Escolar Documentos
Profissional Documentos
Cultura Documentos
Jornal Internacional de
Pesquisa Ambiental e Saúde
Pública
Artigo
Resumo: Estudos anteriores mostram que a qualidade ambiental é significativamente influenciada pela corrupção e pela
economia oculta separadamente. No entanto, qual é o impacto de seu efeito de interação na qualidade ambiental? Com
base no modelo de Múltiplos Indicadores de Causas Múltiplas (MIMIC), este estudo calcula a escala da economia oculta nas
províncias chinesas em primeiro lugar. Em seguida, aplicamos o método de econometria espacial para analisar o efeito da
interação da corrupção e da economia oculta na poluição ambiental com os dados do painel provincial da China de 1998 a
2017. Os resultados indicam que o efeito da interação entre corrupção e economia oculta aumenta significativamente a
descarga de poluentes, sugerindo que tanto o anticorrupção quanto o controle da economia oculta podem melhorar a
qualidade ambiental direta e indiretamente.
1. Introdução
Embora a China tenha alcançado conquistas notáveis no desenvolvimento econômico desde a reforma e
abertura, a consequente corrupção tornou-se um grande desafio para Pequim.
O Índice de Percepção de Corrupção (CPI) anual da Transparency International revela que a China tem sido
consistentemente classificada em torno do 80º lugar nos últimos cinco anos, sendo a pior classificação o 100º em
2014, indicando a prevalência e a gravidade do desafio da corrupção na China. A corrupção não apenas impede
o crescimento econômico, mas também afeta as políticas ambientais e a qualidade ambiental.
A corrupção no nível do governo central pode resultar na suspensão ou atraso das políticas ambientais ou na redução da
intensidade das políticas. A corrupção no nível do governo local pode bloquear a aplicação de políticas ambientais nas
empresas e resultar no declínio dos padrões das políticas. Como resultado, as empresas altamente poluentes que costumavam
ser proibidas entrarão no mercado e começarão a organizar a produção, e as empresas que usam tecnologias de produção
mais limpas deixarão de aplicar dispositivos de controle de emissões ou mudarão para tecnologias de produção poluentes
para economizar custos, aumentando assim o lançamento de poluentes.
Outro fator potencialmente desfavorável que acompanha o rápido crescimento econômico da China é a
expansão da economia oculta, também conhecida como economia paralela, economia subterrânea ou economia não
oficial [1,2]. É mais comumente definido como “todas as atividades econômicas que não são oficialmente contabilizadas” [3].
Não sendo regulamentada pelo governo, a economia oculta tem causado muitos problemas econômicos e sociais,
incluindo problemas ambientais. Blackman [4] descobriu que atividades econômicas ocultas podem
Int. J. Environ. Res. Saúde Pública 2019, 16, 2871; doi:10.3390/ijerph16162871 www.mdpi.com/journal/ijerph
Machine Translated by Google
2. Revisão da Literatura
países com regulamentação mais rígida. Outros estudos relacionados são os trabalhos de Balsalobre-Lorente et al.
[19] e Huynh e Hoang [20].
empreendimentos individuais deste tipo não é tão grave em comparação com a poluição causada por
empresas nos setores formais. O último implica que uma das características essenciais da economia
oculta é que a economia oculta não está sujeita a regulamentações governamentais. Embora a
economia oculta alivie a poluição ambiental por meio do primeiro mecanismo, ela intensifica a poluição
por meio do último. Dado que os dois mecanismos funcionam em direções opostas, a relação entre
eles assume a forma de um U invertido.
Embora a pesquisa sobre a influência da corrupção ou economia oculta na qualidade ambiental seja
extensa, ela presta pouca atenção ao impacto de seu efeito de interação. Até onde sabemos, Biswas et al. [29]
são os únicos pesquisadores que investigaram essa questão. Em nossa opinião, sua pesquisa pode ser
estendida pelo menos nos dois aspectos a seguir. Em primeiro lugar, em termos de medição do nível de
corrupção, Biswas et al. [29] utilizou o índice de corrupção emitido pela Political Risk Services Inc. (PRS) e o
CPI pela Transparency International, que medem o nível anual de corrupção apenas em nível nacional,
negligenciando assim a corrupção em nível regional. Em segundo lugar, eles adotaram o método tradicional de
regressão de dados em painel para conduzir a análise empírica com base na suposição subjacente de que as
descargas de poluentes de diferentes regiões não afetam umas às outras. De fato, existe uma correlação
espacial da qualidade ambiental devido a fatores naturais como direção do vento e fluxo de água, bem como
laços econômicos entre diferentes regiões. Em outras palavras, a qualidade ambiental de uma região pode ser
influenciada pela de outras regiões e a correlação espacial da qualidade ambiental será reforçada pela
corrupção regional e externalidades das políticas ambientais.
Se o co-movimento espacial for ignorado durante o processo de análise empírica, os resultados obtidos podem
ser enviesados [30]. Portanto, é necessário utilizar o método econométrico de painel espacial para uma pesquisa
aprofundada e precisa.
Esta seção calculará o tamanho da economia oculta nas províncias da China. Primeiramente, apresentamos
brevemente métodos de medida comuns da economia oculta usados na literatura. Em segundo lugar, o método
escolhido para este estudo, modelo de Múltiplos Indicadores de Causas Múltiplas (MIMIC), é descrito em
detalhes, juntamente com todas as possíveis variáveis de causa e indicadoras envolvidas no modelo. Em
terceiro lugar, o modelo MIMIC é estimado. Por fim, é calculada a escala da economia oculta nas províncias
chinesas de 1998 a 2017 .
O tamanho da economia oculta pode ser calculado direta ou indiretamente. O cálculo direto pode ser obtido
por abordagens microeconômicas, como pesquisas reais e auditorias fiscais. Pesquisas reais são amplamente
utilizadas para calcular o tamanho da economia oculta em muitos estudos anteriores, como Cantekin e Elgin [31]
para a Turquia e Medvedev e Oviedo [32] para o Equador. A auditoria fiscal, que se destina a medir o montante
do rendimento tributável não declarado, também pode ser utilizada para calcular a dimensão da economia oculta
[33]. Embora as abordagens de cálculo direto mencionadas acima possam fornecer detalhes sobre a economia
oculta, elas levam apenas a estimativas pontuais e não podem capturar o desenvolvimento e o crescimento da
economia oculta para todas as províncias da China durante um longo período de tempo [34] . Como resultado,
as abordagens de cálculo direto não podem ser usadas neste estudo. O cálculo indireto, também denominado
cálculo de indicador, é medir indiretamente o tamanho da economia oculta aplicando vários indicadores
macroeconômicos contendo informações econômicas ocultas, como transação [3], demanda por moeda [35] e
Indicadores Múltiplos de Causas Múltiplas (MIMIC) modelo, sendo os dois últimos os mais utilizados. Orsi et al.
[36] fornecem uma discussão detalhada das vantagens e desvantagens desses métodos de cálculo indireto. O
modelo MIMIC considera múltiplas causas e efeitos da economia oculta simultaneamente, em contraste com
outras abordagens que consideram apenas um indicador [34]. Assim, pode medir o tamanho da economia oculta
com mais precisão e é amplamente utilizado na literatura relacionada, como
Machine Translated by Google
Bajada e Schneider [37] para os países da Ásia-Pacífico, Dell'Anno e Solomon [38] para os Estados Unidos e
Popescu et al. [39] para a Romênia. Além disso, os dados de moeda no nível provincial não estão disponíveis na
China. Consequentemente, este estudo usa o modelo MIMIC para calcular o tamanho da economia oculta em
diferentes províncias da China. Seguindo a pesquisa de Giles [40], o modelo MIMIC consiste estruturalmente em
duas partes, incluindo o modelo de medição para a relação entre variáveis indicadoras e variáveis não observáveis
(o tamanho da economia oculta neste estudo) e o modelo estrutural para a relação entre as variáveis ocultas
economia e variáveis causais. O modelo de medição pode ser expresso como:
Y1,Y2,· · · ,Yp representam um conjunto de variáveis indicadoras observáveis relacionadas à economia oculta,
e ÿ representa a economia oculta. ÿ1,ÿ2,· · · ,ÿp representam os parâmetros do modelo de medição, e ÿ representa
o erro de medição.
O modelo estrutural pode ser expresso como:
ÿ = ÿ1 × Z1 + ÿ2 × Z2 + · · · + ÿk × Zk + ÿ (2)
Z1,Z2,· · · ,Zk representam um conjunto de variáveis de causa observáveis, e ÿ representa a economia oculta.
ÿ1,ÿ2,· · · ,ÿk representam os parâmetros do modelo estrutural, e ÿ representa o termo de perturbação aleatória.
As equações (1) e (2) acima podem ser reescritas como forma vetorial:
ÿ ÿ
ÿ
Y=ÿ×ÿ+ e (3)
ÿ
ÿ
h= ÿ× Z+ÿ (4)
ÿ
ÿ
ÿe ÿ representa o vetor de parâmetros.
ÿ
Antes de avaliar a Equação (5), precisamos predefinir um valor para um elemento no vetor ÿ e depois
normalizá-lo. Em outras palavras, a estimativa do modelo MIMIC precisa construir um índice de escala.
Seguindo Alanon e Gomez-Antonio [41], o índice de produção é geralmente considerado como o índice de escala.
ÿ
ÿ
ÿe
Se o modelo estiver correto e puder ser identificado, os vetores de parâmetros ÿ podem ser obtidos usando o
método da razão de máxima verossimilhança. Suponha que o valor médio do termo de perturbação aleatória ÿ seja
0, então o valor ordinal da economia oculta ÿ, ou índice de economia oculta (SE*) conforme mostrado abaixo, pode
ser calculado usando a Equação (4). No entanto, o valor ordinal obtido deve ser convertido para o valor absoluto,
que é a participação da economia oculta no PIB, representado por SE abaixo. Portanto, é importante obter o valor
absoluto de um ponto amostral. A prática comum é usar outros métodos de estimativa (como o método de demanda
monetária, etc.) para obter o valor absoluto. O modelo MIMIC mencionado acima também pode ser mostrado na
Figura 1.
s , dez te orna vaue o te en economia en economia nex como semeado , oupode ser calculado usando a Equação (4). No entanto, o valor
o eow,
Machine Translated by Google
ordinal obtido deve ser convertido para o valor absoluto, que é a participação da economia oculta no PIB, representado por SE abaixo. Portanto,
é importante obter o valor absoluto de um ponto amostral. A prática comum é usar outros métodos de estimativa (como o método de demanda
monetária, etc.) para obter o valor absoluto. Modelo MIMIC Int. J. Environ. Res. Public Health 2019, 16, 2871 mencionado acima também pode
ser mostrado na Figura 1. 6 de 23
Z1t Y1t
Escondido
Z2t
Y2t
Economia
…
…
Procurar
YPT
Na figura, Zit (i = 1,2,...,k)são causas relativas à economia oculta, enquanto Yjt (j = 1,2,. . . ,p)são
indicadores.
Thomas [42] aponta que, ao usar o modelo MIMIC, as causas e os indicadores devem ser
selecionados adequadamente. Devido a condições nacionais específicas, as razões e características da
economia oculta em diferentes países não só têm certa semelhança, mas também apresentam algumas
características únicas. Portanto, a seleção de causas e indicadores é diferente para pesquisas em diferentes países.
Na maioria dos estudos relacionados, a carga tributária, a renda residente, a taxa de desemprego, a
regulamentação governamental e a taxa de autoemprego são selecionadas como causas ou variáveis explicativas
nas Equações (2) e (4), e o crescimento econômico, a taxa de participação na força de trabalho e a moeda nas
circulação são selecionados como indicadores ou variáveis dependentes nas Equações (1) e (3) [37,40,43]. Ao
calcular o tamanho da economia oculta nas províncias da China com o modelo MIMIC, selecionamos o máximo
possível de variáveis utilizadas na literatura para garantir a precisão da medição e fazer alguns ajustes com base
na situação real do país. Por exemplo, a China não publica os dados de moeda em circulação nas províncias,
portanto este estudo não considera a moeda em circulação como variável indicadora. Os detalhes das causas e
indicadores que finalmente selecionamos seguem a seguir.
3.2.1. Causas
Carga tributária (TT). A carga tributária é o determinante mais importante da economia oculta.
Schneider [44] e Schneider e Dell'Anno [45] constataram que o impacto da carga tributária na economia oculta é
muito significativo. A pesquisa de Schneider [46] em três países nórdicos (Dinamarca, Noruega e Suécia) revelou
resultados semelhantes, ou seja, a taxa média de imposto direto, a taxa média total de imposto (incluindo imposto
direto e imposto indireto) e a taxa marginal de imposto têm um impacto positivo significativo. impacto na economia
oculta. Especificamente, o aumento da carga tributária aumentará o incentivo para que as empresas transfiram
atividades produtivas do setor formal para o informal.
A carga tributária também afeta a escolha dos trabalhadores. Se houver uma grande diferença entre o
custo de vida total e a renda após impostos na economia formal, os trabalhadores terão um forte incentivo para
trabalhar na economia oculta para compensar a diferença evitando impostos [44,45]. Neste estudo, a carga
tributária é expressa como a parcela da receita tributária provincial no PIB. Além disso, o imposto total é dividido
em imposto direto e imposto indireto para analisar o impacto de diferentes tipos de impostos na economia oculta,
e a carga tributária direta (DT) e a carga tributária indireta (IT) são calculadas separadamente.
Renda residente (INC). Na distribuição de renda nacional (incluindo a distribuição primária e redistribuição),
quanto menor a proporção da distribuição do setor residente, mais forte a disposição dos residentes individuais
de aumentar sua renda pessoal participando de atividades econômicas ocultas e maior a escala da economia
oculta.
Machine Translated by Google
Taxa de desemprego (UNE). No mercado de trabalho, a economia formal pode proporcionar empregos com
estabilidade e segurança social, enquanto os empregos na economia oculta tendem a ser de curto prazo e alta mobilidade.
A economia oculta não precisa fornecer aos trabalhadores pagamentos de seguridade social e bem-
estar além de seus salários, e seus custos de emprego são mais baixos do que na economia formal.
Muitos estudos mostraram que a regulamentação excessiva do mercado de trabalho (como restrições nas
horas de trabalho por semana , aposentadoria precoce, etc.) e altos custos de emprego resultarão na mudança da
força de trabalho da economia formal para a economia oculta . Saafi e Farhat [48] descobriram que os
desempregados têm mais tempo para trabalhar na economia oculta. Bajada e Schneider [37] descobriram que a
taxa de reemprego da economia oculta é muito maior do que a da economia formal, e os desempregados na
economia formal têm maior probabilidade de encontrar empregos na economia oculta.
O aumento da taxa de desemprego, por um lado, aumenta a força de trabalho ociosa no mercado de trabalho e
fornece oferta de trabalho suficiente para a economia oculta; por outro lado, reduz o custo da mão-de-obra e fornece
mão-de-obra mais barata para a economia oculta. Em conclusão, a taxa de desemprego é um fator importante que
afeta o tamanho da economia oculta, e quanto maior a taxa de desemprego da economia formal, mais pessoas
desempregadas se envolvem na economia oculta para viver. Como a China publicou apenas a taxa de desemprego
registrada urbana, este estudo usará esse índice para medir a taxa de desemprego.
Taxa de auto-emprego (SFE). A proporção de auto-emprego no trabalho total é um dos fatores importantes
que afetam a economia oculta. Bordignon e Zanardi [50] argumentam que o trabalho autônomo tem grande
probabilidade de sonegar impostos, levando a uma redução na base de cálculo e subdeclaração de renda pessoal.
Isso significa que quanto maior a taxa de auto-emprego, maior a economia oculta e vice- versa. Popescu et ai. [39]
e Schneider e Dell'Anno [45] constataram que o rácio de auto-emprego está significativamente correlacionado
positivamente com a economia oculta. A renda oculta aumenta a proporção de autônomos e trabalhadores privados
no trabalho total.
A partir dos resultados dos estudos acima, descobrimos que o tamanho da economia oculta aumenta no número
de trabalhadores que participam da economia oculta. Desde a reforma e abertura, a economia individual da China se
desenvolveu muito, o que não apenas promove o desenvolvimento econômico e oferece oportunidades de emprego,
mas também melhora a economia oculta. Portanto, quanto maior for a taxa de auto-emprego, maior será a escala da
economia oculta. Neste estudo, a taxa de auto-emprego é expressa pela proporção do auto-emprego nas áreas
urbanas e rurais no emprego total.
3.2.2. Indicadores
Crescimento económico (RGDP). Schneider [44] considera que a relação entre a economia oculta e a economia
formal nos países desenvolvidos é pró-cíclica, enquanto nos países em desenvolvimento é anticíclica. Portanto, a
influência da economia oculta na economia formal é incerta.
Por um lado, a expansão da economia oculta significa a contração da economia formal quando a
economia total permanece inalterada, pelo que a economia oculta está negativamente correlacionada
com a economia formal. Por outro lado, a economia oculta não é independente e está intimamente
relacionada com a economia formal. Na fase de expansão do ciclo econômico, com o aumento da
Machine Translated by Google
taxa de crescimento econômico oficial, o tamanho relativo da economia oculta também aumenta porque atende
à demanda do consumidor por alguns bens e serviços que não podem estar envolvidos na economia oficial [47].
Por exemplo, parte da renda econômica oculta é usada diretamente para consumo econômico formal, de modo que
a economia oculta promove o desenvolvimento da economia formal. Este estudo mede o crescimento econômico em
termos de crescimento real do PIB per capita.
Taxa de participação na força de trabalho (LAB). Um aumento no tamanho da economia oculta geralmente
reflete um declínio na taxa de participação da força de trabalho oficial [39,43]. Quanto maior for a economia oculta,
menos trabalhadores se envolverão na economia formal e menos horas os trabalhadores trabalharão na economia
formal. Neste estudo, a taxa de participação na força de trabalho é expressa pela razão entre o emprego total e a
população total.
Desde que a China começou a publicar dados sobre imposto sobre valor agregado e impostos
comerciais em nível provincial em 1998, o período de amostra é de 1998 a 2017. Dados de receita tributária
total, várias receitas de impostos indiretos, renda disponível per capita de residentes urbanos, por renda
líquida per capita dos agricultores, PIB, emprego total, emprego privado e individual urbano e rural vêm do
Anuário Estatístico da China. Os dados da população agrícola e da população não agrícola vêm do Anuário
Estatístico de População e Emprego da China. Os dados da taxa de desemprego urbano registrado e dos
funcionários públicos vêm do China Labour Statistical Yearbook. O crescimento real do PIB per capita é
calculado usando o índice do PIB per capita do China Statistical Yearbook.
O modelo MIMIC nas Equações (3) e (4) é um modelo de equação estrutural, e estimamos com o método da
razão de máxima verossimilhança. As variáveis dependentes na Equação (3) são os indicadores mostrados acima,
e a variável explicativa é a economia oculta. As variáveis explicativas na Equação (4) são as causas mostradas
acima, e a variável dependente é a economia oculta. Seguindo os estudos de Biswas et al. [29], Schneider et al. [43]
e Schneider [44], partimos da forma mais geral do modelo, que inclui todos os indicadores (crescimento econômico,
taxa de participação da força de trabalho) na Equação (3) e todas as causas (carga tributária, carga tributária direta,
carga tributária, renda residente, taxa de desemprego, regulamentação governamental, taxa de trabalho autônomo)
na Equação (4). Excluímos gradualmente as variáveis que não são estatisticamente significativas e determinamos o
modelo mais adequado de acordo com o valor de probabilidade de ÿ coeficientes mais estimados são estatisticamente
2
significativos , RMSEA, CFI e SRMR. Apresentamos apenas os resultados estimados de sete modelos, nos quais
e consistentes com a expectativa, na Tabela 1. e o valor CFI são, melhor e menor o valor de RMSEA e SRMR são,
De acordo com o critério do modelo de equação estrutural, quanto maior o valor p de ÿ2 melhor. De acordo
com esses critérios, o modelo (7) da Tabela 1 é o modelo ótimo. Além disso, pode-se constatar que todas as variáveis
do modelo (7) são significativas pelo menos ao nível de 5%. Portanto, calcularemos a escala econômica oculta com
base no modelo (7).
Machine Translated by Google
0,12 ***
TT
(0,06)
2,16 *** 2,01 *** 1,72 *** 1,75 *** 1,71 *** 1,65 ***
ISTO
(0,22) (0,11) (0,15) (0,18) (0,13) (0,17)
ÿ1,6 *** ÿ1,2 *** ÿ1,9 *** ÿ1,8 *** ÿ1,9 *** ÿ2,1 ***
DT
(0,27) (0,11) (0,14) (0,17) (0,13) (0,20)
ÿ0,06 * ÿ0,1 *** ÿ0,1 *** ÿ0,1 *** ÿ0,1 ***
INC
(0,03) (0,01) (0,01) (0,01) (0,01)
0,69 *** 0,33 *** 0,77 *** 0,69 *** 0,36 ** 1,11 ***
A
(0,14) (0,12) (0,13) (0,12) (0,18) (0,16)
ÿ2,2 *** ÿ2,3 ***
GR
(0,36) (0,16)
ÿ0,09 *** ÿ0,01 ÿ0,01 ÿ0,02 **
SFE
(0,02) (0,02) (0,01) (0,01)
RGDP 1 1 1 1 1 1 1
ÿ1,08 ** ÿ0,71 * ÿ1,23 *** ÿ1,41 *** ÿ1,36 *** ÿ1,08 *** ÿ0,42 ***
LAB
(0,53) (0,37) (0,28) (0,26) (0,28) (0,32) (0,39)
16.74 19.27 13h40 1,89 0,96 1.49 0,23
2x
p = 0,02 p = 0,01 p = 0,03 p = 0,58 p = 0,75 p = 0,62 p = 0,81
df (grau de 6 4 5 3 4 2 2
liberdade)
RMSEA 0,11 0,12 0,12 0,15 0,07 0,02 0,01
CFI 0,83 0,80 0,88 0,86 0,93 1,00 1,00
SRMR 0,14 0,12 0,13 0,08 0,09 0,05 0,01
Nota: ***, **, * representa passar no teste em um nível significativo de 1%, 5% e 10%, respectivamente.
Conforme mostrado na Tabela 1, o modelo (7) contém três variáveis causais, TT, UNE e SFE, e duas
variáveis indicadoras, RGDP e LAB. De acordo com os resultados da estimativa, a seguinte equação
estrutural é gerada:
SE* = 0,12 × TTit + 1,11 × UNEit ÿ 0,02 × SFEit
isto
(6)
SEÿ
isso
SEit = SEi,2000 × (7)
SEÿ
i,2000
Os resultados são semelhantes aos de Li Jinchang e Xu Aiting [51]. Além disso, também descobrimos
que o tamanho da economia oculta apresenta uma tendência de aumento e queda, independentemente de
ser em todo o país, nas regiões leste, centro ou oeste. O tamanho médio da economia oculta de todo o país
atingiu seu pico em 2003 e diminuiu gradualmente a partir de então, o que indica que o governo chinês
fortaleceu gradualmente seu controle sobre a economia oculta nos últimos anos. O tamanho médio da
economia oculta da região leste é semelhante ao de todo o país durante o período de investigação. A região
oeste situa-se ligeiramente acima da média nacional , enquanto a região centro tem estado abaixo da média
nacional. Isto pode dever-se ao facto de as províncias da região oeste terem níveis de governação mais
baixos do que outras.
Nesta parte, a conclusão do modelo teórico é testada empiricamente com base no modelo de regressão
de dados em painel. A seguinte equação econométrica é para estimar se a relação entre economia oculta e
poluição ambiental é influenciada pelo nível de corrupção:
A Primeira Lei da Geografia de Tobler afirma que “tudo está relacionado com tudo o mais, mas coisas
próximas estão mais relacionadas do que coisas distantes” [52]. Sob a influência de fatores naturais, a
condição ambiental de uma região tende a estar intimamente associada à qualidade ambiental de áreas
adjacentes e a correlação da qualidade ambiental é fortalecida pela inter-relação das atividades produtivas
econômicas entre diferentes regiões. Para refletir a correlação espacial da poluição ambiental, um Modelo
de Defasagem Espacial (SLM) e um Modelo de Erros Espaciais (SEM) são construídos neste estudo.
ÿ é o coeficiente de regressão espacial, que descreve a correlação espacial e reflete a direção e o grau
de influência da descarga de poluentes de áreas adjacentes na qualidade ambiental da região local. W é
conhecido como a matriz de peso espacial N × N.
A correlação espacial é representada pelo termo de erro. Este termo explica as variáveis ausentes
exclusivas das variáveis explicativas conhecidas que são espacialmente correlacionadas e podem influenciar
a qualidade ambiental local ou choques aleatórios imprevisíveis com correlação espacial. O modelo
econométrico correspondente é mostrado abaixo:
Dada a acessibilidade dos dados econômicos ocultos em diferentes províncias, o intervalo temporal dos dados
neste estudo começa de 1998 a 2017. Existem 31 províncias na China continental (excluindo Hong Kong, Macau e
Taiwan). A Região Autônoma do Tibete (no mesmo nível de uma província) foi excluída devido à falta de dados críticos.
Antes de Chongqing se tornar um município diretamente sob o governo central (no mesmo nível de uma província) em
1997, era apenas uma cidade em nível de prefeitura na província de Sichuan. No entanto, alguns dados de Sichuan e
Chongqing que usamos neste estudo ainda foram divulgados juntos até vários anos depois. Por uma questão de
consistência e comparabilidade, os dados de Sichuan e Chongqing foram mesclados. Portanto, este estudo usa dados
de painel de 29 províncias durante 20 anos de 1998 a 2017. As variáveis são ilustradas a seguir.
A poluição ambiental (PE) inclui poluição do ar, poluição da água, poluição sonora, poluição do solo, etc.
Não há um padrão unificado para a medição da poluição ambiental na literatura existente. Alguns estudos adotam
índice de poluição ambiental abrangente e indireto, como o Índice de Desempenho Ambiental para medir o nível
de poluição ambiental [12], mas a maioria dos estudos anteriores adota índices de poluição ambiental específicos,
como emissões de dióxido de carbono (CO2), dióxido de enxofre (SO2) e óxido nitroso (NOX) [53,54]. Quanto à
China, alguns estudos escolhem dióxido de carbono ou dióxido de enxofre como indicador de poluição ambiental
[55-57], enquanto outros escolhem um ou vários poluentes de três resíduos industriais (gás residual, águas
residuais e resíduos sólidos) [1,58, 59]. Todos os indicadores acima podem medir diretamente o estado da
poluição ambiental nas províncias chinesas. Este estudo seleciona gases residuais (incluindo dióxido de enxofre)
e águas residuais como indicadores de poluição ambiental porque a poluição industrial é a principal causa de
poluição ambiental na China, e os dados desses três resíduos industriais são diretamente do Anuário Estatístico
da China divulgado pelo Instituto Nacional da China Bureau of Statistics (NBS), que garante a precisão dos
dados. Além disso, em comparação com um único indicador, como dióxido de carbono ou dióxido de enxofre,
vários indicadores podem ser usados para testar a robustez dos resultados empíricos. Excluímos os resíduos
sólidos porque a taxa de utilização abrangente de resíduos sólidos industriais melhorou continuamente nos
últimos anos na China, com a quantidade de descarte anual diminuindo de 31,86 milhões de toneladas em 2000
para 730.000 toneladas em 2017.
O volume de descarga de resíduos sólidos industriais em muitas províncias foi inferior a 10.000 toneladas
desde 2008 [60]. Isso indica que os resíduos sólidos industriais não são mais os principais poluentes na China.
Pelas razões apresentadas acima, este estudo finalmente seleciona a emissão per capita de gases residuais industriais
(EP1) e a descarga de águas residuais industriais per capita (EP2) como variáveis representativas da poluição ambiental.
COR representa o nível de corrupção. A corrupção é altamente invisível, tornando bastante difícil estimar com
precisão o número de atividades corruptas em cada região. Com o objetivo de medir o nível de corrupção nas províncias
da China, é necessário um indicador objetivo. Indicadores comuns de corrupção incluem o Índice de Percepção da
Corrupção (CPI) apresentado pela Transparency International (TI), o Índice de Controle da Corrupção emitido pelo Banco
Mundial e o índice do Guia Internacional de Riscos do País (índice ICRG) proposto pela PBS, entre os quais o CPI e o
índice ICRG são os mais comumente usados [7,10,12,18,29].
Embora o índice CPI e ICRG sejam relativamente objetivos e justos, eles apenas divulgam o
nível geral de corrupção de um país (ou região) em vez de focar em diferentes regiões de um país.
Portanto, são usados principalmente para análises empíricas a nível nacional e não podem ser
aplicados neste estudo que visa analisar a influência da corrupção a nível provincial na poluição
ambiental. Li [61] resume os indicadores de corrupção usados em pesquisas relacionadas à China e
os divide em três grupos: medidas baseadas na percepção, medidas do lado da oferta e medidas do lado da demanda.
Para medidas de corrupção baseadas na percepção, os únicos dados disponíveis no nível provincial são do Asian
Barometer Survey (ABS), que é um programa de pesquisa aplicada projetado para avaliar a opinião pública sobre
questões como valores políticos asiáticos, democracia e governança. No entanto, os dados cobrem apenas dois
curtos períodos para a China: março-junho de 2002 e novembro de 2007 a dezembro de 2008. Além disso, as
medidas baseadas na percepção foram criticadas por serem tendenciosas e endógenas [62] . Como resultado,
eles raramente são usados na pesquisa acadêmica relacionada à China. Medidas do lado da oferta podem ser obtidas
Machine Translated by Google
potencialmente a relação não linear, e são ajustados em termos reais a preços de 1998 com o índice
deflator do PIB per capita.
A estrutura industrial (IS) da economia pode afetar a poluição, e diferentes estruturas industriais têm
diferentes influências na poluição ambiental [70-72]. Medimos a estrutura industrial pela razão do valor agregado
da indústria secundária no PIB. Devido ao alto consumo de energia e emissão da indústria secundária, quanto
maior for a razão do valor adicionado pela indústria secundária no PIB, maior será a emissão de poluição.
EP1 Emissão de gás residual industrial per capita metro cúbico normal/tonelada
EP2 Descarte de águas residuais industriais per capita pessoa/caixa
COR1 Número de casos de crimes de serviço por servidor público pessoa/caixa dez mil pessoas/
COR2 Número de casos de crime de dever per capita milhões de pessoas %
SE Participação da economia oculta no PIB
E Produto interno bruto per capita Yuan/pessoa %
É Valor agregado da participação da segunda indústria no PIB
DP População no final do ano por área de terra pessoa/quilômetro suare %
ABRIR Valor da participação das importações e exportações no PIB
EE Consumo de energia por PIB real toneladas de carvão padrão/100.000 yuan
URB Participação da população urbana na poluição total no final do ano %
A forma de valor de todas as variáveis listadas acima é ajustada ao seu valor real em 1998 de acordo
com o índice de preços relevante. Para eliminar a influência de diferentes dimensões, todos os valores
absolutos são transformados em seu logaritmo natural, e os demais valores permanecem em sua forma
original. Para evitar potencial multicolinearidade, calculamos o coeficiente de correlação entre corrupção e
economia oculta antes da análise de regressão. O coeficiente de correlação entre COR1 e SE é ÿ0,19, e
ÿ0,05 para COR2 e SE, o que significa pouca correlação entre as duas variáveis.
Como o modelo SLM na Equação (9) e o modelo SEM na Equação (10) são ambos calculados com a
correlação espacial global, as variáveis de defasagem espacial podem ser endógenas [30]. O choque comum
de comportamentos econômicos levará a uma forte correlação espacial em termos de perturbação no
modelo. Se o método tradicional dos mínimos quadrados (OLS) for usado para a estimativa, o coeficiente estimado
Machine Translated by Google
serão tendenciosos e inválidos [78]. Anselin [30] recomenda a estimativa de máxima verossimilhança
(MLE) para estimar os parâmetros em SEM e SLM, que é amplamente utilizada na análise econométrica
espacial [79-81]. Isso ocorre porque, por um lado, o método MLE pode efetivamente superar os erros de
estimativa causados pela endogeneidade na estimativa OLS tradicional; por outro lado, a fonte real das
feições espaciais pode ser identificada através da comparação de valores de verossimilhança [82]. Como
resultado, o impacto da qualidade ambiental das províncias vizinhas na província que está sendo
analisada pode ser medido com precisão. Referente à pesquisa acima, este estudo adota a estimativa de
máxima verossimilhança (MLE) para estimar o modelo de regressão espacial. Os resultados do teste de
Hausman sugerem que o modelo de efeito fixo é superior ao modelo de efeito aleatório. Além disso, a
comparação entre as estatísticas de LM e LM Robustness Test indica que LM Lag e LM Lag (Robust) são
significativos ao nível de 5%, pelo menos, enquanto LM Error e LM Error (Robustness) não são estatisticamente significativo
De acordo com os critérios de discriminação para modelos espaciais propostos por Anselin et al. [83], o Spatial
Lag Model (SLM) é apropriado. Os resultados são mostrados na Tabela 3.
0,01 *** 0,01 *** 0,01 *** 0,01 *** 0,01 ** 0,01 **
COR1*SE
(0,01) (0,01) (0,01) (0,01) (0,01) (0,01)
ÿ0,04 *** ÿ0,04 *** ÿ0,04 *** ÿ0,03 *** ÿ0,02 *** ÿ0,03 ***
E2
(0,01) (0,01) (0,01) (0,04) (0,04) (0,04)
0,01 *** 0,01 *** 0,01 *** 0,01 *** 0,01 ** 0,01 ***
É
(0,01) (0,01) (0,01) (0,02) (0,01) (0,01)
ÿ0,47 *** ÿ0,37 ** ÿ0,32 ** ÿ0,77 *** ÿ0,60 *** ÿ0,65 ***
DP
(0,15) (0,14) (0,14) (0,18) (0,18) (0,18)
0,73 *** 0,73 *** 0,73 *** 0,87 *** 0,77 *** 0,79 ***
EE
(0,05) (0,05) (0,05) (0,07) (0,07) (0,07)
Nota: ***, **, * representa passar no teste em um nível significativo de 1%, 5% e 10%, respectivamente.
efeitos espaciais [68,69,83]. Em outras palavras, as regiões altamente poluidoras são adjacentes a outras regiões altamente
poluidoras , assim como as regiões pouco poluidoras.
Os indicadores de corrupção são todos significativamente positivos, sugerindo que a corrupção pode
aumentar a descarga real de poluentes das empresas por meio do enfraquecimento da intensidade da aplicação
das regulamentações ambientais ou da distorção das políticas ambientais, o que é consistente com a conclusão
de um estudo anterior [84]. Se empresas poluidoras subornam funcionários de setores de proteção ambiental
para enfraquecer a intensidade de aplicação das regulamentações ambientais, empresas que costumavam ser
proibidas devido ao baixo nível de tecnologias de produção e inconformidade com as regulamentações
ambientais podem conduzir a produção. Isso leva ao aumento da produção bruta e à elevação da intensidade média da poluição.
Por meio de suborno, as empresas que costumavam aplicar tecnologias limpas e dispositivos avançados de
controle de emissões abandonam a aplicação de tais dispositivos e mudam para tecnologias poluentes que
poderiam lhes trazer mais lucros. Por meio de conluio com as autoridades, essas empresas poderiam sonegar
parcialmente os impostos ambientais ou pagar impostos mais baixos. Tudo isso acabará por resultar no aumento
da descarga de poluentes. Uma comparação adicional sugere que o coeficiente de corrupção é menor quando
EP1 é o indicador ambiental em vez de EP2, o que mostra que, em comparação com as empresas que
descartam gases residuais industriais, as empresas que descartam águas residuais industriais são mais
sensíveis à corrupção e estão mais dispostas a subornar funcionários. de setores de proteção ambiental, a fim
de enfraquecer a intensidade da fiscalização e descarregar poluentes extras.
Os coeficientes da economia oculta são todos significativamente positivos com diferença apenas marginal entre
as equações, indicando que a expansão do tamanho da economia oculta pode dar origem ao lançamento de poluentes.
Um dos efeitos da economia oculta é evitar as restrições de todos os regulamentos e políticas governamentais, incluindo
os regulamentos ambientais. Comparada com a economia formal da mesma escala, a economia oculta está fadada a
descarregar mais poluentes. Portanto, a expansão do tamanho da economia oculta promoverá significativamente a
descarga de poluentes.
Os coeficientes do termo de interação de corrupção e economia oculta são todos significativamente positivos, com
diferença apenas marginal entre as equações, indicando que a corrupção pode promover indiretamente a descarga de
poluentes por meio da diminuição da intensidade de aplicação de regulamentações ambientais e expansão do tamanho
da economia oculta, respectivamente. Em outras palavras, a intensificação da corrupção poderia aumentar o custo
operacional dos setores formais e enfraquecer a intensidade da supervisão na economia oculta. Portanto, há incentivos
crescentes para que as empresas transfiram as atividades produtivas dos setores formais para a economia oculta, o
que leva à expansão do tamanho da economia oculta e ao aumento da emissão de poluentes.
A conclusão de nossa pesquisa está de acordo com a realidade. Em regiões com alto nível de corrupção, há
problemas proeminentes de peculato e abuso de poder para ganho pessoal, tornando mais pesados os impostos
explícitos e implícitos cobrados pelas empresas. É bastante difícil supervisionar a economia oculta, pois suas
atividades produtivas são realizadas de forma flexível e invisível. Além disso, a corrupção mina a real capacidade
de supervisão do funcionário, resultando na falta de supervisão de atividades econômicas ocultas.
Assim, as empresas são levadas a transferir ou terceirizar diretamente parte de suas atividades produtivas para
setores econômicos ocultos, o que amplia o tamanho da economia oculta e aumenta a emissão de poluentes.
Além disso, de acordo com a análise anterior sobre as razões por trás da economia oculta, pode-se inferir que
quanto mais severa a corrupção, maior o percentual que os setores do governo representam na distribuição
primária e menor a renda dos setores residentes. Quanto mais lento o crescimento da economia, maior é a taxa
de desemprego nos setores formais. A baixa eficiência administrativa geralmente indica uma regulamentação
governamental fraca. A forma de atuação individual com o objetivo de sonegar impostos e fiscalização sugere
maior taxa de auto-emprego. Tudo isso levará ao aumento do tamanho da economia oculta, o que aumentará
ainda mais a descarga de poluentes.
Os seguintes testes de robustez são conduzidos para confirmar os resultados. Em primeiro lugar, para
testar a robustez dos resultados da análise empírica para diferentes matrizes de peso e indicadores de poluição,
Machine Translated by Google
a matriz de peso econômico e a matriz de peso misto, bem como a descarga de águas residuais industriais
também são usadas, além da matriz de peso da distância geográfica e a emissão de gases residuais
industriais, conforme mostrado na Tabela 3. Pode-se inferir pela análise acima que o sinal dos coeficientes
estimados das principais variáveis explicativas, como corrupção, economia oculta e seu termo de interação,
permanece o mesmo sob o mesmo indicador de poluição e diferentes matrizes de ponderação, com diferença
apenas marginal na estimativa do coeficiente. Os coeficientes das principais variáveis explicativas
permanecem os mesmos sob diferentes indicadores de poluição, indicando a robustez dos resultados
empíricos. Em segundo lugar, além de selecionar COR1 como a medida do nível de corrupção, COR2 é
adotado como variável substituta para corrupção para fazer análise de regressão, os resultados do teste são mostrados na Tabe
EP1 EP2
Variáveis explicativas
(1) (2) (3) (4) (5) (6)
0,09 *** 0,08 *** 0,07 *** 0,32 ** 0,38 *** 0,37 ***
COR2
(0,11) (0,11) (0,11) (0,13) (0,13) (0,13)
0,02 ** 0,02 ** 0,02 ** 0,07 *** 0,08 *** 0,08 ***
SE
(0,02) (0,02) (0,02) (0,03) (0,03) (0,03)
0,01 *** 0,01 ** 0,01 ** 0,02 *** 0,02 *** 0,02 ***
COR2*SE
(0,01) (0,01) (0,01) (0,01) (0,01) (0,01)
1,58 *** 1,58 *** 1,62 *** 0,56 ** 0,31 ** 0,38 **
E
(0,23) (0,22) (0,23) (0,26) (0,27) (0,27)
ÿ0,04 *** ÿ0,04 ** ÿ0,04 ** ÿ0,04 *** ÿ0,02 ** 0,03 **
E2
(0,01) (0,01) (0,01) (0,01) (0,01) (0,01)
0,01 * 0,01 * 0,01 * 0,01 *** 0,01 ** 0,01 ***
É
(0,01) (0,01) (0,01) (0,01) (0,01) (0,01)
ÿ0,49 *** ÿ0,38 *** ÿ0,33 ** ÿ0,81 *** ÿ0,64 *** ÿ0,69 ***
DP
(0,14) (0,13) (0,13) (0,17) (0,17) (0,17)
0,01 *** 0,01 ** 0,01 ** 0,01 ** 0,01 ** 0,01 **
ABRIR
(0,01) (0,01) (0,01) (0,01) (0,01) (0,01)
0,71 *** 0,72 *** 0,71 *** 0,85 0,74 *** 0,76 ***
EE
(0,05) (0,05) (0,05) (0,01) (0,07) (0,07)
0,02 *** 0,02 *** 0,02 *** 0,01 ** 0,01 * 0,01 *
URB
(0,01) (0,01) (0,01) (0,01) (0,01) (0,01)
0,29 *** 0,28 *** 0,23 *** 0,67 *** 0,14 ** 0,04 *
r
(0,06) (0,04) (0,04) (0,13) (0,07) (0,06)
R2 0,84 0,88 0,85 0,87 0,87 0,83
Tipo de peso WD NÓS WM WD NÓS WM
Nota: ***, **, * representa a aprovação no teste em nível de significância de 1%, 5% e 10%, respectivamente.
Como pode ser visto na Tabela 4, se o COR2 for selecionado como indicador de corrupção, os coeficientes
de corrupção permanecem positivos e significativos ao nível de 5%, pelo menos. Os coeficientes de economia
oculta permanecem positivos e significativos ao nível de 5%, pelo menos. Os coeficientes do termo de interação
são positivos e significativos ao nível de 5% no mínimo. Os resultados acima indicam que os resultados das
estimativas das principais variáveis explicativas na Tabela 4 são basicamente consistentes com os da Tabela 3,
exceto por uma pequena mudança na significância, o que comprova ainda mais a robustez dos resultados empíricos.
amostras. A forma específica do modelo econométrico espacial deve ser determinada combinando o teste de
Hausman e o teste de LM antes da análise empírica. É mostrado a partir dos resultados que o modelo de
defasagem espacial (SLM) com efeito fixo é aplicável a todas as regiões leste, centro e oeste. Os resultados são
apresentados na Tabela 5, na qual cada modelo seleciona a matriz de distância geográfica WD.
Pode-se ver na Tabela 5 que os coeficientes de histerese espacial dos modelos (1) a (6) são
significativamente positivos, seja usando a emissão per capita de gases residuais industriais (EP1) ou a
emissão per capita de águas residuais industriais (EP2), indicando que a poluição descarga entre as
províncias nas regiões leste, centro e oeste é caracterizada por transbordamento significativo e efeitos espaciais.
Os coeficientes do termo de interação entre corrupção e economia oculta na equação de
regressão de gases residuais industriais e águas residuais industriais na região leste são
ligeiramente inferiores aos das regiões central e oeste, indicando que o efeito promotor da
interação entre corrupção e oculta economia de descarga de poluição na região leste é menor
do que nas regiões centro e oeste, mas com pouca diferença. A razão é que, em comparação
com as regiões central e ocidental, o nível geral de desenvolvimento econômico e tecnologia de
produção na região oriental é mais avançado. Correspondentemente, a produtividade do setor
econômico oculto também é maior, e a poluição ambiental causada pelo mesmo nível de
corrupção e escala da economia oculta é relativamente pequena. Os residentes na região leste
têm uma consciência mais forte da proteção ambiental. Existem mais organizações não-governamentais de proteç
Além disso, o comportamento de emissão de poluição de setores econômicos ocultos é melhor
supervisionado e restringido pelo público, levando a menos emissões do que nas regiões central e oeste
sob o mesmo nível de corrupção e escala de economia oculta. Portanto, a interação entre economia oculta
e corrupção tem um impacto menor na descarga de poluição na região leste do que nas regiões central e
oeste.
Machine Translated by Google
4.6. Discussão
Com diferentes matrizes de peso, indicadores de poluição e medidas de corrupção, derivamos resultados
empíricos robustos. No entanto, a principal variável explicativa neste estudo, a corrupção, que é medida pelo
número de casos de crimes de serviço em cada província, pode ser questionável. O indicador não pode ser usado
para medir a corrupção a menos que os esforços anticorrupção sejam iguais em todas as províncias, o que é uma
suposição muito forte e implausível e pode afetar a validade dos resultados empíricos.
No entanto, o indicador é o melhor que conseguimos obter até agora. É muito melhor do que outros indicadores
usados em pesquisas relacionadas, em termos de disponibilidade, objetividade e precisão dos dados.
Se as medidas baseadas na percepção a nível provincial, como indicadores como o Índice de Percepção da Corrupção
(IPC), puderem estar disponíveis no futuro, a análise empírica deve ser realizada novamente para testar a robustez
dos resultados.
5. Conclusões
Com base nos dados do painel provincial da China de 1998 a 2017, este estudo examina a influência da
interação entre a corrupção do governo local e a economia oculta na poluição ambiental, adotando o modelo de
econometria espacial. O primeiro resultado principal é que não importa se é a emissão de gases residuais
industriais ou a descarga de água que é selecionada como indicador de poluição e se a matriz de peso de
distância geográfica, matriz de peso econômico ou matriz de peso misto é aplicada, os coeficientes do oculto
economia permanecem significativamente positivos. Isso indica que a expansão do tamanho da economia oculta
pode dar origem a uma elevada descarga de poluentes. A segunda conclusão é que os coeficientes do termo de
interação entre corrupção e economia oculta permanecem significativamente positivos, sugerindo que a corrupção
pode não apenas promover direta, mas também indiretamente a descarga de poluentes, respectivamente,
reduzindo a intensidade de aplicação das regulamentações ambientais e expandindo o tamanho da economia
oculta.
A terceira mensagem deste artigo é que existem discrepâncias em relação à influência da interação entre
corrupção e economia oculta na poluição ambiental em diferentes regiões.
O efeito promotor da interação entre corrupção e economia oculta na descarga de poluição na região leste é menor
do que nas regiões central e oeste.
A corrupção força a transferência de atividades econômicas de setores formais para setores ocultos, o que
aumenta indiretamente o lançamento de poluentes. A produção dos setores informais está livre das restrições
das regulamentações ambientais. Portanto, a expansão da economia oculta aumenta a descarga de poluentes.
O aumento da proporção de funcionários corruptos reduz o custo esperado da produção dos setores informais
(ou seja, enfraquece a intensidade da supervisão para a economia oculta) e aumenta o custo operacional dos
setores formais. Consequentemente, há incentivos crescentes para que as empresas transfiram suas atividades
produtivas para setores informais, o que expande o tamanho da economia oculta, ou seja, a corrupção pode
promover indiretamente o lançamento de poluentes por meio da expansão do tamanho da economia oculta.
Possíveis sugestões de políticas incluem aliviar a carga tributária sobre as empresas, diminuir as motivações
das empresas para transferir atividades de produção para setores econômicos ocultos, intensificar a luta contra
atividades econômicas ocultas e estabelecer um sistema de longo prazo para que as empresas não desejem ou
sejam incapazes de realizar produção econômica oculta.
Contribuições dos Autores: Conceituação, SW e HW; metodologia, SW; software, SW; curadoria de dados, SW; redação—preparação
do rascunho original, SW e HW; redação—revisão e edição, YY; aquisição de financiamento, SW
Financiamento: Esta pesquisa foi financiada por Projetos de Fundação de Ciências Sociais de Xi'an, número de concessão 19J129;
Programa de Pesquisa Científica Financiado pelo Departamento de Educação da Província de Shaanxi, número de concessão
19JK0701; Fundos de Pesquisa da Universidade de Estudos Internacionais de Xi'an, concessão número 19XWD14; Projeto Chave da
Fundação Nacional de Ciências Sociais da China, número de concessão 19AJY001.
Agradecimentos: Os autores gostariam de agradecer aos revisores anônimos por seus comentários construtivos e sugestões valiosas
sobre este artigo.
Machine Translated by Google
Apêndice A
Tabela A1. 1998–2017 Escala de economia oculta provincial (%) (Parte 1).
Província 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Pequim 14.01 14h31 15,99 20.13 16.62 13.01 13.93 20h30 19.11 19.68
Tianjin 6,00 11.36 12h50 13.89 14.53 13.88 13.84 13.46 13h20 13.44
Hebei 7.34 8.13 8,99 11.39 13.02 14.10 14h38 14.13 13.71 13.92
Liaoning 10,31 10,82 11.17 9,74 18,92 18,96 19,18 16,59 15,10 12,84
Xangai 9,71 11,48 11,48 1,75 14,72 14,75 14,08 1,09 13,07 13,12
Jiangsu 9,18 9,96 11,53 13,01 14,84 14,55 13,43 12,11 11,58 11,01
Zhejiang 13,18 14,51 14,76 16,26 17,82 17,48 17,11 15,62 14,58 13,73
Fujian 9,70 10,50 12,47 17,83 19,23 18,51 18,23 18,11 18,00 18,04
Shandong 10,70 10,69 11,28 11,77 12,53 12,24 11,47 11,22 11,12 10,93
guangdong 8,74 9,20 9,96 11,56 11,83 13,11 10,00 9,18 9,25 9,06
Hainan 17,02 17,13 17,11 17,98 16,28 20,86 17,54 18,39 18,66 18,20
Médio da China Oriental 10,53 11,65 12,48 13,21 15,48 15,59 14,84 13,66 14,31 14,00
Shanxi 7,27 7,31 7,77 9,02 11,22 9,67 10,13 10,26 10,82 10,80
Jilin 6.36 6,98 7,89 6,93 7.82 9.44 8.87 8.87 8.82 8.35
Heilongjiang 4.19 4,58 6.15 8,70 9.10 7.78 8.42 8.22 8.16 8.01
Anhui 10,95 11.24 11.54 12.80 13.60 13.94 14.28 14.92 14h47 14.21
Jiangxi 11,95 12,80 14,30 16,28 16,44 17,30 17,13 16,42 16,86 16,18
Henan 10,23 10,55 10,75 11,68 12,05 12,63 13,61 13,67 13,91 13,69
Hubei 12,86 13,68 14,81 16,84 17,87 17,72 17,43 17,86 17,41 17,35
Auto 9,19 9,44 9,23 10,08 10,09 11,22 10,89 10,57 10,65 10,70
Média da China Central 9,12 9,57 10,31 11,54 12,27 12,47 12,59 12,60 12,64 12,41
Neimenggu 13,17 13,45 14,08 15,46 17,09 19,07 19,88 18,62 17,85 17,41
Guangxi 6,05 6,41 6,31 7,05 7,21 6,70 7,80 7,82 7,79 7,14
Sichuan e Chongqing 7,78 7,83 8,09 8,91 9,24 8,58 8,93 9,29 9,08 8,60
guizhou 15,47 16,85 16,20 17,06 17,45 17,31 17,37 17,74 17,37 17,13
Yunnan 5,05 6,02 6,28 7,57 8,83 7,80 9,20 8,91 9,08 9,06
Shaanxi 16,99 14.86 15.26 18.02 17.86 20.97 21.08 22.88 22.34 22.28
Gansu 16.56 14.69 14h38 15h00 16.78 22.13 17h38 16.58 18.28 16,90
Qinghai 15.79 16.19 15.43 21.34 21.67 20.85 22.69 22.68 22.49 22.29
Ningxia 15,95 15,61 16,01 15,65 15,15 10,53 15,31 15,34 14,55 14,25
Xinjiang 9,12 8,92 9,05 8,85 8,86 6,93 8,20 9,07 9,00 9,19
Média da China Ocidental 12,19 12,08 12,11 13,49 14,01 14,09 14,78 14,89 14,78 14,43
Média nacional 10,72 11,22 11,75 12,85 14,09 14,21 14,20 13,79 14,01 13,71
Tabela A2. Escala da economia oculta provincial 1998–2017 (%) (Parte 2).
Província 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Pequim 20.58 16.70 15.71 17.11 15.81 15h30 13.09 12h42 12.27 11.24
Tianjin 13.52 13.63 13.69 13.89 13.82 14.06 13.80 13.70 13.28 13h25
Hebei 14h50 14.05 14h47 14.02 13.97 14.15 13.78 13.60 13h49 13.77
Liaoning 11.77 11h55 10,99 11h25 10.96 10.38 9,88 9.16 10.92 10.94
Xangai 12,96 12,90 13,08 10,86 9,39 11,80 12,19 12,69 11,62 11,53
Jiangsu 10,76 10,59 10,13 10,28 10,00 9,21 9,05 8,79 7,86 7,80
Zhejiang 14,64 13,73 13,35 13,20 12,71 12,28 11,10 9,85 10,27 9,14
Fujian 17,69 17,46 16,88 16,61 16,26 16,25 15,52 15,67 15,54 15,75
Shandong 12,52 11,46 11,33 11,29 11,26 10,96 10,93 10,76 10,68 10,52
guangdong 9,23 9,32 9,02 9,05 9,06 8,83 8,34 7,97 7,31 7,65
Hainan 20,23 19,32 18,09 11,95 13,41 13,96 14,86 14,85 14,46 13,91
Médio da China Oriental 14,40 13,70 13,34 12,68 12,42 12,47 12,05 11,77 11,61 11,41
Shanxi 11,15 12,94 11,85 11,56 11,16 10,60 11,19 11,21 10,90 11,04
Jilin 8.45 8.31 7,80 7,60 7.47 7.45 6.69 6,65 6,50 6,50
Heilongjiang 7.88 7,94 7.86 7.58 7,60 8.13 8.35 8.56 7.87 7,98
Anhui 13.92 14.01 13h25 13.56 13.42 12.61 11.82 11.44 11.19 10.22
Jiangxi 16,25 16,42 15,77 14.12 14,58 15,67 15,99 16,14 15,97 15.23
Henan 13,63 13,89 13,41 13h30 12,33 12,81 12,19 12,07 11,85 11.17
Hubei 17,21 17,02 16,82 16h38 15,22 13,51 11,39 9,44 8,13 8,90
Auto 10,40 10,26 10,23 10h20 10,30 10,28 10,05 9,53 10,15 9,52
Média da China Central 12,36 12,60 12,12 11h79 11,51 11,38 10,96 10,63 10,32 10,07
Machine Translated by Google
Província 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Neimenggu 17,59 17,10 16,92 16,47 15,91 15,14 14,57 15,01 15,13 15,04
Guangxi 7,04 7,05 6,92 6,53 6,40 6,22 5,89 5,35 5,15 3,97
Sichuan e Chongqing 9,24 8,80 8,65 8,66 8,34 8,50 8,36 7,91 7,64 7,10
guizhou 17,01 16,46 16,01 15,95 14,79 14,59 14,53 14,10 13,00 12,80
Yunnan 9.14 9.25 9.29 8,94 8.91 8,75 8.48 8.35 7.34 6.56
Shaanxi 21.86 22.16 21.88 20.48 17.75 17.95 18.17 17,99 17h48 17.64
Gansu 16.43 16.42 16.17 15.66 13.79 12.04 11.42 11.16 10.88 13.34
Qinghai 22,55 22,97 22,92 22,91 20,85 21,06 20,16 20,27 18,77 18,89
Ningxia 14,58 14,66 14,50 14,74 14,14 14,02 13,47 12,95 11,90 12,08
Xinjiang 8,90 9,24 8,03 8,42 8,72 8,81 8,24 7,33 6,54 6,65
Média da China Ocidental 14,43 14,41 14,13 13,88 12,96 12,71 12,33 12,04 11,38 11,41
Média nacional 13,85 13,64 13,28 12,85 12,36 12,25 11,84 11,55 11,18 11,04
Referências
1. Chen, H.; Yu, H.; Li, J.; Song, X. O impacto da regulamentação ambiental, economia paralela e corrupção na qualidade ambiental:
teoria e evidências empíricas da China. J. Limpo. Produtos. 2018, 195, 200–214.
[CruzRef]
2. Huang, PC A economia informal negligenciada da China: realidade e teoria. Mod. China 2009, 35, 405–438.
[CruzRef]
3. Feige, EL A economia clandestina e o enigma da moeda. Finanças Públicas 1994, 49, 119–136.
4. Blackman, A. Controle de poluição do setor informal: Que opções políticas temos? Desenvolvimento Mundial 2000, 28, 2067-2082.
[CruzRef]
5. Desai, U. Política Ecológica e Política em Países em Desenvolvimento: Crescimento Econômico, Democracia e Meio Ambiente;
State University of New York Press: New York, NY, EUA, 1998.
6. Pellegrini, L.; Gerlagh, R. Corrupção e políticas ambientais: Quais são as implicações para a UE alargada? Ambiente. Política
Governamental 2006, 16, 139–154. [CruzRef]
7. Ivanova, K. Corrupção e poluição do ar na Europa. QJ Econ. 2011, 63, 49–70. [CruzRef]
8. Hubbard, TN Um exame empírico do risco moral no mercado de inspeção veicular. Rand J. Econ.
1998, 29, 406–426. [CruzRef]
9. Oliva, P. Regulamentações ambientais e corrupção: Emissões de automóveis na Cidade do México. J. Polit. Econ.
2015, 123, 686–724. [CruzRef]
10. Zhang, YJ; Jin, YL; Chevallier, J.; Shen, B. O efeito da corrupção nas emissões de dióxido de carbono nos países da
APEC: uma análise de regressão de quantil de painel. Tecnol. Previsão. Sociedade Chang. 2016, 112, 220–227. [CruzRef]
11. Lisciandra, M.; Migliardo, C. Um estudo empírico do impacto da corrupção no desempenho ambiental:
Evidências de dados de painel. Ambiente. Res. Econ. 2017, 68, 297–318. [CruzRef]
12. Chang, CP; Hao, Y. Desempenho ambiental, corrupção e crescimento econômico: evidências globais usando um
novo conjunto de dados. Appl. Econ. 2017, 49, 498–514. [CruzRef]
13. Lapatinas, A.; Litina, A.; Sartzetakis, ES Projetos ambientais na presença de corrupção. Int. Imposto
Finanças Públicas 2018, 26, 103–144. [CruzRef]
14. Wang, Z.; Dinamarquês; Zhang, B.; Bo, W. O papel moderador da corrupção entre crescimento econômico e CO2
emissões: Evidências das economias do BRICS. Energia 2018, 148, 506–513. [CruzRef]
15. Dincer, OC; Fredriksson, PG Corrupção e política regulatória ambiental nos Estados Unidos: a confiança é importante? Res.
Economia de energia. 2018, 54, 212–225. [CruzRef]
16. Arminen, H.; Menegaki, AN Corrupção, clima e o nexo energia-ambiente-crescimento. Economia de energia.
2019, 80, 621–634. [CruzRef]
17. Dirienzo, CE; Das, J. Mulheres no governo, meio ambiente e corrupção. Ambiente. Dev. 2019, 30, 103–113.
[CruzRef]
18. Sinha, A.; Gupta, M.; Shahbaz, M.; Sengupta, T. Impacto da corrupção no setor público sobre a qualidade ambiental: Implicações
para a sustentabilidade nos BRICS e nos próximos 11 países. J. Limpo. Prod.. 2019, 232, 1379–1393.
[CruzRef]
19. Balsalobre-Lorente, D.; Shahbaz, M.; Jabbour, CJC; Driha, OM O papel da inovação energética e da corrupção nas emissões de
carbono: evidências baseadas na hipótese EKC. Ambiente Energético. Estratégia Era Globo. 2019, 271–304.
Machine Translated by Google
20. Huynh, CM; Hoang, HH Investimento estrangeiro direto e poluição do ar em países asiáticos: Será que
questão de qualidade? Appl. Econ. Deixe 2019, 26, 1388–1392. [CruzRef]
21. Chaudhuri, S.; Mukhopadhyay, U. Poluição e setor informal: Uma análise teórica. J. Econ. integr. 2006, 21, 363–378. [CruzRef]
22. Baksi, S.; Bose, P. Regulação ambiental na presença de um setor informal. Sou. J. Cardiol. 2010, 105,
152–157.
23. Elgin, C.; Mazhar, U. Regulação ambiental, poluição e economia informal. SBP Res. Touro. 2013, 9,
62–81.
24. Abid, M. A estreita relação entre o crescimento econômico informal e as emissões de carbono na Tunísia desde 1980: A (ir) relevância
das quebras estruturais. Sustentar. Cidades Soc. 2015, 15, 11–21. [CruzRef]
25. Imamoglu, H. A atividade econômica informal é um determinante da qualidade ambiental? Ambiente. ciência
Poluir. Res. 2018, 25, 29078–29088. [CruzRef]
26. Canh, NP; Thanh, SD; Schinckus, C.; Bensemann, J.; Thanh, LT Emissões globais: uma nova contribuição
da economia paralela. Int. J. Energy Econ. Política 2019, 9, 320–337. [CruzRef]
27. Zhou, Z. A economia subterrânea e as emissões de dióxido de carbono (CO2) na China. Sustentabilidade 2019, 11,
2802. [CruzRef]
28. Elgin, C.; Oztunali, O. Poluição e economia informal. Econ. Sist. 2014, 38, 333–349. [CruzRef]
29. Biswas, AK; Farzanegan, MR; Thum, M. Poluição, economia paralela e corrupção: teoria e evidência.
Eco. Econ. 2012, 75, 114–125. [CruzRef]
30. Anselin, L. Econometria Espacial: Métodos e Modelos; Klwer Academic Publishers: Dordrecht, Holanda, 1988.
31. Cantekin, K.; Elgin, C. Extensão e efeitos de crescimento da informalidade na Turquia: evidências de uma pesquisa em nível de empresa.
Singapura. Econ. Rev. 2017, 62, 1017–1037. [CruzRef]
32. Medvedev, D.; Oviedo, AM Informalidade e lucratividade: evidências de uma nova pesquisa de empresas no Equador.
J. Dev. Viga. 2016, 52, 412–427. [CruzRef]
33. Danopoulos, CP; Znidaric, B. Economia informal, evasão fiscal e pobreza em um cenário democrático: Grécia.
Mediterr. Q. 2007, 18, 67–84. [CruzRef]
34. Elgin, C.; Erturk, F. Economias informais ao redor do mundo: Medidas, determinantes e consequências.
Economia da Eurásia. Rev. 2019, 9, 221–237. [CruzRef]
35. Tanzi, V. A economia clandestina nos Estados Unidos: estimativas anuais, 1930–1980. Funcionários do FMI Pap. 1983, 30, 283–305.
[CruzRef]
36. Orsi, R.; Raggi, D.; Turino, F. Tamanho, tendência e implicações políticas da economia subterrânea. Rev. Econ. Din.
2014, 17, 417–436. [CruzRef]
37. Bajada, C.; Schneider, F. As economias paralelas da Ásia-Pacífico. Pac. Econ. Rev. 2005, 10, 379–401.
[CruzRef]
38. Dell'anno, R.; Solomon, OH Economia paralela e taxa de desemprego nos EUA: Existe uma estrutura
relação? Uma análise empírica. Appl. Econ. 2008, 40, 2537–2555. [CruzRef]
39. Popescu, G.; Davidescu, A.; Huidumac, C. Pesquisando as principais causas da economia subterrânea romena nos níveis micro e macro:
Implicações para o desenvolvimento sustentável. Sustentabilidade 2018, 10, 3518.
[CruzRef]
40. Giles, DEA Modelando a economia oculta e a diferença de impostos na Nova Zelândia. Empir. Econ. 1999, 24, 621–640.
[CruzRef]
41. Alañón, A.; Gómez-Antonio, M. Estimando o tamanho da economia paralela na Espanha: um modelo estrutural
com variáveis latentes. Appl. Econ. 2005, 37, 1011–1025. [CruzRef]
42. Thomas, JJ Atividade econômica informal; University of Michigan Press: Michigan, MI, EUA, 1992.
43. Schneider, F.; Buehn, A.; Montenegro, CE Economias paralelas em todo o mundo: Novas estimativas para 162 países de 1999 a 2007.
Documento de trabalho de pesquisa de políticas do Banco Mundial; Grupo do Banco Mundial: Washington, WA, EUA, 2010.
44. Schneider, FG Economias paralelas ao redor do mundo: o que sabemos? EUR. J. Polit. Econ. 2005, 21,
598–642. [CruzRef]
45. Schneider, F.; Dell'anno, R. A economia paralela da Itália e outros países da OCDE: o que sabemos?
J. Publ. Finance Public Choice 2003, 21, 97–120.
46. Schneider, F. Estimando o tamanho da economia subterrânea dinamarquesa usando a abordagem de demanda por moeda:
Uma tentativa. Escanear. J. Econ. 1986, 88, 643-668. [CruzRef]
Machine Translated by Google
47. Schneider, F.; Enste, DH Economias paralelas: tamanho, causas e consequências. J. Econ. Aceso. 2000, 38, 77-114.
[CruzRef]
48. Saafi, S.; Farhat, A. Existe uma relação causal entre o desemprego e a economia informal na Tunísia: evidências da causalidade
linear e não linear de Granger. Econ. Touro. 2015, 35, 1191–1204.
49. Ihrig, J.; Moe, KS À espreita nas sombras: o setor informal e a política governamental. J. Dev. Econ. 2004, 73, 541-557. [CruzRef]
50. Bordignon, M.; Zanardi, A. A evasão fiscal na Itália. Journal of Economists and Annals of Economics 1997, 56,
169–210.
51. Jin-Chang, L.; Ai-Ting, X. Pesquisa sobre método de estimação de economia não observada. Estado. Res. 2005, 21–26.
(Em chinês)
52. Tobler, W. Um filme de computador simulando o crescimento urbano na região de Detroit. Econ. geogr. 1970, 234–240.
[CruzRef]
53. Danaeifar, I. Os parâmetros de estimativa da curva ambiental espacial de Kuznets em países europeus (um estudo
de caso de CO2 e PM10 e incidência de tuberculose e expectativa de vida ao nascer). EUR. On-line J. Nat. Sociedade
Saber Proc. 2014, 3, 439–448.
54. Sinha, A.; Bhatt, curva kuznets ambiental de M. para emissões de CO2 e NOx: um estudo de caso da Índia. EUR. j.
Sustentar. Dev. 2017, 6, 267–276. [CruzRef]
55. Ge, X.; Zhou, Z.; Zhou, Y.; Sim, X.; Liu, S. Uma análise de dados de painel espacial de crescimento econômico, urbanização e
emissões de NOx na China. Int. J. Environ. Res Public Health 2018, 15, 725. [CrossRef] [PubMed]
56. Dong, K.; Hochman, G.; Kong, X.; Sol, R.; Wang, Z. Análise econométrica espacial da poluição PM10 da China e seus fatores
influentes: evidências do nível provincial. Eco. Índico 2019, 96, 317–328. [CruzRef]
57. Wang, Y.; Han, R.; Kubota, J. Existe uma curva de Kuznets ambiental para emissões de SO2? Uma análise semiparamétrica de
dados em painel para a China. Renovar. Sustentar. Energy Rev. 2016, 54, 1182–1188. [CruzRef]
58. Tao, S.; Zheng, T.; Lianjun, T. Um teste empírico da curva ambiental de Kuznets na China: um painel
abordagem de cointegração. China Econ. Rev. 2008, 19, 381–392.
59. Ele, J.; Wang, H. Estrutura econômica, política de desenvolvimento e qualidade ambiental: uma análise empírica das curvas
ambientais de Kuznets com dados municipais chineses. Eco. Econ. 2012, 76, 49–59. [CruzRef]
60. Escritório Nacional de Estatísticas da China. Anuário Estatístico da China 2018; China Statistical Press: Pequim,
China, 2018.
61. Li, X. Medindo a corrupção local na China: um conto preventivo. J. Chin. Polit. ciência 2016, 21, 21–38. [CruzRef]
62. Treisman, D. O que aprendemos sobre as causas da corrupção em dez anos de pesquisa empírica internacional
pesquisar? Annu. Rev. Polit. ciência 2007, 10, 211–244. [CruzRef]
63. Wang, Y. Instituições e suborno em um estado autoritário. Viga. Comp. Int. Dev. 2014, 49, 217–241. [CruzRef]
64. Fisman, R.; Gatti, R. Descentralização e corrupção: Evidências entre os países. J. Public Econ. 2002, 83,
325–345. [CruzRef]
65. Cole, MA; Elliot, RJ; Zhang, J. Corrupção, governança e localização do IDE na China: um nível de província
análise. J. Dev. Viga. 2009, 45, 1494–1512. [CruzRef]
66. Xu, X.; Li, Y.; Liu, X.; Gan, W. A religião importa para a corrupção? Evidências da China. China Econ. Rev.
2017, 42, 34–49. [CruzRef]
67. Mirshojaeian, HH; Rahbar, F. Curva de Kuznets ambiental espacial para países asiáticos: Estudo de CO2 e
PM10. J. Environ. Viga. 2011, 37, 1–3.
68. Maddison, D. Modelando emissões de enxofre na Europa: Uma abordagem econométrica espacial. Oxf. Econ. Pap.
2007, 59, 726-743. [CruzRef]
69. Qian, L.; Canção, J.; Wang, E.; Hao, H.; Zhang, J.; Wang, Y. Crescimento econômico e emissões de poluentes na China:
Uma análise econométrica espacial. Stoch. Ambiente. Res. Avaliação de risco. 2014, 28, 429–442.
70. Yin, J.; Zheng, M.; Chen, J. Os efeitos da regulamentação ambiental e progresso técnico em CO2 Kuznets
curva: Uma evidência da China. Política de Energia 2015, 77, 97–108. [CruzRef]
71. Wang, Q.; Zeng, Y.-E.; Wu, B.-W. Explorando a relação entre urbanização, consumo de energia e
emissões de CO2 em diferentes províncias da China. Renovar. Sustentar. Energy Rev. 2016, 54, 1563–1579.
[CruzRef]
72. Wang, P.; Wu, W.; Zhu, B.; Wei, Y. Examinando os fatores de impacto das emissões de CO2 relacionadas à energia usando o
modelo STIRPAT na província de Guangdong, China. Appl. Energia 2013, 106, 65–71. [CruzRef]
Machine Translated by Google
73. Lee, CC; Chiu, YB; Sun, CH Será que um tamanho serve para todos? Um reexame da curva de Kuznets ambiental usando a
abordagem de dados de painel dinâmico. Rev. Agric. Econ. 2009, 31, 751-778. [CruzRef]
74. Yu, H.; Chen, H.; Zhang, Q. A desigualdade de renda afetará a qualidade ambiental? Análise baseada em dados de painel
provinciais da China. Eco. Índico 2016, 67, 533–542.
75. Du, L.; Chu, W.; Cai, S. Desenvolvimento econômico e emissões de dióxido de carbono na China: painel provincial
análise de dados. China Econ. Rev. 2012, 23, 371–384. [CruzRef]
76. Grossman, GM; Krueger, AB Impactos ambientais de um acordo de livre comércio norte-americano. Nacional Bur.
Econ. Res. 1991. [CrossRef]
77. Sol, W.; Chen, Z.; Wang, D. A mercantilização da terra pode ajudar a reduzir a poluição industrial? Int. J. Environ. Res.
Public Health 2019, 16, 2213. [CrossRef]
78. Podojil, S.; Jacob, MC; Tuccillo, C.; Maier, D. IDE nas cidades chinesas: transbordamentos e impacto no crescimento.
Economia Mundial 2010, 30, 837-862.
79. Rey, SJ; Montouri, BD Convergência de renda regional dos EUA: uma perspectiva econométrica espacial. Reg. Viga.
1999, 33, 143–156. [CruzRef]
80. Elhorst, JP Estimativa de máxima verossimilhança incondicional de modelos dinâmicos lineares e log-lineares para
painéis espaciais. geogr. Anal. 2005, 37, 85–106. [CruzRef]
81. Lacombe, DJ A metodologia econométrica importa? Uma análise de políticas públicas usando econometria espacial
técnicas. geogr. Anal. 2004, 36, 105–118. [CruzRef]
82. Blonigen, BA; Davies, RB; Waddell, GR; Naughton, HT FDI no espaço: relações auto-regressivas espaciais
em investimento estrangeiro direto. EUR. Econ. Rev. 2007, 51, 1303–1325.
83. Anselin, L.; Bera, AK; Florax, R.; Yoon, MJ Testes diagnósticos simples para dependência espacial. Região. ciência
Eco Urbano. 1996, 26, 77–104.
84. Cole, MA Corrupção, renda e meio ambiente: uma análise empírica. Ecolog. Econ. 2007, 62, 637–647.
[CruzRef]
© 2019 pelos autores. Licenciado MDPI, Basel, Suíça. Este artigo é um artigo de acesso aberto
distribuído sob os termos e condições da Creative Commons Attribution