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

Technische Samenvatting: Sovereign ESG en de Hydrologische Constraint

Probleemstelling
Het artikel behandelt een conceptuele en methodologische fragmentatie in de literatuur over waterstress. Terwijl de hydrologie waterstress (de ratio van zoetwateronttrekking ten opzichte van beschikbare hernieuwbare hulpbronnen) behandelt als een fysieke uitkomst die wordt bepa bepaald door klimaat en landsystemen, behandelt de politieke wetenschap en ontwikkelingsstudies het als een institutionele uitkomst die wordt gedreven door governance en allocatieregels. Deze twee perspectieven zijn zelden gezamenlijk getest op dezelfde steekproef van landen met behulp van een verenigd kader. Bovendien laten bestaande cross-country studies vaak toe dat er geen onderscheid wordt gemaakt tussen bewegingen binnen landen (within-country) en structurele verschillen tussen landen (between-country), en veronachtzamen ze frequent non-lineariteiten en validatie via machine learning. De auteurs passen voor de eerste keer het World Bank Sovereign ESG-raamwerk (Environmental, Social, and Governance) toe op waterstress, waarbij zij testen of deze drie pijlers de hydrologische constraint verklaren en identificeren de specifieke determinanten binnen elke pijler.

Methodologie
De studie analyseert tot 170 economieën die geobserveerd zijn tussen 2002 en 2022 (met variaties in de omvang van de steekproef door de beschikbaarheid van gegevens voor specifieke indicatoren). De afhankelijke variabele is het natuurlijk logaritme van de ratio van zoetwateronttrekking tot beschikbaarheid. De auteurs schatten drie afzonderlijke vergelijkingen, die elk dezelfde afhankelijke variabele delen maar verschillen in de blok regressoren die worden aangeleverd door de ESG-pijlers:

1. Environmental Equation: 170 economieën, 3.501 observaties (2000–2021).
2. Social Equation: 99 economieën, 2.113 observaties (2001–2022).
3. Governance Equation: 170 economieën, 3.421 observaties (2002–2022).

Elke vergelijking wordt geanalyseerd langs drie parallelle trajecten om robuustheid en methodologische triangulatie te waarborgen:

• Track 1: Paneleconometrie: Gebruikmakend van zeven estimators, waaronder Pooled OLS, Fixed Effects (FE), Random Effects (RE), Between, Weighted Least Squares (WLS), en tweestaps Difference en System GMM. Diagnostiek omvat testen voor cross-sectionele afhankelijkheid (Pesaran), autocorrelatie (Wooldridge) en collineariteit. Cruciaal is dat de governance-blok de hoge collineariteit (0.81–0.95) tussen de Worldwide Governance Indicators (WGI) aanpakt door Principal Component Analysis (PCA) te gebruiken om georthogonaliseerde variabelen (Institutional Quality en Institutional Balance) te creëren, in plaats van gecorreleerde dimensies naast elkaar in te voeren.
• Track 2: Ongecontroleerd Clustering: Zes algoritmen (DBSCA, Fuzzy C-Means, Hierarchical, K-Means, Model-Based GMM, Random Forest proximity) concurreren om landen te classificeren op basis van hun ESG-waterprofielen. Selectie vindt plaats op basis van elf interne validiteitsindices (bijv. Silhouette, Calinski-Harabasz, HHI) en een toelaatbaarheidsregel die vereist dat alle economieën aan een groep worden toegewezen.
• Track 3: Gesuperviseerde Validatie: Zes learners (Linear Regression, Regression Tree, KNN, Linear SVM, Boosting, Random Forest) worden geëvalueerd om de functionele vorm van de econometrische specificaties te valideren in plaats van te voorspellen. Een cruciale ontwerpkeuze betreft twee validatieschema's: een willekeurige 70/30 hold-out en een gegroepeerde vijf-voudige cross-validatie waarbij volledige landen worden uitgesloten om datalekken (het memoriseren van de identiteit van een land) te voorkomen.

Belangrijkste Resultaten

• Structurele aard van waterstress: De meest fundamentele bevinding is dat 99,1% van de log-variantie in waterstress tussen landen ligt, terwijl slechts 0,9% binnen landen ligt over de 20-jarige periode. Dit geeft aan dat waterstress een structureel kenmerk is van nationaal territorium, en geen variabele die significant fluctueert van jaar tot jaar als reactie op beleid of klimaatshocks.
• Environmental Pillar:
  • Determinanten: Bosbedekking en populatiedichtheid zijn de dominante voorspellers. Bosbedekking vertoont een sterke negatieve cross-sectionele relatie, terwijl populatiedichtheid de enige variabele is die significant blijft in het Fixed Effects (binnen-land) model, wat suggereert dat urbanisatie de dynamische druk aanjaagt.
  • Non-lineariteit: Machine learning onthult een U-vormige partiële afhankelijkheid voor landbouwgrond (stress daalt en stijgt dan weer). De droogte-index (SPEI), hoewel deze de grootste cross-sectionele coëfficiënt in de blok draagt, vervalt tot bijna irrelevantie onder gegroepeerde validatie (dropout loss van 0,71%), wat aangeeft dat het weliswaar tussen landen discrimineert, maar binnen landen niets verklaart.
  • Validatie: Onder gegroepeerde cross-validatie presteert Random Forest iets beter dan lineaire modellen (R² 0,41 vs. 0,31), maar de lineaire specificatie vangt de meerderheid van de structuur op.
• Social Pillar:
  • Tekenomkering: Er is een systematische tekenomkering tussen Between en Fixed Effects estimators voor variabelen zoals sanitaire voorzieningen en schoon kookbrandstof. Cross-sectionele coëfficiënten reflecteren geografische confounding (aride, hoge-inkomenslanden hebben een hoge dekking van diensten en hoge waterstress), niet causale sociale mechanismen.
  • Binnen-land drijfveren: Alleen vruchtbaarheidscijfers en ondervoeding overleven de binnen-land transformatie, en bewegen samen als onderdeel van een gedeeld ontwikkelingspad.
  • Clustering: De sociale blok is grotendeels eendimensionaal (ontwikkelingsgradiënt). Echter, een duidelijke "High-stress low-participation" cluster ontstaat, gekenmerkt door intermediaire ontwikkelingsniveaus maar beperkte arbeidsparticipatie en hoge waterstress.
  • Validatie: Flexibele learners presteren slechter dan lineaire modellen wanneer landen worden uitgesloten (R² daalt naar bijna nul of negatief), wat aangeeft dat sociale indicatoren zwakke voorspellers zijn van cross-country variatie zodra de identiteit van het land wordt verwijderd.
• Governance Pillar:
  • De Null op Institutionele Kwaliteit: Het niveau van institutionele kwaliteit (de eerste hoofdcomponent van vier WGI-indicatoren, die 91,9% van hun variantie absorbeert) is in elke estimator ongerelateerd aan waterstress.
  • Het Signaal in Compositie: De tweede hoofdcomponent, die "verantwoording relatief aan staatscapaciteit" vertegenwoordigt, draagt een sterke negatieve coëfficiënt (−1,10) in cross-sectionele modellen. Economieën met een hoge administratieve capaciteit maar lage verantwoording (bijv. Golf-renteniersstaten) vertonen de hoogste waterstress.
  • Dominante Voorspeller: De ratio van vrouwelijke naar mannelijke arbeidsparticipatie is de meest significante voorspeller over alle drie de pijlers. De partiële afhankelijkheid onthult een scherpe discontinuïteit (een stapfunctie) geconcentreerd in een interval van vijf punten (55–59%), een kenmerk dat onzichtbaar is voor lineaire specificaties.
  • Validatie: In de governance-blok presteert Lineaire Regressie beter dan alle flexibele learners onder gegroepeerde cross-validatie (R² 0,27 vs. 0,08), wat bevestigt dat de relatie effectief lineair is en dat er geen non-lineaire structuur wordt gemist door het econometrische model.

Betekenis en Claims
Het artikel claimt drie hiaten in de literatuur op te lossen:

1. Conceptueel: Het is de eerste studie die de sovereign ESG-decompositie toepast op waterstress als afhankelijke variabele, waarbij de verklarende kracht van de drie pijlers op een gemeenschappelijke steekproef wordt vergeleken.
2. Estimatie: Door onderscheid te maken tussen bewegingen binnen landen en de structuur tussen landen, toont het aan dat casestudies en cross-country literatuur verschillende vragen beantwoorden. De bevinding dat 99,1% van de variantie structureel is, daagt de aanname uit dat waterstress een beleidsvariabele is die reageert op jaarlijkse aanpassingen.
3. Methodologisch: Het behandelt de collineariteit van governance-indicatoren als een substantieel meetprobleem (dat orthogonalisatie vereist) in plaats van een louter estimatie-probleem. Het gebruikt ook machine learning niet voor voorspelling, maar om de adequaatheid van lineaire functionele vormen te valideren en om specifieke non-lineariteiten te detecteren (U-vormige landbouwgrond, stapfunctie arbeidsparticipatie).

De auteurs concluderen dat waterstress een constraint is die staten erven in plaats van een prestatie die zij leveren. Bijgevolg is het "niveau" van institutionele kwaliteit oninformatief voor de beoordeling van soevereine waterrisico's; in plaats daarvan zijn de compositie van instituties (specifiek de balans tussen capaciteit en verantwoording) en structurele factoren zoals arbeidsparticipatie de kritieke determinanten. Het artikel betoogt dat het sovereign ESG-raamwerk waterstress niet moet opnemen als een gerate prestatie-metriek, maar als een structurele risicofactor, gezien het trage, door hulpbronnen gedreven karakter ervan.