When Green Accounting Fails to Drive Green Energy: Institutional Quality and China’s Renewable Energy Transition

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides empirical evidence on the role of institutional quality in the energy transition, using both econometric and ML methods for robustness.

🏢実務担当者:Highlights that corporate sustainability teams should consider institutional and regulatory factors when assessing renewable energy investment risks.

🏛政策担当者:Suggests that effective energy transition policy requires combining environmental accounting with strong governance and deployment-oriented R&D spending.

本研究は、1999年から2023年までの中国における再生可能エネルギーの導入と、制度の質、政府の研究開発支出、およびSEEAに整合した環境資産指標との関連性を検証するものである。環境会計上のシグナルとイノベーション投資が、自動的には再生可能エネルギーの利用に結びつかないというパズルに取り組む。World Development IndicatorsおよびWorldwide Governance Indicatorsからの年次データを、ハイブリッドな実証戦略を用いて分析した。短期および長期の関係を推定するために自己回帰分布ラグ（ARDL）アプローチを適用し、頑健性と予測的重要性の補完的ツールとして、ダブル機械学習、ランダムフォレスト、勾配ブースティング、およびSHAP解釈可能性を用いた。サンプルサイズが限られていることを踏まえ、機械学習の結果は、直交化された関連性および予測的証拠として解釈され、決定的な因果効果としては解釈されない。ARDLの結果は、規制の質が再生可能エネルギーの導入と正で統計的に有意な長期的関連性を持つことを示している。対照的に、政府の研究開発支出と調整済み純貯蓄は負の関連性を示し、イノベーション支出と財政能力は、導入およびエネルギーシステムの代替に向けられない限り、再生可能エネルギーの導入を支援しない可能性があることを示唆している。エネルギー資源の枯渇は統計的に有意ではなく、天然資源レントは弱い正の長期的関連性を示す。機械学習の結果は、政府の研究開発支出を最も強い予測因子として特定するが、その方向性は負のままである。これらの発見は、中国の再生可能エネルギー移行が、財政的または技術的インプット単独に依存するのではなく、これらのインプットを導入成果に転換する制度的能力に、より依存していることを示している。本研究は、SEEAに基づく指標が、規制メカニズム、導入志向のイノベーション政策、およびエネルギー移行の成果ベースの評価と統合されるべきであることを示唆している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

This study examines how institutional quality, government R&D expenditure, and SEEA-aligned environmental asset indicators are associated with renewable energy adoption in China from 1999 to 2023. It addresses the puzzle that environmental accounting signals and innovation investment do not automatically translate into renewable energy use. Annual data from the World Development Indicators and Worldwide Governance Indicators were analyzed using a hybrid empirical strategy. The Autoregressive Distributed Lag approach was applied to estimate short-run and long-run relationships, while Double Machine Learning, Random Forest, Gradient Boosting, and SHAP interpretability were used as supplementary tools for robustness and predictive importance. Given the limited sample size, machine-learning results are interpreted as orthogonalized associations and as predictive evidence rather than as definitive causal effects. ARDL results show that regulatory quality has a positive and statistically significant long-run association with renewable energy adoption. In contrast, government R&D expenditure and adjusted net savings show negative associations, suggesting that innovation spending and fiscal capacity may not support renewable energy adoption unless directed toward deployment and energy-system substitution. Energy resource depletion is statistically insignificant, while natural resource rents show a weak positive long-run association. Machine-learning results identify government R&D expenditure as the strongest predictor, although its direction remains negative. The findings indicate that China’s renewable energy transition depends less on fiscal or technological inputs alone and more on the institutional capacity to convert these inputs into adoption outcomes. The study implies that SEEA-based indicators should be integrated with regulatory mechanisms, deployment-oriented innovation policy, and outcome-based evaluation of energy transition.

• openalex https://doi.org/10.36923/ie-frontiers.v29i1.426first seen 2026-06-08 04:37:35 · last seen 2026-06-16 04:40:06