← 論文一覧に戻る

グリーンファイナンスのDNAを解読する：米国経済におけるカーネルベース学習の探求

Decoding the DNA of Green Finance: A Kernel‐Based Learning Odyssey Into the US Economy (原題)

Gizem Bediroğlu, Feyyaz Zeren

Sustainable Development📚 査読済 / ジャーナル2026-06-03#気候金融Origin: US
DOI: 10.1002/sd.71262
原典: https://doi.org/10.1002/sd.71262

🤖 gxceed AI 要約

日本語

本論文は、1961年から2024年までの米国のグリーンファイナンス指数（GFI）の決定要因を、高度な機械学習手法（QQKRLS、WKRLS、RWKRLS）を用いて分析。経済成長とESGパフォーマンスが主要な推進要因である一方、地政学的リスクと環境悪化が脅威となることを発見。時間変動性と中長期的な影響が明らかになり、政策への示唆を提供。

English

This paper uses a novel machine learning framework (QQKRLS, WKRLS, RWKRLS) to analyze the determinants of the US Green Finance Index from 1961 to 2024. It finds that economic growth and ESG performance are key drivers, while geopolitical risk and ecological footprint pose threats. Dynamics are time-varying and manifest in medium-to-long-term horizons. Offers a policy blueprint for resilient green finance.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

本論文は米国を対象としているが、グリーンファイナンスの非線形分析手法（QQKRLS等）は日本市場への応用可能性がある。日本のグリーン投資やESG評価において、時間変動する要因の理解に貢献する。

In the global GX context

This paper contributes to the global GX context by demonstrating advanced ML for green finance analysis, highlighting ESG, economic growth, and geopolitical risk as intertwined factors. Its framework can be adapted for other countries, offering insights for transition finance and policy design.

👥 読者別の含意

🔬研究者:The ML methods (QQKRLS, WKRLS, RWKRLS) and their application to non-linear green finance dynamics offer a novel analytical approach for similar studies.

🏢実務担当者:The findings on ESG and economic growth as key drivers can inform green product development and risk assessment in sustainable finance.

🏛政策担当者:The paper emphasizes integrating macroeconomic stability, geopolitical risk mitigation, and ESG standards for a resilient green finance ecosystem.

📄 抄録（日本語訳）

持続可能な経済への移行には、グリーンファイナンスの根底にある推進要因についての深い理解が必要である。本稿は、1961年から2024年までの米国のグリーンファイナンスの状況を、その多面的な決定要因を調査することによって解読する。従来の線形的な評価を超えて、我々は、新しいグリーンファイナンス指数（GFI）とその促進要因である海外直接投資（FDI）、経済成長（GDP）、環境・社会・ガバナンス（ESG）パフォーマンス、ならびにその阻害要因である地政学リスク（GPR）と生態学的フットプリント（ECF）との間の複雑で非線形的な相互作用を捉えるために、分位点・分位点カーネルベース正則化最小二乗法（QQKRLS）、ウェーブレットKRLS（WKRLS）、およびローリングウィンドウKRLS（RWKRLS）からなる高度な機械学習フレームワークを導入する。我々の調査結果は、経済拡大とESGの質が主要な推進要因として機能する一方で、地政学的な変動性と環境悪化がグリーンファイナンスの安定性に体系的な脅威をもたらすことを明らかにしている。重要点として、分析は、これらの動態が時間とともに変化し、主に中期から長期の時間軸で顕在化することを明らかにしている。本稿は、米国における強靭なグリーンファイナンス生態系には、マクロ経済の安定性、地政学リスクの緩和、および厳格なESG基準の統合的な組み合わせが必要であることを強調し、政策立案者への青写真を提供する。

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。

📄 Abstract（原文）

The transition to a sustainable economy requires a profound understanding of the underlying drivers of green finance. This paper decodes the ‘DNA’ of the United States (US) green finance landscape by investigating its multifaceted determinants from 1961 to 2024. Beyond traditional linear assessments, we introduce a sophisticated machine learning framework—comprising Quantile‐on‐Quantile Kernel‐based Regularized Least Squares (QQKRLS), Wavelet KRLS (WKRLS), and Rolling‐Window KRLS (RWKRLS)—to capture the intricate, non‐linear interactions between a novel Green Finance Index (GFI) and its catalysts: Foreign Direct Investment (FDI), Economic growth (GDP), and Environmental, Social and Governance (ESG) performance, as well as its inhibitors: geopolitical risk (GPR) and ecological footprint (ECF). Our findings reveal that while economic expansion and ESG quality act as primary drivers, geopolitical volatility and environmental degradation pose systemic threats to green financial stability. Crucially, the analysis uncovers that these dynamics are time‐varying and predominantly manifest in medium‐to‐long‐term horizons. This paper offers a blueprint for policymakers, emphasizing that a resilient green finance ecosystem in the US necessitates a holistic integration of macroeconomic stability, geopolitical risk mitigation, and stringent ESG standards.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。