hindeutet, dass Urbanisierung den dynamischen Druck vorantreibt.
  • Nichtlinearität: Maschinelles Lernen offenbart eine U-förmige partielle Abhängigkeit für landwirtschaftliche Flächen (der Stress sinkt erst und steigt dann wieder). Der Dürreindex (SPEI), obwohl er den größten Querschnittskoeffizienten im Block trägt, kollabiert unter der gruppierten Validierung auf nahezu Irrelevanz (Dropout-Verlust von 0,71 %), was bedeutet, dass er zwar zwischen Ländern diskriminiert, aber innerhalb dieser nichts erklärt.
  • Validierung: Unter gruppierter Kreuzvalidierung schneidet Random Forest gegenüber linearen Modellen leicht besser ab (R² 0,41 vs. 0,31), aber die lineare Spezifikation erfasst den Großteil der Struktur.
• Sozial-Säule (Social Pillar):
  • Vorzeichenumkehr: Es gibt eine systematische Vorzeichenumkehr zwischen Between- und Fixed-Effects-Schätzern für Variablen wie Sanitärversorgung und saubere Kochbrennstoffe. Die Querschnittskoeffizienten spiegeln geografische Störfaktoren wider (aride, einkommensstarke Volkswirtschaften haben eine hohe Serviceabdeckung und gleichzeitig hohen Stress), nicht kausale soziale Mechanismen.
  • Innerhalb-Land-Treiber: Nur die Fertilitätsrate und die Unterernährung überstehen die Within-Transformation und bewegen sich gemeinsam als Teil eines geteilten Entwicklungspfades.
  • Clustering: Der soziale Block ist weitgehend eindimensional (Entwicklungsgradient). Dennoch entsteht ein distinkter Cluster „Hoher Stress, geringe Partizipation“, der durch ein mittleres Entwicklungsniveau, aber eine eingeschränkte Erwerbsbeteiligung und hohen Wasserstress gekennzeichnet ist.
  • Validierung: Flexible Lerner schneiden schlechter ab als lineare Modelle, wenn Länder herausgehalten werden (R² sinkt auf nahe Null oder negativ), was darauf hindeutet, dass soziale Indikatoren schwache Prädiktoren für die Variation zwischen Ländern sind, sobald die Länderidentität entfernt wird.
• Governance-Säule (Governance Pillar):
  • Das Nullergebnis zur institutionellen Qualität: Das Niveau der institutionellen Qualität (die erste Hauptkomponente aus vier WGI-Indikatoren, die 91,9 % ihrer Varianz absorbiert) steht in keinem Zusammenhang mit dem Wasserstress in keinem der Schätzer.
  • Das Signal in der Zusammensetzung: Die zweite Hauptkomponente, die „Rechenschaftspflicht relativ zur staatlichen Kapazität“ repräsentiert, trägt einen starken negativen Koeffizienten (−1,10) in Querschnittsmodellen. Volkswirtschaften mit hoher administrativer Kapazität, aber geringer Rechenschaftspflicht (z. B. Golf-Rentierstaaten), weisen den höchsten Wasserstress auf.
  • Dominanter Prädiktor: Das Verhältnis der weiblichen zur männlichen Erwerbsbeteiligung ist der signifikanteste Prädiktor über alle drei Säulen hinweg. Ihre partielle Abhängigkeit offenbart eine scharfe Diskontinuität (eine Sprungfunktion), die in einem Fünf-Prozent-Intervall (55–59 %) konzentriert ist – ein Merkmal, das in linearen Spezifikationen unsichtbar bleibt.
  • Validierung: In der Governance-Säule übertrifft die Lineare Regression alle flexiblen Lerner unter gruppierter Kreuzvalidierung (R² 0,27 vs. 0,08), was bestätigt, dass die Beziehung effektiv linear ist und keine nichtlineare Struktur durch das ökonometrische Modell übersehen wurde.

Bedeutung und Ansprüche
Die Arbeit behauptet, drei Lücken in der Literatur zu schließen:

1. Konzeptionell: Es ist die erste Studie, die die dekomponierte Sovereign-ESG-Analyse auf den Wasserstress als abhängige Variable anwendet und die Erklärungskraft der drei Säulen auf eine gemeinsame Stichprobe vergleicht.
2. Schätzung: Durch die Trennung von Bewegungen innerhalb der Länder von der Struktur zwischen den Ländern zeigt die Studie auf, dass Fallstudien und die Länderliteratur unterschiedliche Fragen beantwortet haben. Die Erkenntnis, dass 99,1 % der Varianz strukturell bedingt sind, stellt die Annahme in Frage, dass Wasserstress eine politische Variable ist, die auf jährliche Anpassungen reagiert.
3. Methodisch: Sie behandelt die Kollinearität von Governance-Indikatoren als ein substanzielles Messproblem (das eine Orthogonalisierung erfordert) statt als ein bloßes Schätzproblem. Zudem nutzt sie maschinelles Lernen nicht zur Vorhersage, sondern zur Validierung der Angemessenheit linearer funktionaler Formen und zur Detektion spezifischer Nichtlinearitäten (U-förmige landwirtschaftliche Fläche, Sprungfunktion der Erwerbsbeteiligung).

Die Autoren kommen zu dem Schluss, dass Wasserstress eine Restriktion ist, die Staaten erben, und keine Leistung, die sie erbringen. Folglich ist das „Niveau“ der institutionellen Qualität für die Bewertung der staatlichen Wasserversorgung nicht aussagekräftig; stattdessen sind die Zusammensetzung der Institutionen (speziell das Gleichgewicht zwischen Kapazität und Rechenschaftspflicht) und strukturelle Faktoren wie die Erwerbsbeteiligung die entscheidenden Determinanten. Die Arbeit argumentt, dass das Sovereign-ESG-Framework Wasserstress nicht als bewertbare Leistungsmetrik, sondern als strukturelles Risiko aufnehmen sollte, angesichts seiner trägen, durch Endowment (Gegebenheiten) getriebenen Natur.