Muunganiko wa kwantili–wakati–masafa (Quantile-Time-Frequency Connectedness, QTF) ni uchanganuzi wa muunganiko unaotenganisha jinsi mishtuko ya kifedha inavyosambazwa kati ya vigezo kwa wakati mmoja katika vipimo vya wakati, hali ya soko na upeo wa uwekezaji. Utafiti huu unachunguza mapato ya kila siku ya kilogarithimu ya S&P Kensho Global Artificial Intelligence Enablers Index pamoja na fahirisi za sekta za Brewers, Distillers/Vintners, Tobacco, Casinos/Gaming, Aerospace/Defense, Coal/Consumable Fuels na Oil/Gas Exploration/Production katika kipindi cha 2018–2026 kwa kutumia modeli ya QTF. Muunganiko wa jumla wa mfumo ni %50,57 na AI kwa wastani ni msambazaji halisi wa hatari kwa %2,27. Hata hivyo, nafasi ya AI hubadilika kulingana na upeo wa uwekezaji: kwa muda mfupi ni mpokeaji halisi wa mshtuko kwa -%0,72, huku kwa muda mrefu ikiwa msambazaji halisi wa mshtuko kwa +%2,99. Miunganiko yenye nguvu zaidi ya AI imepatikana na Casinos/Gaming na Aerospace/Defense, na muunganiko dhaifu zaidi ukiwa na Tobacco. Ingawa muunganiko huongezeka wakati wa migogoro, matokeo yanaonyesha kuwa spillover iliyo wazi zaidi hutokea katika hali za kawaida na za kati za soko kuliko katika matukio makali ya mikia. Matokeo haya hupima uenezaji wa hatari ya kifedha; hayathibitishi kwamba teknolojia ya AI husababisha kwa njia ya kisababishi mapato ya sekta.

Kauli “sin industries” inayotumiwa katika utafiti ni uainishaji unaotumika katika fasihi ya fedha kuelezea sekta zinazochukuliwa kuwa zenye utata kijamii, kimaadili au kwa mtazamo wa uendelevu. Chanzo kinajumuisha katika kundi hili sekta kama vile vinywaji vya pombe, tumbaku, kamari, ulinzi, makaa ya mawe na mafuta/gesi. Neno hilo linatumika kuainisha muunganiko wa kifedha wa sekta; Verianla haitengenezi uainishaji mpya wa kimaadili.

Hitimisho kuu la utafiti ni kwamba hauungi mkono tafsiri moja kwamba “sekta ya AI husambaza hatari kwa sekta zote zenye utata kwa namna ileile”. Mwelekeo wa uenezaji wa hatari hubadilika kulingana na sekta, wakati, kwantili na upeo wa uwekezaji.

Tatizo la utafiti

Uhusiano wa mali za akili bandia na uwekezaji endelevu, nishati safi, mali za ESG na masoko mengine ya kifedha yanayoongozwa na teknolojia umechunguzwa kwa mapana katika fasihi ya awali. Kinyume chake, miunganiko ya hatari ya kifedha kati ya AI na sekta za “sin” zilizo upande mwingine wa wigo wa uendelevu imechunguzwa kwa kiwango kidogo zaidi.

Chanzo kinashughulikia pengo hili kwa njia tatu. Kwanza, si nishati chafu pekee bali sekta saba tofauti zenye utata zinachunguzwa kwa pamoja. Pili, muunganiko haupimwi kwa uwiano mmoja wa wastani au upeo mmoja wa uwekezaji. Tatu, uwezekano kwamba nafasi ya AI kama msambazaji au mpokeaji halisi wa mshtuko hubadilika kwa muda na katika hali tofauti za soko unaigwa moja kwa moja.

Muunganiko wa kwantili–wakati–masafa hupima nini?

Muunganiko wa kwantili–wakati–masafa ni mbinu inayopima kiasi ambacho mishtuko katika kigezo kimoja cha kifedha huchangia kwenye muachano wa kosa la utabiri wa vigezo vingine, huku ikihesabu uhusiano huo kando kwa kwantili na upeo mbalimbali wa uwekezaji; hivyo sekta ileile inaweza kuwa mpokeaji wa hatari katika hali moja ya soko au kwa muda mfupi, lakini ikaonekana kama msambazaji wa hatari katika hali nyingine ya soko au kwa muda mrefu.

Kwa nini uwiano wa wastani pekee hautoshi?

Uwiano wa kawaida unaweza kufupisha kama mapato mawili husogea pamoja; lakini hauonyeshi moja kwa moja mshtuko unasambazwa kwa mwelekeo gani, kama AI ni mtumaji au mpokeaji wa hatari, au kama uhusiano huo hubadilika katika upeo wa siku 1–5 na zaidi ya siku 6.

Mkabala wa QTF unaunganisha vipimo vitatu tofauti katika mfumo mmoja:

Ni fahirisi zipi zilizotumiwa katika utafiti?

Mfululizo wote wa bei uligeuzwa kuwa mapato ya kila siku ya kilogarithimu. Jedwali la Nyongeza A1 linaripoti uchunguzi 2.009 kwa kila mfululizo.

Modeli ya QVAR

Hatua ya kwanza ya hesabu ya QTF ni modeli ya autoregression ya vekta ya kwantili:

\[ x_t=\mu(\tau)+\sum_{j=1}^{p}\Phi_j(\tau)x_{t-j}+u_t(\tau) \tag{1} \]

Hapa \(x_t\) huwakilisha vekta yenye vigezo N vya ndani; \(\tau\) kwantili kati ya 0 na 1; \(p\) daraja la ucheleweshaji; \(\Phi_j(\tau)\) matriki za mgawo maalum kwa kwantili; na \(u_t(\tau)\) vekta ya kosa yenye matriki ya muachano-kovariano \(\Sigma(\tau)\).

Jukumu kuu la fomula hii ni kuwezesha uhusiano badilifu kati ya mapato ya sekta kukadiriwa kando si katika mwenendo wa wastani pekee bali pia katika maeneo tofauti ya mgawanyo.

Uwakilishi wa Wold

Kisha mfumo wa QVAR hubadilishwa kuwa umbo la wastani unaosogea wa vekta ya kwantili:

\[ x_t=\mu(\tau)+\sum_{h=0}^{\infty}\Psi_h(\tau)u_{t-h} \tag{2} \]

Matriki ya \(\Psi_h(\tau)\) hubeba athari za mishtuko ya zamani kwenye mfumo baada ya vipindi h. Uwakilishi huu ndio msingi wa hesabu ya forecast error variance decomposition.

Mgawanyo wa jumla wa muachano wa kosa la utabiri

Katika chanzo, kiasi cha kosa la utabiri la hatua H mbele la kigezo i kinachosababishwa na mishtuko katika kigezo j huhesabiwa kwa usemi ufuatao wa GFEVD:

\[ \theta_{ij}(H)= \frac{ \Sigma_{jj}(\tau)^{-1} \sum_{h=0}^{H} \left[ \left(\Psi_h(\tau)\Sigma(\tau)\right)_{ij} \right]^2 }{ \sum_{h=0}^{H} \left( \Psi_h(\tau)\Sigma(\tau)\Psi_h'(\tau) \right)_{ii} } \tag{3} \]

\(\theta_{ij}(H)\) ni sehemu ya muachano isiyo na kipimo. Kadiri thamani inavyoongezeka, ndivyo mchango wa mishtuko ya sekta j katika kutokuwa na uhakika wa utabiri wa sekta i unavyoongezeka.

Unormalishaji wa safu

Kwa kuwa jumla ya safu ya GFEVD huenda isiwe 1 moja kwa moja, chanzo hutumia unormalishaji ufuatao:

\[ \widetilde{\theta}_{ij}(H) = \frac{\theta_{ij}(H)} {\sum_{j=1}^{N}\theta_{ij}(H)} \tag{4} \]

Hivyo, kwa kila kigezo i:

\[ \sum_{j=1}^{N}\widetilde{\theta}_{ij}(H)=1 \]

inakuwa hivyo.

Viashiria vya NET na TCI vinafasiriwaje?

Kiashiria cha NET hupima tofauti kati ya jumla ya mishtuko ambayo sekta moja hutuma kwa sekta nyingine na jumla ya mishtuko inayopokea kutoka kwa nyingine; TCI hupima kiwango cha wastani cha muunganiko wa jumla kati ya vigezo katika mfumo. Thamani chanya ya NET huonyesha msambazaji halisi wa hatari, thamani hasi ya NET huonyesha mpokeaji halisi wa hatari, huku TCI ya juu ikimaanisha kwamba sehemu ya athari kutoka kwa vipengele vingine vya mfumo imeongezeka ikilinganishwa na mishtuko ya sekta yenyewe.

Muunganiko halisi wa pande mbili wenye mwelekeo

Muunganiko halisi wa pande mbili kati ya i na j:

\[ NPDC_{ij}(H) = \widetilde{\theta}_{ij}(H) - \widetilde{\theta}_{ji}(H) \tag{5} \]

umefafanuliwa hivyo. Ishara inaonyesha mwelekeo halisi wa mshtuko kati ya vigezo viwili.

Jumla ya mishtuko iliyotumwa na kupokelewa

\[ TO_i(H) = \sum_{\substack{j=1 \\ j\neq i}}^{N} \widetilde{\theta}_{ji}(H), \qquad FROM_i(H) = \sum_{\substack{j=1 \\ j\neq i}}^{N} \widetilde{\theta}_{ij}(H) \tag{6} \]

\(TO_i\) huonyesha sehemu ya muunganiko unaosambazwa kutoka kigezo i kwenda kwa vingine; \(FROM_i\) huonyesha sehemu inayokuja kutoka kwa vingine kwenda kigezo i.

Muunganiko halisi wa jumla wenye mwelekeo

\[ NET_i(H)=TO_i(H)-FROM_i(H) \tag{7} \]

Ikiwa \(NET_i>0\), kigezo ni msambazaji halisi; ikiwa \(NET_i<0\), ni mpokeaji halisi.

Fahirisi ya jumla ya muunganiko

\[ TCI(H) = N^{-1}\sum_{i=1}^{N}TO_i(H) = N^{-1}\sum_{i=1}^{N}FROM_i(H) \tag{8} \]

TCI hufupisha kiwango cha wastani cha muunganiko wa kuvuka kati ya vipengele vya mfumo mzima.

Kuhamia katika eneo la masafa

Ili kutenganisha upeo wa uwekezaji, chanzo hutumia kazi ya mwitikio wa masafa:

\[ \Psi(e^{-i\omega}) = \sum_{h=0}^{\infty}\Psi_h e^{-i\omega h} \tag{9} \]

Msongamano wake wa kispektri ni:

\[ S_x(\omega) = \Psi(e^{-i\omega}) \Sigma(\tau) \Psi'(e^{i\omega}) \tag{10} \]

huandikwa hivyo.

Muunganiko katika bendi fulani ya masafa:

\[ \widetilde{\theta}_{ij}(d) = \int_a^b \widetilde{\theta}_{ij}(\omega)\,d\omega \tag{11} \]

hukusanywa kwa njia hii; hapa \(d=(a,b)\) ni bendi ya masafa.

Mbinu na Matokeo ya Utafiti

1. Mipangilio ya modeli

Majedwali na vielelezo vikuu vilitengenezwa kwa modeli ya QVAR yenye dirisha linalosogea la siku 200. Daraja la ucheleweshaji lilichaguliwa kuwa 1 kwa kigezo cha BIC, na upeo wa utabiri wa hatua 100 mbele ulitumika kwa GFEVD.

2. Muunganiko wa wastani wa mfumo

Fahirisi ya jumla ya muunganiko wa mfumo ni %50,57. Katika utenganishaji wa masafa, TCI ya muda mfupi ni %39,81, na TCI ya muda mrefu ni %10,76.

Muundo huu unaonyesha kwamba mishtuko ya muda mfupi ndiyo inayotawala katika mfumo kwa ujumla, lakini nafasi za NET za kila sekta zinaweza kubadilika kulingana na upeo wa uwekezaji.

Kwa nini nafasi ya hatari ya AI ya muda mfupi na muda mrefu inapaswa kutathminiwa tofauti?

Ingawa thamani ya wastani ya NET ya AI ni chanya, utenganishaji wa masafa unaonyesha kuwa kwa muda mfupi AI ni mpokeaji halisi wa mshtuko kwa -%0,72, huku kwa muda mrefu ikiwa msambazaji halisi wa mshtuko kwa +%2,99; kwa hiyo, kutazama wastani wa jumla pekee kunaweza kuchanganya mwelekeo wa uenezaji wa hatari unaomkabili mfanyabiashara wa muda mfupi na mwekezaji wa muda mrefu.

3. Kwa nini Aerospace/Defense inavutia?

Kwa jumla Aerospace/Defense husambaza mishtuko kwa sekta nyingine kwa %66,45 na kwa nafasi ya NET ya +%9,85 ndiyo msambazaji halisi wa hatari mwenye nguvu zaidi katika utafiti.

Sekta hiyo ni msambazaji halisi kwa +%5,89 kwa muda mfupi na +%3,96 kwa muda mrefu. Ingawa uhusiano wake na AI si wa kudumu kama ule wa Casinos/Gaming, chanzo kinauainisha kama mmoja wa miunganiko yenye nguvu na inayojirudia.

4. Kwa nini Coal/Consumable Fuels ndiyo mpokeaji halisi mkubwa zaidi?

Thamani ya jumla ya NET ya Coal/Consumable Fuels ni -%8,02, na kuifanya iwe mpokeaji halisi mkubwa zaidi katika mfumo. Sehemu kubwa ya matokeo haya hutokana na kipengele cha muda mfupi: NET ya muda mfupi ni -%8,77, huku NET ya muda mrefu ikiwa +%0,75.

Matokeo haya ni asimetri ya wazi ya masafa inayoonyesha kuwa nafasi hasi ya jumla haiendelei kwa namna ileile katika muda mrefu.

5. Uhusiano wa AI na Casinos/Gaming

Muunganiko wa pande mbili wenye nguvu zaidi na wa kudumu zaidi wa AI umeonekana na Casinos/Gaming. Katika Jedwali 1, %14,82 ya muachano wa kosa la utabiri wa mapato ya AI inahusishwa na mishtuko ya Casinos/Gaming, huku %14,06 ya muachano wa kosa la utabiri wa mapato ya Casinos/Gaming ikihusishwa na mishtuko ya AI.

Uchanganuzi badilifu unaonyesha muundo ambapo katika sehemu kubwa ya kipindi cha 2020–2024 AI ilipokea mshtuko halisi kutoka Casinos/Gaming, huku katika muda mrefu AI ikiendelea kuwa msambazaji halisi kwa sekta hiyo. Ukubwa wa athari ya muda mfupi unaweza katika baadhi ya vipindi kubadili ishara ya jumla.

6. Uhusiano wa AI na Tobacco

Tobacco ndiyo sekta inayoonyesha muunganiko dhaifu zaidi wa pande mbili na AI. Katika Jedwali 1, sehemu ambayo AI inapokea kutoka Tobacco ni %3,39, huku sehemu ambayo Tobacco inapokea kutoka AI ikiwa %3,44.

Sehemu ya mjadala ya chanzo inahusisha muunganiko huu dhaifu na ukweli kwamba katika michakato ya uzalishaji iliyokomaa, teknolojia za kidijitali za frontier huunda upya modeli ya biashara kwa kiwango kidogo zaidi. Maelezo haya si jaribio la kisababishi la kiempiria, bali ni tafsiri ya kiuchumi ya waandishi kuhusu matokeo.

7. Figure 1: nafasi halisi ya hatari ya AI kwa muda

8. Figure 2: muunganiko wa pande mbili kwa sekta

Figure 2 inaonyesha kando muunganiko halisi wa pande mbili wa muda mfupi, muda mrefu na jumla kati ya AI na sekta saba katika kipindi cha 2018–2026.

9. Figure 3: kipimo cha kwantili

Figure 3 inaonyesha muunganiko wa muda mfupi, muda mrefu na jumla kama ramani za joto za wakati-kwantili. Mhimili wima unawakilisha kiwango cha kwantili na mhimili mlalo unawakilisha wakati. Maeneo chanya yanaonyesha hali ambapo AI ni msambazaji halisi wa hatari, na maeneo hasi yanaonyesha hali ambapo ni mpokeaji halisi wa hatari.

Mabadiliko makubwa ya muda mfupi katika kipindi cha 2020–2022 yamejikita hasa katika kwantili za kati. Matokeo haya yanaonyesha kwamba uenezaji wa hatari wa AI–sin hauendeshwi tu na mikia ya kushuka au kupanda kupita kiasi.

Mwanzoni mwa 2024, AI inageuka kuwa mpokeaji halisi karibu na kwantili za kati huku ikidumisha nafasi ya msambazaji katika kwantili za chini zaidi. Baada ya 2025, nafasi chanya ya msambazaji inaenea hatua kwa hatua katika wigo mpana zaidi wa kwantili.

10. Ukaguzi wa uimara

Ili kuchunguza kama matokeo makuu yanadumu katika vipindi tofauti vya soko, chanzo kimegawanya sampuli mara mbili kuanzia 1 Januari 2022.

Katika kipindi kidogo cha kwanza, muunganiko wa mfumo unaonekana kuwa juu zaidi. Ingawa nafasi ya jumla ya AI ni chanya katika vipindi vyote viwili, muundo wa muda mfupi/mrefu hubadilika kwa kiasi kikubwa. Katika kipindi cha kwanza AI ni mpokeaji kwa muda mfupi na msambazaji mwenye nguvu kwa muda mrefu; katika kipindi cha pili nafasi ya muda mfupi hubadilika kuwa chanya.

Waandishi wanaeleza kuwa katika kipindi cha awali thamani za fahirisi zilizohesabiwa kwa kurudi nyuma huenda zikawa na sehemu kubwa zaidi, na kugawa sampuli katika vipindi vidogo hutoa udhibiti wa ziada kwa uwezekano wa backfilled-index bias.

Je, utafiti huu unaonyesha usababishaji?

Hapana. QTF connectedness hupima sehemu na mwelekeo halisi wa mishtuko ya kigezo kimoja katika muachano wa kosa la utabiri wa vigezo vingine; kipimo hiki hakithibitishi kwamba teknolojia ya AI hubadilisha mapato ya sekta fulani kupitia uhusiano wa moja kwa moja wa sababu na matokeo, na chanzo kinaweka wazi kama kizuizi kwamba vipimo vya muunganiko vinaonyesha uenezaji wa hatari, si usababishaji.

11. Tafsiri ya kifedha

Chanzo kinasisitiza kwamba muunganiko kati ya AI na sekta zenye utata haupaswi kutathminiwa kama uwiano mmoja usiobadilika katika maamuzi ya mseto wa jalada na hedge.

Wawekezaji wa muda mfupi wanapaswa kuzingatia hasa uenezaji wa haraka wa mishtuko, huku wawekezaji wa muda mrefu wakizingatia nafasi iliyo wazi zaidi ya AI kama msambazaji wa hatari wa muda mrefu. Casinos/Gaming na Aerospace/Defense zinasisitizwa hasa katika chanzo kwa ufuatiliaji wa mara kwa mara kutokana na kiwango chao cha juu cha muunganiko wa pande mbili.

Chanzo pia kinaeleza kuwa inaweza kuwa haitoshi kuelekeza stress test kwenye migogoro au hali za tail-event pekee, kwa sababu harakati muhimu za spillover pia hutokea katika kwantili za kati za soko.

12. Mambo yanayoungwa mkono na utafiti

Utafiti unaunga mkono kwamba kuna muunganiko wa kifedha wa kiwango cha kati na unaobadilika kwa muda kati ya AI na sekta saba zenye utata; kwamba AI kwa wastani ni msambazaji halisi wa hatari; lakini nafasi yake hutofautiana kati ya muda mfupi na muda mrefu.

Utafiti pia unaunga mkono kuwepo kwa utofauti mkubwa kati ya sekta na kwamba miunganiko ya Casinos/Gaming na Aerospace/Defense ni yenye nguvu zaidi kuliko Tobacco.

Matokeo ya kwantili yanaunga mkono kwamba muunganiko hauonekani tu katika mikia mikali ya soko bali pia katika hali za kawaida na za kati za soko.

13. Mambo ambayo utafiti hauungi mkono

Utafiti hauthibitishi kwamba teknolojia ya AI hubadilisha kwa njia ya kisababishi bei za hisa katika Casinos/Gaming, Aerospace/Defense au sekta nyingine.

Kwa kuwa fahirisi za sekta za kimataifa zimetumika, haiwezi kuhitimishwa kwamba viwango vilevile vya muunganiko vinatumika kwa nchi, kampuni au eneo moja.

Utafiti si jaribio la uboreshaji wa jalada linalopima mapato ya uhakika au utendaji wa kupunguza hasara wa mkakati fulani wa hedge.

Pia haiwezi kuhitimishwa kwamba uhusiano huo utabaki na ukubwa na mwelekeo uleule katika siku zijazo; Figure 1 na Figure 2, kinyume chake, zinaonyesha kwamba mwelekeo wa hatari hubadilika mara kwa mara kwa muda.

14. Vikwazo vikuu

Kikwazo cha kwanza ni kwamba fahirisi za kimataifa zinaweza kuficha tofauti za kikanda. Masoko madogo yanayolenga Marekani, Ulaya au Asia yanaweza kuonyesha miundo tofauti ya uenezaji wa hatari.

Kikwazo cha pili ni kwamba vipimo vya connectedness haviundi usababishaji.

Kikwazo cha tatu ni uwezekano kwamba fahirisi ya AI inaweza kuwa na thamani zilizohesabiwa kwa kurudi nyuma katika sehemu ya mwanzo ya sampuli. Chanzo kinashughulikia hili kwa kiasi fulani kupitia ukaguzi wa uimara wa kipindi kidogo.

Kikwazo cha nne ni kwamba matokeo ya modeli ya QTF hutegemea urefu wa dirisha, muundo wa ucheleweshaji, upeo wa utabiri na fahirisi wawakilishi zilizochaguliwa. Utafiti hutumia spesifikesheni fulani ya modeli na haujaribu modeli zote mbadala zinazowezekana.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: Quantile-time-frequency connectedness between AI and sin industries

Waandishi katika PDF ya chanzo: Barbara Čeryová; Peter Árendáš.

Mwandishi wa mawasiliano: Barbara Čeryová.

Taasisi katika PDF ya chanzo: Bratislava University of Economics and Business, Dolnozemská cesta 1, Bratislava, 852 35, Slovakia.

Kutolingana kwa bibliografia: Ukurasa wa sasa wa rekodi ya SSRN unaorodhesha Barbara Rasiova na Peter Arendas kama waandishi kwa kichwa na DOI ileile. PDF iliyopakiwa hutumia majina Barbara Čeryová na Peter Árendáš. Verianla haijaunganisha rekodi hizi mbili kimya kimya wala kudhani kwamba moja ni marekebisho ya hakika ya nyingine.

Jukwaa: SSRN.

Nambari ya SSRN: 6933526.

DOI: 10.2139/ssrn.6933526.

Tarehe ya rekodi ya SSRN: 13 Juni 2026.

Urefu: Kurasa 14.

Aina ya chanzo: Preprint ya ekonometria ya kifedha / uchanganuzi wa muunganiko wa wakati-masafa.

Hali ya mapitio ya rika: PDF iliyopakiwa inaeleza wazi kwamba utafiti bado haujapitia mapitio ya rika.

Leseni: Ingawa rekodi ya SSRN ina sehemu ya License Information, rekodi inayopatikana haionyeshi masharti ya wazi ya Creative Commons au matumizi tena yanayolingana. Kwa hiyo, leseni ya wazi haijadhaniwa.

Sampuli: Maandishi ya mbinu ya chanzo yanatoa kipindi cha 1 Juni 2018–31 Mei 2026. Jedwali 1 na Jedwali la Nyongeza A3 linaandika tarehe ya mwisho kuwa 30 Mei 2026. Tofauti hii ya siku moja ndani ya chanzo imehifadhiwa bila kubadilishwa.

Idadi ya uchunguzi: Uchunguzi 2.009 wa mapato ya kila siku ya kilogarithimu kwa kila mfululizo.

Data kuu: S&P Kensho Global Artificial Intelligence Enablers Index na fahirisi saba za sekta za S&P Global 1200.

Mbinu kuu: Quantile-Time-Frequency Connectedness; QVAR; uwakilishi wa Wold; generalized forecast error variance decomposition; Diebold–Yılmaz directional connectedness; mgawanyo wa masafa wa Baruník–Křehlík.

Mipangilio ya modeli: rolling window ya siku 200; QVAR lag 1, BIC; 100-step-ahead GFEVD; muda mfupi siku 1–5; muda mrefu siku 6 au zaidi.

Ufadhili: VEGA 1/0639/24 — “Financial innovations, digitalization and financial literacy as accelerators of economic recovery in a competitive environment with economic imbalances”; KEGA 031EU-4/2024 — “Energy crisis and energy security of Slovakia and the EU”.

Mgongano wa maslahi: Waandishi wanatangaza kwamba hawana maslahi ya kifedha yanayojulikana wala uhusiano binafsi unaoweza kuathiri utafiti.

Upatikanaji wa data: Hakuna sehemu tofauti ya Data Availability inayoonekana katika PDF iliyopakiwa.

CRediT / michango ya waandishi: Hakuna sehemu tofauti ya Author Contributions au CRediT inayoonekana katika PDF iliyopakiwa.

Kizuizi kikuu cha kimetodolojia: Connectedness hupima uenezaji wa hatari na mgawanyo wa muachano wa kosa la utabiri; si jaribio la utaratibu wa kisababishi wa kiuchumi. Fahirisi za kimataifa zinaweza kuficha utofauti wa kikanda.