A country-sector dataset of environmental intensity and geographic variability across industrial activities

Technische Samenvatting: Een land-sector dataset van milieuintensiteit en geografische variabiliteit

Probleemstelling
Bestaande milieu-geëxtendeerde multi-regionale input-output (EEMRIO) databases, zoals EXIOBASE, zijn cruciale instrumenten voor het kwantificeren van milieu-impacts, maar lijden aan aanzienlijke heterogeniteit. Milieu-indicatoren worden doorgaans gerapporteerd in uiteenlopende eenheden en schalen, wat vergelijkingen tussen indicatoren, sectoren en landen bemoeilijkt. Bovendien bevatten deze databases weliswaar de noodzakelijke gegevens om te onderzoeken of milieudruk voortkomt uit inherente sectorale kenmerken of geografische contexten (bijv. technologie, regelgeving, hulpbronkwaliteit), maar ze missen geharmoniseerde metrieken om een dergelijke systematische analyse te faciliteren. Bijgevolg bestaat er een gat in het begrip van de omvang en de geografische afhankelijkheid van milieudruk binnen industriële systemen.

Methodologie
De studie construeert een geharmoniseerde dataset die 6.781 economische sectoren beslaat over 44 landen en vijf Rest-of-World (RoW) regio's, afgeleid van de EXIOBASE 3.8.1 database. De methodologie bestaat uit drie primaire stadia:

1. Selectie en Transformatie van Indicatoren:

   • Dertien milieu-indicatoren werden geselecteerd om klimaatverandering, luchtvervuiling, verzuring, eutrofiëring, ecotoxiciteit, humane toxiciteit, fotochemische ozonvorming en waterverbruik te dekken. Deze zijn gekozen op basis van hun beschikbaarheid, conceptuele onderscheidend vermogen en representativiteit van midpoint impactcategorieën.
   • Om de heterogeniteit van eenheden en scheve verdelingen aan te pakken, werden alle indicatorwaarden getransformeerd naar percentielrangen over alle land-sector observaties. Deze aanpak behoudt de relatieve ordening terwijl de invloed van uitschieters en extreme waarden wordt geminimaliseerd. Structurele nullen (niet-toepasbare combinaties) werden uitgesloten vóór normalisatie om te voorkomen dat niet-toepasbaarheid werd verward met lage milieubelastingen.

2. Berekening van Dimensies van Milieuintensiteit:

   • Directe Milieuintensiteit ($D_i$): Berekend als het rekenkundig gemiddelde van de percentielrangen voor indicatoren gegenereerd binnen de eigen operaties van een sector.
   • Milieuintensiteit van de Toeleveringsketen ($P_i$): Geschat met behulp van Leontief-inverse analyse ($L = (I - A)^{-1}$) toegepast op de technische coëfficiëntmatrix ($A$) en de directe milieucoëfficiënten ($e$). Dit vangt de druk op die belichaamd is in upstream productieketens. De resulterende waarden werden eveneens omgezet naar percentielrangen en gemiddeld.
   • Systemische Milieuintensiteit ($S_i$): Geïntegreerd in één enkele metriek met behulp van het geometrisch gemiddelde van de directe en de toeleveringsketen-scores ($S_i = \sqrt{D_i \times P_i}$). Deze methode werd gekozen om activiteiten te benadrukken die milieukritisch zijn vanuit zowel operationele als toeleveringsketen-perspectieven, waardoor de weging van observaties die slechts hoog scoren op één dimensie wordt verminderd.

3. Kwantificering van Geografische Variabiliteit:

   • Geografische variabiliteit werd gedefinieerd als de standaarddeviatie van de scores voor systemische milieuintensiteit over landen heen voor een specifieke sector. Deze metriek beoordeelt de dispersie van milieuprestaties voor identieke activiteiten onder verschillende nationale contexten.

4. Datafiltering en Validatie:

   • Observaties met geldige gegevens voor minder dan 50% van de geselecteerde indicatoren werden uitgesloten. Robuustheidscontroles bevestigden dat het verhogen van deze drempel naar 75% identieke resultaten opleverde, wat wijst op een hoge gegevensdekking.
   • Technische validatie omvatte Spearman-rangcorrelatieanalyses om de stabiliteit van rangschikkingen te testen tegen alternatieve aggregatiemethoden (bijv. rekenkundig versus geometrisch gemiddelde, gemiddelde versus mediaan percentielen) en indicatordekking drempels.

Belangrijkste Resultaten

• Dataset Samenstelling: De uiteindelijke dataset bevat 6.781 land-sector observaties met geharmoniseerde scores voor directe, toeleveringsketen- en systemische milieuintensiteit, samen met geografische variabiliteitsmetrieken.
• Sectorale Patronen:
  • Productie en Bouw: Deze sectoren vertonen een matige directe intensiteit maar een aanzienlijk hogere toeleveringsketen-intensiteit, wat aangeeft dat hun milieubelasting sterk wordt gedreven door upstream netwerken.
  • Primaire Sectoren (Landbouw, Bosbouw, Mijnbouw, Nutsbedrijven): Deze sectoren vertonen het tegenovergestelde patroon, met een hoge directe intensiteit en een lagere toeleveringsketen-intensiteit, wat suggereert dat hun impacts inherent zijn aan hun operationele grenzen.
  • Dienstensector: Dienstensectoren vertonen over het algemeen de laagste scores voor systemische milieuintensiteit.
• Geografische Variabiliteit:
  • Een twee-weg variantieanalyse (ANOVA) toonde aan dat sectorale effecten een groter deel van de variantie verklaren ($\eta^2 = 0,414$) dan landeffecten ($\eta^2 = 0,224$). Dit suggereert dat milieuintensiteit sterker geassocieerd is met de aard van de productieactiviteit dan met de geografische context.
  • Er bestaat echter significante geografische variabiliteit in specifieke sectoren, met name mijnbouw, winning, recycling, elektriciteitsopwekking en landbouw. Deze sectoren worden gekenmerkt door een hoge milieuintensiteit en een hoge cross-country dispersie, waardoor ze uitstekende kandidaten zijn voor duurzaamheidsupgrades en technologische overdracht.
• Robuustheid: De studie vond een zeer sterke overeenkomst tussen rangschikkingen afgeleid van geometrische en rekenkundige gemiddelden (Spearman's $\rho = 0,974$) en tussen gemiddelde en mediaan percentielscores ($\rho > 0,98$). De correlatie tussen directe en toeleveringsketen-scores was positief maar zwak ($\rho = 0,337$), wat de noodzaak valideert om beide dimensies afzonderlijk te meten.

Betekenis en Claims
Het artikel beweert dat deze dataset een transparant, reproduceerbaar kader biedt voor multidimensionale benchmarking van milieuprestaties zonder dat gebruikers ruwe EEMRIO-data hoeven te verwerken of complexe input-output berekeningen hoeven uit te voeren. De primaire betekenis ligt in:

1. Harmonisatie: Het mogelijk maken van vergelijkingen tussen heterogene milieu-dimensies, landen en sectoren door diverse indicatoren om te zetten in een gemeenschappelijke ordinale schaal.
2. Differentiatie: Het onderscheiden tussen directe operationele druk en upstream toeleveringsketen-druk, die vaak verschillende patronen vertonen over sectoren heen.
3. Beleid nuttigheid: Het identificeren van sectoren waar milieuprestaties zeer gevoelig zijn voor geografische omstandigheden versus sectoren waar ze inherent zijn aan het productieproces. Dit onderscheid ondersteunt gericht industrieel beleid, technologische overdrachtanalyse en duurzaam supply-chain management.
4. Relatieve Benchmarking: De auteurs stellen expliciet dat de scores relatieve milieuintensiteit vertegenwoordigen in plaats van absolute milieubelastingen. Daarom is de dataset het meest geschikt voor rangschikking, vergelijkende beoordeling en exploratieve analyse, in plaats van de kwantificering van absolute fysieke impacts.

Het werk wordt gepresenteerd als een fundamentele bron voor duurzaamheidsstrategieën, waardoor onderzoekers en beleidsmakers kunnen beoordelen of milieuintensiteit eerder wordt gedreven door sectorale kenmerken of door de geografische context waarin die sectoren opereren.