EU ETS下の炭素リーケージ：二国間貿易に埋め込まれたCO2とセクター不均一性への機械学習アプローチ
Carbon Leakage Under the EU ETS: A Machine Learning Approach to Embodied CO2 in Bilateral Trade and Sectoral Heterogeneity (原題)
Kingsuk Majumdar, Sohini Ghosh
🤖 gxceed AI 要約
日本語
EU ETSの単国導入に伴う炭素リーケージを、65カ国・5セクターの貿易パネルデータに機械学習（XGBoost等）を適用して予測した研究。CO2含有量回帰でR²=0.965、リーケージ二値分類でROC-AUC=0.765を達成し、線形ベースラインを大きく上回る。特徴量重要度分析により、リーケージのセクター間不均一性はETS政策のタイミングよりも生産技術に埋め込まれた構造的炭素強度に起因することが示され、CBAMのセクター別関税設計に直接的な含意を与える。
English
This study applies Random Forest, XGBoost, and SVM to a 65-country, five-sector EU ETS trade panel (2000–2018) to predict carbon leakage. XGBoost achieves R²=0.965 for embodied CO2 regression and ROC-AUC=0.765 for leakage classification, substantially beating OLS and logistic baselines. Permutation importance shows ISIC sector code dominates over ETS phase dummies, indicating leakage heterogeneity stems from structural carbon intensity in production technology rather than policy timing—directly informing sector-specific CBAM tariff design.
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
EU CBAMの運用開始は、日本企業の輸出競争力とScope 3排出管理に直結する。本論文の機械学習によるセクター別リーケージ予測手法は、日本版炭素国境調整やSSBJ開示におけるセクター別炭素強度評価の参考になる。
In the global GX context
As CBAM moves into its operational phase, this paper's ML-based sectoral leakage prediction offers a template for evidence-based border adjustment design. Its finding that structural carbon intensity—not policy timing—drives leakage heterogeneity challenges uniform tariff approaches and supports sector-differentiated CBAM schedules, with lessons for other regions considering carbon border measures.
👥 読者別の含意
🔬研究者:機械学習による炭素リーケージ予測のベンチマークと、セクター構造要因の重要性を示す実証的知見を提供する。
🏢実務担当者:CBAM対象セクターの企業は、自社の生産技術に埋め込まれた炭素強度がリーケージ評価の鍵となることを理解し、輸出戦略に反映すべき。
🏛政策担当者:CBAMのセクター別関税設計において、ETS政策フェーズよりも産業構造の炭素強度を重視する根拠を提供する。
📄 Abstract（原文）
Carbon pricing imposed by a single trading bloc (i.e. unilateral) generates leakage when regulated firms lose competitive advantage to producers in unregulated economies, raising imports of carbon-intensive goods and offsetting domestic emission reductions. As the European Union (EU) Carbon Border Adjustment Mechanism (CBAM) enters its operational phase, predicting leakage intensity at the sector level has become a pressing policy requirement. The present study applies Random Forest (RF), eXtreme Gradient Boosting (XGBoost), and Support Vector Machine (SVM) to the bilateral EU Emissions Trading System (ETS) trade panel of Wang and Kuusi [1], covering 65 countries across five ETS-regulated sectors for 2000–2018, and benchmarks results against OLS and Logistic Regression baselines. For $\mathbf{C O}_{2}$ content regression, XGBoost achieves $\mathbf{R}^{2}=$ 0.965 against an Ordinary Least Squares (OLS) baseline of 0.561, a gain of +0.404. For binary leakage classification using ETS policy variables only, XGBoost attains Receiver Operating Characteristic Area Under the Curve (ROC-AUC) $=0.765$ against a Logistic Regression baseline of 0.738, a gain of +0.028. Permutation feature importance identifies International Standard Industrial Classification (ISIC) sector code as the dominant predictor (importance $=0.200$), far exceeding all ETS phase dummies combined (< 0.005). This result suggests that sectoral leakage heterogeneity is associated with the structural carbon intensity embedded in production technology rather than ETS policy timing, with direct implications for sector-specific CBAM tariff design.
🔗 Provenance — このレコードを発見したソース
- semanticscholar https://doi.org/10.1109/ciacon70148.2026.11689568first seen 2026-09-26 05:04:23 · last seen 2026-09-29 05:13:22
🔔 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。