تأثیر فساد، نااطمینانی، اینترنت و بحران کوید 19 بر شادکامی؛ مورد ایران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
.مقدمه افزایش رضایتمندی یا رفاه ذهنی[1] یا احساس شادکامی[2] افراد و جوامع از وضعیت زندگی خود، یکی از اهداف اصلی دولت ها محسوب می شود. در ادبیات جدید، برخی شادکامی را به عنوان یک حق برای شهروندان در نظر می گیرند و درنتیجه، دولت ها موظف به تأمین آن برای تک تک افراد جامعه هستند. فراتر از آن، برخی معتقدند که شادکامی یک مقوله ملی است و باید در جهت خوشبختی و شادکامی عموم مردم تلاش شود (لی، 2022). به منظور پر کردن خلأ ادبیات مربوط به شادکامی در ایران، این پژوهش به بررسی سهم فساد به عنوان یکی از شاخص های مهم کیفیت نهادی، نااطمینانی، دسترسی به اینترنت، بحران کرونا و همچنین، تحریم در رفاه ذهنی در ایران می پردازد که براساس بررسی های نگارندگان تاکنون در کشور انجام نشده است. دراین راستا، از دیگر متغیرهای کنترل مانند رشد اقتصاد و بیکاری نیز استفاده می شود. الگو و روش برای بررسی تأثیر متغیرهای کلیدی بر ادراک شادکامی یا احساس رفاه ذهنی در ایران الگوی عمومی زیر معرفی می شود: , (1) که در رابطه (1) متغیر HAP (شادکامی) [3] تابعی از LGDPP (لگاریتم تولید ناخالص داخلی واقعی سرانه)[4]، WUI (نااطمینانی جهانی برای ایران) [5] ، COR(فساد)[6]، NET (دسترسی به اینترنت)، UN (نرخ بیکاری)[7]، SAN (تحریم های آمریکا علیه ایران) [8] و COVID19 (بحران کوید19) [9] است. الگو با روش خودرگرسیون با وقفه های توزیعی(ARDL) برآورد می شود. پسران و شین[10] (1995) نشان می دهند که اگر بردار همجمعی از به کارگیری روش ARDL، در صورتی که وقفه ها به درستی تصریح شده باشند، به دست آید، برآوردگر حداقل مربعات در نمونه های کوچک نیز از تورش کمتر و کارایی بیشتری برخوردار است. همچنین، استفاده از روش ARDL این مزیت را دارد که می توان بدون توجه به وجود متغیرهای با درجه جمعی I(0) یا I(1) تخمین های سازگاری از ضرایب بلندمدت الگو را به دست آورد. همچنین، این روش حرکت از الگوی کوتاه مدت به بلندمدت را نیز مشخص می کند. الگوی ARDL(p,q1,q2,...,qk) زیر را در نظر می گیریم:[11] (2) که در آن ها و ها پارامترهای الگو، نشان دهنده جزء اختلال تصادفی است. با به کارگیری معیارهای اطلاعاتی مانند، آکائیک[12]AIC) (، شوارتز− بیزین[13](SBC)، و حنان − کوئین[14] (HQC)لازم است که برای برآورد الگوی کوتاه مدت وقفه های مناسب p) و qها) برای متغیرها انتخاب شود. پس از انتخاب الگوی مناسب ARDL می توان ضرایب الگوی بلندمدت را محاسبه کرد. اگر رابطه تعادلی کوتاه مدت میان متغیرها وجود داشته باشد، می توان الگوی تصحیح خطای[15] زیر را برآورد کرد: A(L)ΔHAPt =B(L)ΔXt + (1-Π) ECTt-1+G 'Zt + et (3) که در آن A(L)= 1-a1L -a2L2 -.... -apLp و B(L)= 1 - bk1L - bk2L2 - .... - bkj (k=1,...,5), Π =(a1 +a2+ .... +ap) L عملگر چند جمله وقفه، G برداری از پارامترها و et جمله اختلال می باشد. در این رابطه X=( ), و Δ نشان دهنده تفاضل مرتبه اول متغیر و ECTt-1 جمله تصحیح خطا و Zt برداری از متغیرهای قطعی مانند مقدار ثابت و متغیرهای برون زا با وقفه های ثابت مانند COVID19 و SAN می باشد. ضریب جمله تصحیح خطا بیان کننده سرعت حرکت به سوی تعادل بلندمدت است. الگو برای داده های فصلی طی دوره 1384−1401 برآورد و جهت بررسی همجمعی میان متغیرها از آزمون کرانه استفاده شده است. نتایج قبل از برآورد الگو ایستایی متغیرها بررسی شده است. آزمون ریشه واحد برای تفاضل مرتبه دوم متغیرها با داده های فصلی نشان می دهد که فرضیه صفر وجود ریشه واحد برای همه متغیرها رد می شود. به عبارت دیگر، متغیرهای به کارگرفته شده یا دارای درجه جمعی صفر I(0) یا یک I(1) هستند. برای برآورد الگوی کوتاه مدت وقفه های بهینه برای متغیرها با استفاده از معیار آکائیک انتخاب شده است. چون دراین الگو با ترکیبی از متغیرهای I(0) و I(1) روبه رو هستیم، از آزمون کرانه برای بررسی همجمعی استفاده و نشان داده شده که رابطه همجمعی میان متغیرهای وجود دارد.[16] همچنین نتیجه آزمون LM بروش-گادفری نشان می دهد که فرضیه صفر عدم خودهمبستگی سریالی نمی شود. همچنین، عدم رد فرضیه صفر در آزمون هاروی نشان می دهد که مشکل واریانس ناهمسانی در الگو وجود ندارد. نتایج این آزمون ها در جدول (1) ارائه شده است. جدول (1) آزمون های خود همبستگی و واریانس ناهمسانی (A) Breusch-Godfrey Serial Correlation LM Test- Null hypothesis: No serial correlation F-statistic 1.787593 Prob. F(3,34) 0.1681 Obs R-squared 8.719348 Prob. Chi-Square(3) 0.0333 (B) Heteroskedasticity Test: Harvey- Null hypothesis: Homoskedasticity F−statistic 1.221176 Prob. F(26,37) 0.2838 Obs R−squared 29.55665 Prob. Chi−Square(26) 0.2864 Scaled explained SS 20.99953 Prob. Chi−Square(26) 0.7420 منبع: محاسبات نویسندگان نتایج برآورد الگوی بلند مدت در جدول (2) نشان می دهد که کاهش فساد و دسترسی به اینترنت نقش مهمی در افزایش شادکامی در ایران دارد. همچنین، نااطمینانی جهانی برای ایران، افزایش بیکاری، و تحریم باعث کاهش شادکامی می شود. یافته ها نشان می دهد رشد اقتصادی در ایران ضدشادکامی است که می تواند ناشی از توزیع ناعادلانه آن در زندگی مردم باشد. الگوی کوتاه مدت بیان کننده این است که کرونا و تحریم، شادکامی را کم کرده است. براساس الگوی تصحیح خطا در هر دوره 89 درصد انحراف از تعادل بلندمدت تعدیل می شود.[17] جدول (2) برآورد الگوی بلند مدت. متغیر توضیحی شادکامی (HAP) متغیر ضرائب خطای معیار آماره t احتمال LGDPP -4.736207 0.733549 -6.456561 0.0000 UN -0.056133 0.023537 -2.384912 0.0223 WUI -2.328085 0.493086 -4.721460 0.0000 NET 0.011836 0.003161 3.744307 0.0006 COR 0.767983 0.128301 5.985792 0.0000 C 49.66173 6.870018 7.228763 0.0000 منبع: محاسبات نویسندگان اکنون ثبات ساختاری پارامترهای الگوی تصحیح خطا با استفاده از دو آزمون CUSUM و CUSUMSQ بررسی می شود. نتایج نشان می دهد که بی ثباتی در الگو وجود ندارد. آزمون اول نشان می دهد که آیا تغییر سیستماتیک یا نظام مند در ضرایب برآوردشده وجود دارد. درصورتی که آزمون دوم به بررسی این موضوع می پردازد که آیا پارامتر ثابت یک انحراف ناگهانی و تصادفی داشته است. نتایج این آزمون ها به ترتیب در نمودارهای 1 و 2 نشان داده شده است. درصورتی که CUSUM و CUSUMSQ از دو خط مرزی در سطح معناداری 5 درصد عبور نکند، نشان می دهد که معادله رگرسیونی درست مشخص شده است. نتیجه این آزمون ها نشان دهنده ثبات الگو می باشد. نمودار 1: آزمون ثبات CUSUM منبع: محاسبات نویسندگان نمودار 2: آزمون ثبات CUSUMSQ منبع: محاسبات نویسندگان نتیجه گیری نتایج برآوردها نشان می دهد که کاهش فساد باعث افزایش شادکامی در ایران می شود. این نتیجه مشابه یافته های تای و دیگران[18] (2014)، فلین[19] (2019)، لای و آن[20] (2020)، یان و ون[21] (2020) و بهرا و دیگران[22] (2024) است. فساد می تواند هزینه های معاملاتی را برای کسب وکارها افزایش دهد، اعتماد سیاسی را تخریب کند و ازطرق مختلف رفاه ذهنی را کاهش دهد. نتیجه نشان می دهد رشد اقتصادی در ایران ضدشادکامی است که می تواند ناشی از توزیع ناعادلانه رشد در زندگی مردم باشد. عدم قطعیت ارتباط میان درآمد و شادمانی توسط استرلین (1974) مطرح شده است. براساس برخی شواهد تجربی، افزایش درآمد تحت شرایطی ممکن است باعث افزایش شادمانی نشود؛ به طوری که فری و استوتزر[23] (2002) این رابطه را پیچیده می دانند. یان و ون[24] (2020) نیز بر این نکته تأکید می کنند که فساد و افزایش شکاف درآمدی دو عامل اثرگذار برای کاهش احساس خوشبختی افراد هستند. همچنین، افزایش بیکاری باعث کاهش شادکامی در ایران می شود. این یافته مشابه نتیجه کلارک و اوسوالد[25] (1994)، لانچفلاور[26] (2007)، آگان، ودیگران[27] (2009)، ابونوری و عسگری زاده[28] (2013)، و سامیم و بوری[29] (2019) است. تأثیر بیکاری بر رفاه ذهنی از اهمیت برخوردار است؛ به طوری که لای و آن[30] (2020) نشان می دهند که کاهش بیکاری حتی می تواند بخشی از کاهش شادکامی ناشی از فساد را جبران کند. یکی دیگر از یافته ها این است که با زیاد شدن نااطمینانی جهانی برای کشور ایران در حوزه های اقتصادی و سیاسی در کوتاه مدت و بلندمدت، احساس خوشبختی جامعه کاهش می شود. اثر مستقیم و غیرمستقیم نااطمینانی بر شادکامی ازطریق اثر روانی مانند امید به آینده و همچنین، تأثیر آن بر سرمایه گذاری، بیکاری و شرایط رفاهی و اقتصادی جامعه مطابق انتظار است. برآورد الگوی کوتاه مدت نشان می دهد که همه گیری کرونا و تحریم ها باعث کاهش شادکامی شده است. به عنوان توصیه سیاستی، افزون بر توجه به تأثیر دیگر متغیرها مانند اشتغال و رشد، لازم است که به اهمیت مبارزه با فساد، افزایش دسترسی جامعه به اینترنت و همچنین، کاهش نااطمینانی اقتصادی و سیاسی برای بهبود رفاه ذهنی جامعه توجه شود. [1]. Subjective well-being [2]. Happiness تاریخ دریافت: 07/05/1403 تاریخ پذیرش: 29/05/1403 [3]. منبع داده: https://worldhappiness.report [4]. منبع داده: https://databank.worldbank.org/source/world-development-indicators [5]. منبع داده: https://worlduncertaintyindex.com/data/ [6]. منبع داده: ICRG که توسط Political Risk Services (PRS) Group منتشر می شود. [7]. منبع داده های NET و UN: https://databank.worldbank.org/source/world-development-indicators [8]. منبع داده: Syropoulos et al. (2022) [9]. منبع داده: World Health Organization (WHO) [10] . Pesaran & Shin .[11] برای جزئیات به پسران و پسران (1997) مراجعه شود. [12]. Akaike Information Criterion [13]. Schwarz Bayesian Criterion [14]. Hannan-Quinn Criterion [15]. Error Correction Model (ECM) .[16] نتایج مربوط به انتخاب وقفه های بهینه، آزمون های ایستایی، آزمون های تشخیصی، و آزمون کرانه برای همجمعی در مقاله اصلی ارائه شده است. .[17] نتایج برآورد الگوهای کوتاه مدت و تصحیح خطا در پیوست مقاله اصلی ارائه شده است. [18]. Tay et al. [19]. Flavin [20]. Li and An [21]. Yan and Wen [22]. Behera et al. [23]. Frey and Stutzer [24]. Yan and Wen [25]. Clark & Oswald [26]. Blanchflower [27]. Agan et al. [28]. Abounoori & Asgarizadeh [29]. Sameem & Buryi [30]. Li and AnThe Effect of Corruption, Uncertainty, the Internet, and COVID−19 on Happiness: a Case Study on Iran
One of governments' key responsibilities is to enhance their citizens' and nations' life satisfaction, subjective well−being, or happiness. Recent advancements in the literature have viewed happiness as a collective right for citizens, thereby emphasizing the societal well−being that governments must ensure for every member of society. Furthermore, some argue that happiness is a national issue and that efforts should be made to ensure the happiness of the general public (Lee, 2022).
In addition to critical economic variables such as unemployment and economic growth, other factors such as corruption control, which is one of the institutional indicators and an essential component of good governance, can significantly impact the subjective well−being of society. Corruption has a psychological effect on happiness. People may feel shame when they feel that their actions cannot go through a legal and accountable system, for example, if someone receives a bribe (Li & An, 2020). This understanding can foster empathy and a deeper comprehension of the issue.
Another significant determinant is economic and political uncertainty, which can impact societal happiness in various manners. Uncertainty exerts a detrimental impact on investment, economic expansion, public confidence, and the aspiration for a more promising future. It can directly and indirectly shape individuals' and society's subjective well−being or happiness.
The impact of Internet access on happiness in Iran is a complex issue that warrants further investigation. Internet access can enhance happiness in a country like Iran by improving life satisfaction. However, it is essential to note that it may also lead to frustration and disappointment, especially during harsh economic and non−economic sanctions, when people compare their living standards with those of other nations, negatively impacting their subjective well−being.
This research contributes to the existing literature on happiness in Iran by examining the effect of corruption as an essential indicator of institutional quality, economic and political uncertainty, access to the Internet, the COVID−19 crisis, and sanctions on subjective well−being in Iran. In addition, we include other control variables such as economic growth and unemployment.
Method
To investigate the main determinants of happiness in Iran, we propose estimating the following model:
, (1)
Equation (1) demonstrates that happiness (HAP)[1] is influenced by several factors, including LGDPP (logarithm of real gross domestic product per capita),[2] WUI (world uncertainty for Iran),[3] COR (corruption),[4] NET (internet access),[5] UN (unemployment rate),[6] SAN (US sanctions against Iran),[7] and COVID19 (the COVID−19 crisis).[8]
The model is estimated using the autoregressive distributed lag method (ARDL). Pesaran and Shin (1995) show that if the cointegration vector is obtained using the ARDL method, the least squares estimator is less biased and more efficient in small samples, provided the lags are specified correctly. Using the ARDL method also has the advantage of obtaining a consistent estimation of coefficients in the long−run model when our variables are integrated of order zero or one (i.e., I(0) or I(1)).[9] This method also allows us to specify the speed at which the deviation from equilibrium is corrected in each period. We consider the following ARDL(p,q1,q2,...,qk) model:[10]
, (2)
where and s are parameters, represents the random disturbance term. By using information criteria such as Akaike Information Criterion (AIC), Schwarz Bayesian Criterion (SBC), and Hannan−Quinn Criterion (HQC), it is necessary to select appropriate lags (p and q) for the variables to estimate the short−run model. After choosing the appropriate ARDL model, the coefficients of the long−term model can be calculated. If there is a long−run equilibrium relationship among the variables, the following Error Correction Model (ECM) can be estimated:
A(L)ΔHAPt =B(L)ΔXt + (1−Π) ECTt−1+G 'Zt + et. (3)
In which, A(L)= 1−a1L −a2L2 −.... −apLp
and B(L)= 1 − bk1L − bk2L2 − .... − bkj (k=1,...,5), Π =(a1 +a2+ .... +ap)
Where L is the polynomial lag operator, G is the vector of parameters, and et is the disturbance term. In this equation, X=( ), and Δ represents the first−order difference of the variable, ECTt−1 is the error correction term, and Zt is the vector of deterministic variables such as constant value and exogenous variables with fixed lags like COVID−19 and SAN. The coefficient of the error correction term captures the speed of adjustment toward long−term equilibrium. The model was estimated for quarterly data from 2005Q1 to 2022Q4, and the bound test was used to check the cointegration among the variables.
Results
Before estimating the model, we performed various unit root tests. The results rejected the null hypothesis of unit roots for the second difference of the variables, indicating the variables are integrated of order zero or one. Since we have a combination of I(0) and I(1) variables, we conducted the bound test for cointegration. The results confirm the presence of a long−run equilibrium relationship among variables. Moreover, we used the Akaike Information Criterion to choose the optimum lags for the short−run model.[11]
Furthermore, the Breusch−Godfrey serial correlation LM and the heteroskedasticity Harvey tests did not reject the null hypotheses of no serial correlation and homoskedasticity. The detailed results of these tests are presented in Table 1.
Table 1. The serial correlation and heteroskedasticity tests
(A) Breusch−Godfrey Serial Correlation LM Test− Null hypothesis: No serial correlation
F−statistic
1.787593
Prob. F(3,34)
0.1681
Obs R−squared
8.719348
Prob. Chi−Square(3)
0.0333
(B) Heteroskedasticity Test: Harvey− Null hypothesis: Homoskedasticity
F−statistic
1.221176
Prob. F(26,37)
0.2838
Obs R−squared
29.55665
Prob. Chi−Square(26)
0.2864
Scaled explained SS
20.99953
Prob. Chi−Square(26)
0.7420
Source: Authors' calculation
We have estimated three models: (1) a short−run model, (2) a long−run model, and (3) an error correction model (ECM). The estimation of the long−run model reported in Table 2 indicates that less corruption and higher access to the internet increase happiness. Moreover, world uncertainty and higher unemployment reduce subjective well−being. Our finding shows that economic growth is anti−happiness, a phenomenon potentially stemming from the unequal income distribution within the country. The short−run estimation indicates that sanctions and COVID−19 decrease happiness. Our error correction model shows that about 89 percent of errors towards equilibrium are corrected in each period.[12] Our results underscore the role of fighting corruption, reducing uncertainty, and improving income equality in increasing subjective well−being in Iran.
Table 2. The estimation of the long−run model. Happiness is the dependent variable
Prob
t−Stat
Standard Error
Coefficeint
Variable
0.0000
−6.456561
0.733549
−4.736207
LGDPP
0.0223
−2.384912
0.023537
−0.056133
UN
0.0000
−4.721460
0.493086
−2.328085
WUI
0.0006
3.744307
0.003161
0.011836
NET
0.0000
5.985792
0.128301
0.767983
COR
0.0000
7.228763
6.870018
49.66173
C
Source: Authors' estimation
We examined the structural stability of the coefficients using two tests: the cumulative sum (CUSUM) and the cumulative sum of squares (CUSUMSQ). The first test checks for a systematic change in the estimated coefficients, while the second test investigates sudden and random departures from the constancy of the parameters. Figures 1 and 2 show the results of these tests, respectively. The regression equation is specified correctly if the CUSUM and CUSUMSQ lines do not cross the straight lines drawn at a 5% significance level. Our findings indicate that the model does not exhibit any structural instability.
Figure 1. Stability test: CUSUM (cumulative sum)
Source: Authors' calculation
Note: The figure exhibits a pair of straight lines drawn at a 5% significance level.
CUSUM does not cross the straight lines
Figure 2. Stability test: CUSUMSQ (cumulative sum of squares)
Source: Authors' calculation
Note: The figure exhibits a pair of straight lines drawn at a 5% significance level.
CUSUMSQ does not cross the straight lines
Discussion and Conclusions
The estimation results show that reducing corruption increases happiness in Iran. This result is similar to the findings of Tayet al. (2014), Flavin (2019), Li and An (2020), Yan and Wen (2020), and Behera et al. (2024). Corruption can increase business transaction costs, destroy political trust, and reduce subjective well−being. Another finding indicates that the increase in world economic and political uncertainty for Iran negatively impacts happiness. This adverse effect is likely due to the psychological impact, which diminishes hope for a better future, and the negative implications on investment, employment, and economic conditions. Access to the Internet has been observed to contribute to increased well−being in countries such as Iran, which face severe economic and non−economic sanctions. This access not only enhances the comfort of individuals but also provides them with a valuable source of information.
In addition, the result shows that economic growth in Iran is anti−happiness, possibly due to the unequal distribution of growth among Iranians. Easterlin (1974) proposed the uncertainty about the relationship between income and happiness. According to some empirical evidence, an increase in income under certain conditions may not increase happiness. Frey and Stutzer (2002) consider this relationship to be complex. Yan and Wen (2020) also emphasize that corruption and increasing the income gap are crucial factors that reduce happiness.
Furthermore, the rise in unemployment leads to a decline in happiness in Iran. This finding is similar to the results of Clark and Oswald (1994), Blanchflower (2007), Agan et al. (2009), Abounoori and Asgarizadeh (2013), and Sameem and Buryi (2019). The effect of unemployment on subjective well−being is important, so Li and An (2020) show that reducing unemployment can even partially compensate for the reduction of happiness caused by corruption. This underscores the urgency of addressing unemployment to improve well−being in Iran.
The analysis of the short−term model indicates that the Covid−19 pandemic and sanctions have led to a decrease in happiness. It is imperative to not only consider the impact of variables such as employment and economic growth, but also to underscore the significance of combating corruption, enhancing society's access to the Internet, and reducing economic and political uncertainty to boost subjective well−being in Iran. These findings carry significant implications for policymakers endeavoring to enhance happiness.
Key words: Happiness, Corruption, World uncertainty, Internet, Sanctions, COVID−19, Iran.
Classification JEL: C22, E24, I31.
References
Abounoori, E., & Asgarizadeh, D. (2013). Macroeconomic factors affecting happiness. International Journal of Business and Development Studies, 5(1). 5−
Agan, Y., Sevinc, E., & Orhan, M. (2009). Impact of main macroeconomic indicators on happiness. European Journal of Economic and Political Studies, 2(2), 13−
Behera, D. K., Rahut, D. B., Padmaja, M., & Dash, A. K. (2024). Socioeconomic Determinants of Happiness: Empirical Evidence from Developed and Developing Countries. Journal of Behavioral and Experimental Economics, 109, 102187.
Blanchflower, D. G. (2007), Is Unemployment more Costly than Inflation?, Working Paper, No. 13505, National Bureau of Economic Research.
Clark, A. & Oswald, A. (1994). "Unhappiness and Unemployment." Economic Journal, 104 (424): 648−
Easterlin, R. A. (1974) ). Does economic growth improve the human lot? Some empirical evidence. In David, P. A. and Reder, M. W. (Eds.), Nations and Households in Economic Growth, Academic Press. https://doi.org/10.1016/B978−0−12−205050−50008−7.
Flavin, P. (2019). State government public goods spending and citizens' quality of life. Social science research, 78, 28−
Frey, B. S. & Stutzer, A. (2002). Happiness and Economics. Princeton and Oxford: Princeton University Pres.
Ghorbani Dastgerdi, H., Yusof, Z. B., & Shahbaz, M. (2018). Nexus between economic sanctions and inflation: a case study in Iran. Applied Economics, 50(49), 5316−
Lee, S. J. (2022). Public Happiness, Springer Cham, Switzerland AG. https://doi.org/10.1007/ 978−3 −030−89643−
Li, Q., & An, L. (2020). Corruption Takes Away Happiness: Evidence from a Cross−National Study. Journal of Happiness Studies, 21(2), 485–504.
Pesaran, M.H. & Shin, Y., (1995). "An Autoregressive Distributed Lag Modelling Approach to Cointegration Analysis," Cambridge Working Papers in Economics9514, Faculty of Economics, University of Cambridge.
Pesaran, M. Hashem and Pesaran, Bahram. (1997) Working With Microfit 4.0: Interactive Econometric Analysis (Oxford: Oxford University Press)
Pesaran, M.H., Shin, Y., & Smith, R. J. (2001). “Bounds Testing Approaches to the Analysis of Level Relationship,” Journal of Applied Econometrics, 16(3), 289–326. https://doi.org/10.1002/jae.616.
Sameem, S., & Buryi, P. (2019). Impact of unemployment on happiness in the United States. Applied Economics Letters, 26(12), 1049–1052.
Syropoulos, C., G. Felbermayr, A. Kirilakha, E. Yalcin, Erdal, and Y.V. Yotov, (2022). The Global Sanctions Data Base −Release 3: COVID−19, Russia, and Multilateral Sanctions, School of Economics Working Paper Series 2022−11, LeBow College of Business, Drexel University.
Tay, L., Herian, M. N., & Diener, E. (2014). Detrimental effects of corruption and subjective well−being: Whether, how, and when. Social Psychological and Personality Science, 5(7), 751–759.
Yan, B., & Wen, B. (2020). Income inequality, corruption, and subjective well−being. Applied Economics, 52(12), 1311−1326.
[1]. Data source: The World Happiness Report (2024). (https://worldhappiness.report).
[2] . Data source: https://databank.worldbank.org/source/world-development-indicators
[3]. Data source: https://worlduncertaintyindex.com/data/
[4]. It captures the corruption within the political system. Source: ICRG published by the Political Risk Services (PRS) Group.
[5] . Data source: https://databank.worldbank.org/source/world-development-indicators
[6] . Data source: https://databank.worldbank.org/source/world-development-indicators
[7] . Data source: Syropoulos et al. (2022).
[8] . Data source: World Health Organization (WHO).
[9]. We must ensure that no time series in our model is integrated of order two or higher.
[10] .For details see Pesaran and Pesaran (1997)
[11]. We refer the readers to the main manuscript for the results of unit root tests, diagnostic tests, the bound test for cointegration, and model stability tests.
[12]. We refer readers to the main manuscript for the estimation results of the short-run and error correction models. These results can also be obtained by contacting the corresponding author.
تبلیغات
