经合组织金融和环境网络之间的互动

这一结果证实，金融环境关联网络中存在反映各国金融水平的特定拓扑结构。矩阵的右上角块（图2右面板）显示的平均精度高于左下角块（参见SI中的表4）。当观察这两个地区不同程度的黄色时，这种不对称就很明显，这表明了一种主要的互惠模式。从金融化程度最高的国家（地区19-33）向金融化程度较低的国家（项目1-18）的金融出口与环保产品的关联性大于从金融化程度较低的国家向金融化程度较高的国家的流动。低金融群体国家与高金融群体国家之间的相关性高于其内部的相关性，而高金融群体国家与高金融群体国家之间的相关性则相反，高金融群体国家之间的联系紧密。换句话说，高度金融化的国家似乎倾向于与金融化程度较低的国家交换金融流和环境流，尤其是在公平和TD方面。图2：金融流出和环境流入（出口标准化）之间的局部相互作用温度图，国家面板：按字母顺序排列的国家，从左到右（左面板）和按顺序增加金融化的国家（右面板）。2002年至2010年。从左到右出现的黄色梯度表明互惠结构中存在一种与国家金融化成比例的拓扑结构。鉴于反向相关性的普遍存在，我们可以将分析重点放在金融层和环境层之间的相互变化上。应该注意的是，多路复用是一种非常复杂的结构[29,30]。

伪相关性可能源于两个因素驱动的重叠效应：每一层内的互易结构和每一层特有的拓扑结构。在下面的内容中，我们想解开每一对层之间的相关性，从特定到每一层（就我们的分析而言，层之间的相互作用可以被视为一种不同形式的相关性）。通过利用[33,34]中最近开发的一种方法，我们能够在全局（ρ相关性）和局部尺度（方程38）上提供反向流层间相关性的测量，其中包括一个空模型，从而清除我们分析中的虚假影响：ρF Eij=rF Eij- 赫雷吉1- hrF Eiji（2）当互易性超过由零模型产生的预期互易性时，该度量发出信号。选择的零模型基于指数随机化，保留了每个国家对的出口、进口和互惠贸易流，并将其设置为模型的约束条件[32]。一方面，这种零模型使我们能够测试之前的结果，另一方面，提取国家间显著相关性的主干。根据叉积互惠性和统计验证，皮尔逊指数的结果表明：股票和TD与环境流动的相关性比FDI更大，反向相关性往往优于协同相关性。我们可以使用基于指数随机图（见SI）的零模型进一步测试OECD国家之间金融流出和环境流入之间的互惠关系结构。图3的矩阵显示了金融层和环境层之间的交互变化，超过了空模型设定的单层互易性水平。

黄色表示ρ的正值，而白点表示没有显著相关性（等式38）。右上方的方框显示，平均而言，与左上方的方框相比，相关性更强，表明金融发达国家区域内的金融流出流与金融最低国家的环境流入流之间存在统计上显著的联系（SI中的表3）。图3中的黄点可以转换为直接链接，以描述经合组织国家之间互惠关系的拓扑结构。在下面的内容中，链接映射了正相关的网络主干，其程度超过了完整模型所构成的显著性水平。图3右面板中的箭头表示统计上显著的流出金融流与流入的环境流的相互作用。对于几乎所有的层对和总体上的金融环境层，相关网络的主干突出了五个独特节点的中心作用：美国、法国、德国、比利时和英国。图4显示了权益层与环境层的对比情况。这五个国家的链接数量是其他经合组织国家的两倍（图7）。这一观察反映了这些国家在金融市场和国际贸易中的核心作用。与大多数发达国家和金融国家相反，美国、法国、德国和英国是环境流动的净进口国，但比利时除外（图8）。与此同时，这五个国家也是金融流动的净进口国，这并不令人惊讶（图？？）。

值得注意的是，这五个国家是净进口国，但德国除外，德国是价值净出口国和质量净进口国。图3：零模型增强了金融流出和环境流入之间的局部相互作用（局部ρ）；按金融化程度从左到右排序的国家（2002-2010年）。金融流是外向的，环境流是进来的；导出按列进行规范化（例如：条目WI表示j国的金融出口份额与I国的环境出口份额之间的相互关系。在左侧，互惠值的温度图超过了由空模型构成的显著误差。其中的点表示国家之间没有显著的互惠关系。黄色的点集中在两个区域：右下角右上象限。第一种情况表明，金融发达国家之间存在着显著的互惠关系。第二，高金融国家与低金融国家之间存在着显著的互惠关系。rig ht面板显示了互惠结构的主干网络：箭头表示传出金融流与传入环境流之间的链接。五个枢纽国家以红点显示。国际货物贸易的价值和质量。工业化国家将原材料转变为复合材料。这解释了它们的负质量不平衡。

在价值链中处于较高位置的商品可以说质量含量较低，按价值单位计算的环境足迹较高。3结论在本文中，我们关注的是由跨境投资活动和商品贸易产生的金融和环境运动之间的联系。与之前的研究相比，我们比较了环境和投资组合流动之间的相关性，包括FDI和IPI。我们发现，与FDI相比，除水外，大多数环境指标与短期金融流动高度相关（这在本质上可能更具投机性），FDI主要是实体经济中的长期稳定投资。这一结果似乎与以下假设相一致：短期主义不仅与金融系统的图4有关：2010年，零模型的主干加强了公平层和五个环境层之间的局部互惠。从左到右：NOx，P M10，（3）SO，同当量和水足迹。增加暗r ed表示节点的向外度增加。这些中心被折叠在云的核心。互惠分析证实，股权主要与氮氧化物等进行互惠，表明与工业部门存在联系。稳定也有利于实体经济和环境可持续性。第二个发现是，反向流动，尤其是短期股权交易，与环境流动的相关性高于协同流动，这表明，在经合组织国家中，金融流动往往与环境流动的方向相反。

水流之间的反向相关性表明，不同的层往往会相互作用。此外，金融和环境之间反向相关性的主导模式被认为是从金融化程度较高的国家转向金融化程度较低的国家。由此得出的结论是，净进口国和金融高度发达国家的代理人倾向于在工业化程度较低的国家从事股票交易的投机活动。然而，并非所有老龄化国家在金融层面和环境层面之间都表现出显著的相关性（OECD国家的完整排名见SI表2）。在这个高度复杂的结构中，由五个国家组成，它们本身就是国际贸易和投资的中心，即：美国、法国、德国、比利时和英国。这五个国家既是资金净进口国，又是大宗商品净进口国。即使我们扩大分析范围，包括新兴经济体和发展中国家，这些关于相关性拓扑结构的结果是否成立？除了这些相关性，还有什么因果关系？金融投资是否会吸引环境负荷，或金融流动是否遵循贸易渠道？由于模型的局限性和数据的不确定性，这些问题仍未得到解答。虽然我们无法得出因果关系的结论，但我们从三个主要方面为这些研究领域做出了贡献：通过应用网络分析工具研究金融流动与贸易相关环境运动之间的联系（超越双边视角），包括港口投资流（超越外国直接投资），通过根据环境内容而不是货币或质量（学科分离主义之外）评估贸易流。

我们所看到的是一幅世界图景，尽管只限于经合组织国家，但它极其复杂，相互作用的系统，即使是那些看似不同的系统，也无法单独看到。用奥斯卡·王尔德（Oscar Wilde）[35]的时髦和讽刺的话简明扼要地说：伦敦到处都是迷雾和严肃的人。我不知道这些人制造的雾是严重的还是不严重的。4致谢我们感谢迭戈·加拉切利、蒂齐亚诺·斯夸蒂尼、弗朗西斯科·皮西奥洛·安德罗萨纳·马斯坦德里亚的帮助。没有他们的贡献，这项工作是不可能的。支持信息什么是多路复用？多路复用是一组网络（层），共享相同的节点，但每个层内可能有不同的流（边）。每个网络（或层）都可以以sam e性质的关系为特征，并在同一个单元中测量，或者可以显示各种各样的连接，因此，链接将在不同的单元中测量[29,30]。我们的分析指标有两种性质：金融层的货币单位（USD）和环境层的质量单位（表1）。33个经合组织国家的多功能节点将根据其经济日益增长的金融化程度，在相邻的每一层矩阵中排序，以2000年金融中介、房地产、租赁和商业活动占总增加值的百分比表示（表2）。我们分析了从2002年到2010年的9年期间，由此产生的金融环境多元化的相互作用。这些10层和33个节点在9年内的多重交互作用可表示为尺寸为（9x10x33x33）的张量σtkij，张量w（t）kij的输入表示时间t时k层从国家i到国家j的流动。

因此，该分析的总数据集将有95040个数据点。相关性测量：Garlaschelli提出了皮尔逊相关指数法，这是第一种在多重框架下研究层间相关性的方法，并应用于商品特定交易[31]。Gar la schelli扩展表1：多元化的分层金融网络清单FDI外国直接投资1股权2短期债务3 LD长期债务4 TD总债务5环境网络氮氧化物6 PM10颗粒物7 SO2二氧化硫8 CO2二氧化碳9水10皮尔逊相关指数与多元化通过空间而非时间平均得出。因此，A层和B层（时间t）之间的皮尔逊相关指数为：ρABSyn≡Pi6=j（wAij- uA）（wBij- uB）qPi6=j（wAij- uA）（wBij- uB）=covABσAσB。（3）值得注意的是，上述相关性定义既适用于同一方向的链路（方程式3），也适用于相反方向的链路（方程式4）。我们称前者为syn相关，后者为rev相关。ρABRev≡Pi6=j（wAij- uA）（wBji- uB）qPi6=j（wAij- uA）（wBji- uB）（4）syn和rev这两种相关性表明，多路复用分为两个独立的块：内部相关性较弱的财务块（条目1至条目5）和内部相关性较强的环境块。需要注意的是，syn-correlation矩阵的对角线元素定义为1，而只有当层的原始矩阵对称时，对角线分数上的相关性才为1。因此，转速相关矩阵对角线上的元素是单层矩阵对称性的度量。

事实上，这暗示了多重网络中互易性和相关性的纠缠。等式4可应用于层的二元结构，其中当节点i和j之间存在链接时，层k的加权entriesWkij被分数为1的二元条目替换，否则为0。对于网络的二进制表示，皮尔逊相关矩阵为：ρABb≡Pi6=j（aAij）- uA）（aBij- uB）qPi6=j（aAij）- uA）（aBij- uB）（5）多路复用的二元相关矩阵表明对角线上有两个块，通过连接数测量的财务块是稀疏的，以及由完全连接的层组成的环境块。连接表2:multiplex\'nodesCountry排名表FIRE/Tv捷克共和国116.2挪威16.9斯洛伐克共和国317.1波兰418.1西班牙518.9墨西哥619.0科雷亚719.3巴基斯坦619.5土耳其919.5斯洛文尼亚1020.2葡萄牙1120.3希腊1020.6匈牙利1320.9芬兰1211.0爱尔兰1211.3澳大利亚1211.5丹麦1222.3爱沙尼亚1822.4智利1212.1.1意大利1240.7日本2224.9瑞典23 24.9加拿大24.0英国25 27.0荷兰26 27.3德国27.5新西兰28 27.8Bel-Lux 29.1澳大利亚30.1Israel 31 30.5法国32 30.7美国33.7（现有链接与可能链接数量的比率N（N- 1） 假设网络有N个节点，则环境网络的方程7）每层为1，而在金融网络中，其振荡约为0.5。在密集网络中，相互链接比在稀疏网络中更容易发生，而在完全连接的网络中，互惠性非常大，这是不值得的。对于二进制和有向网络，互易性定义为链路的分数，即指向相反方向的“伙伴”：rb≡L<->L（6），其中L=Pi6=jaijand L<->=Pi6=jaijaji。

上述数量rb与链路密度（或连接度）c无关≡LN（N）-1） =Pi6=jaijN（N）-1)≡ ’a：相反，可以看出，在有向随机图模型下，c是RBC的期望值[39,38]。在DRG中，有向链路以概率p放置在任意两个顶点之间，即haijiDRG=p， i、 j（i6=j）。这意味着HRBIDRG≡hL<->ihLi=N（N- 1） pN（N）- 1） p=p≡LN（N）- 1） =c（7），表明RB的预期值与该零模型的基本参数一致，因此取决于L和N。为了评估网络中是否存在建立相互链路的实际依赖性，应将测量的RB与其预期值hrbiDRG进行比较。这意味着，由于L和N的参考值不同，RBK不能用于一致地对具有不同值的L和N的网络进行分级。[38]中提出了互惠性作为基于皮尔逊相关指数的互惠性相关系数度量。因此，互易性是a邻接矩阵[40]：ρb的互易元素之间的皮尔逊相关系数≡Pi6=j（aij- c） （阿吉- c） Pi6=j（aij- c） =rb- c1- c=rb- hrbiDRG1- 赫比德格。（8） 对称的邻接矩阵表示rb和ρ值最高的网络（两者都等于1，因此构成了一个完全连接的网络），而一个完全不对称的网络，其零值反映了主对角线对边上的单位值（如三角形矩阵），显示的值最低，rb=0，ρ=-c/（1）-c） ）[38]。这种有意义的互惠定义会自动降低密度效应，即rb的预期值。因此，就ρ而言，一致的排名和时间分析成为可能。然而，这种从皮尔逊（Pearson）变异而来的互惠定义只适用于单二进制网络。