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

Sintesi Tecnica: ESG Sovrano e il Vincolo Idrologico

Problematica
Il documento affronta una frammentazione concettuale e metodologica nella letteratura sullo stress idrico. Mentre l'idrologia tratta lo stress idrico (il rapporto tra i prelievi di acqua dolce e le risorse rinnovabili disponibili) come un esito fisico determinato dal clima e dai sistemi terrestri, la scienza politica e gli studi sullo sviluppo lo trattano come un esito istituzionale guidato dalla governance e dalle regole di allocazione. Queste due prospettive sono state raramente testate congiuntamente sullo stesso campione di paesi utilizzando un quadro unificato. Inoltre, gli studi transnazionali esistenti spesso non distinguono tra i movimenti temporali intra-paese e le differenze strutturali tra i paesi, e frequentemente trascurano le non-linearità e la validazione tramite machine learning. Gli autori applicano per la prima volta il framework Sovereign ESG (Environmental, Social, and Governance) della Banca Mondiale allo stress idrico, testando se questi tre pilastri spiegano il vincolo idrologico e identificando i determinanti specifici all'interno di ciascuno.

Metodologia
Lo studio analizza fino a 170 economie osservate tra il 2002 e il 2022 (con variazioni nella dimensione del campione dovute alla disponibilità di dati per specifici indicatori). La variabile dipendente è il logaritmo naturale del rapporto tra prelievo di acqua dolce e disponibilità. Gli autori stimano tre equazioni distinte, ognuna delle quali condivide la stessa variabile dipendente ma differisce solo per il blocco di regressori fornito dai pilastri ESG:

1. Equazione Ambientale: 170 economie, 3.501 osservazioni (2000–2021).
2. Equazione Sociale: 99 economie, 2.113 osservazioni (2001–2022).
3. Equazione di Governance: 170 economie, 3.421 osservazioni (2002–2022).

Ogni equazione è analizzata lungo tre percorsi paralleli per garantire robustezza e triangolazione metodologica:

• Percorso 1: Econometria Panel. Utilizzando sette stimatori, tra cui OLS raggruppato (Pooled OLS), Effetti Fissi (FE), Effetti Casuali (RE), Between, Minimi Quadrati Pesati (WLS) e due versioni di GMM in differenze e in sistema. I diagnostici includono test per la dipendenza trasversale (Pesaran), l'autocorrelazione (Wooldridge) e la collinearità. Fondamentalmente, il blocco della governance affronta l'elevata collinearità (0,81–0,95) tra gli indicatori di governance mondiale (WGI) impiegando l'Analisi delle Componenti Principali (PCA) per creare variabili ortogonalizzate (Qualità Istituzionale e Bilanciamento Istituzionale), anziché inserire dimensioni correlate l'una accanto all'altra.
• Percorso 2: Clustering Non Supervisionato. Sei algoritmi (DBSCA, Fuzzy C-Means, Gerarchico, K-Means, GMM basato su modelli, Prossimità di Random Forest) competono per classificare i paesi in base ai loro profili ESG-acqua. La selezione si basa su undici indici di validità interna (es. Silhouette, Calinski-Harabasz, HHI) e una regola di ammissibilità che richiede che tutte le economie siano assegnate a un gruppo.
• Percorso 3: Validazione Supervisionata. Sei apprendenti (Regressione Lineare, Albero di Regressione, KNN, SVM Lineare, Boosting, Random Forest) sono valutati per validare la forma funzionale delle specifiche econometriche piuttosto che per fare previsioni. Una scelta critica di design riguarda due schemi di validazione: un hold-out casuale 70/30 e una validazione incrociata a cinque gruppi (five-fold cross-validation) dove interi paesi vengono esclusi per prevenire la perdita di dati (memorizzazione dell'identità del paese).

Risultati Chiave

• Natura Strutturale dello Stress Idrico: Il risultato fondamentale è che il 99,1% della varianza logaritmica dello stress idrico risiede tra i paesi, mentre solo lo 0,9% risiede all'interno di essi nel periodo di 20 anni. Ciò indica che lo stress idrico è un attributo strutturale del territorio nazionale, non una variabile che fluttua significativamente di anno in anno in risposta a shock politici o climatici.
• Pilastro Ambientale:
  • Determinanti: La copertura forestale e la densità di popolazione sono i predittori dominanti. La copertura forestale mostra una forte relazione trasversale negativa, mentre la densità di popolazione è l'unica variabile che rimane significativa nel modello a Effetti Fissi (intra-paese), suggerendo che l'urbanizzazione guidi la pressione dinamica.
  • Non-linearità: Il machine learning rivela una dipendenza parziale a forma di U per il terreno agricolo (lo stress diminuisce poi aumenta). L'indice di siccità (SPEI), pur portando il coefficiente trasversale più grande nel blocco, crolla quasi all'irrilevanza sotto la validazione di gruppo (perdita di dropout di 0,71%), indicando che discrimina tra i paesi ma non spiega nulla al loro interno.
  • Validazione: Sotto la validazione incrociata di gruppo, Random Forest supera leggermente i modelli lineari (R² 0,41 vs. 0,31), ma la specifica lineare cattura la maggior parte della struttura.
• Pilastro Sociale:
  • Inversione di Segno: Si osserva un'inversione sistematica del segno tra gli stimatori Between e Fixed Effects per variabili come il sistema igienico-sanitario e il combustibile per la cucina pulita. I coefficienti trasversali riflettono una confusione geografica (le economie aride e ad alto reddito hanno un'elevata copertura di servizi e un elevato stress idrico), non meccanismi sociali causali.
  • Driver Intra-paese: Solo il tasso di fertilità e la malnutrizione sopravvivono alla trasformazione "within", muovendosi insieme come parte di un percorso di sviluppo condiviso.
  • Clustering: Il blocco sociale è in gran parte monodimensionale (gradiente di sviluppo). Tuttavia, emerge un cluster distinto "Alto stress - Bassa partecipazione", caratterizzato da livelli di sviluppo intermedi ma da una partecipazione limitata alla forza lavoro e un alto stress idrico.
  • Validazione: Gli apprendenti flessibili performano peggio dei modelli lineari quando i paesi vengono esclusi (R² scende vicino allo zero o diventa negativo), indicando che gli indicatori sociali sono deboli predittori della variazione tra i paesi una volta rimossa l'identità del paese.
• Pilastro di Governance:
  • Il Nulla sulla Qualità Istituzionale: Il livello di qualità istituzionale (la prima componente principale di quattro indicatori WGI, che assorbe il 91,9% della loro varianza) non è correlato allo stress idrico in nessuno degli stimatori.
  • Il Segnale nella Composizione: La seconda componente principale, che rappresenta la "accountability rispetto alla capacità statale", porta un forte coefficiente negativo (−1,10) nei modelli trasversali. Le economie con alta capacità amministrativa ma bassa accountability (es. stati rentier del Golfo) esibiscono lo stress idrico più elevato.
  • Predittore Dominante: Il rapporto tra partecipazione femminile e maschile alla forza lavoro è il predittore più significativo tra tutti e tre i pilastri. La sua dipendenza parziale rivela una discontinuità netta (una funzione a gradino) concentrata in un intervallo di cinque punti (55–59%), una caratteristica invisibile alle specifiche lineari.
  • Validazione: Nella governance, la Regressione Lineare supera tutti gli apprendenti flessibili sotto la validazione incrociata di gruppo (R² 0,27 vs. 0,08), confermando che la relazione è effettivamente lineare e che non viene persa alcuna struttura non lineare.

Significatività e Rivendicazioni
Il documento sostiene di aver risolto tre lacune nella letteratura:

1. Concettuale: È il primo studio ad applicare la decomposizione ESG sovrana allo stress idrico come variabile dipendente, confrontando il potere esplicativo dei tre pilastri su un campione comune.
2. Stima: Separando il movimento intra-paese dalla struttura tra i paesi, dimostra che i casi di studio e la letteratura transnazionale stanno rispondendo a domande diverse. La scoperta che il 99,1% della varianza è strutturale sfida l'assunto che lo stress idrico sia una variabile politica responsiva a aggiustamenti annuali.
3. Metodologica: Tratta la collinearità degli indicatori di governance come un problema di misurazione sostanziale (richiedendo l'ortogonalizzazione) piuttosto che come un disturbo della stima. Utilizza inoltre il machine learning non per la previsione, ma per validare l'adeguatezza delle forme funzionali lineari e per rilevare specifiche non-linearità (terreno agricolo a forma di U, partecipazione al lavoro a funzione a gradino).

Gli autori concludono che lo stress idrico è un vincolo che gli stati ereditano piuttosto che una prestazione che forniscono. Di conseguenza, il "livello" di qualità istituzionale è poco informativo per la valutazione idrica sovrana; invece, la composizione delle istituzioni (specificamente l'equilibrio tra capacità e accountability) e i fattori strutturali come la partecipazione alla forza lavoro sono i determinanti critici. Il documento sostiene che il framework ESG sovrano dovrebbe incorporare lo stress idrico non come una metrica di prestazione valutata, ma come un fattore di rischio strutturale, data la sua natura a evoluzione lenta e guidata dai dotazioni naturali.