Emisiones de CO2 (Dióxido de Carbono) en España

Economía y Empresa. Medio ambiente. Ecología. Contaminación. Contaminantes. Dióxido de carbono. Atmósfera. Capa de ozono. Calentamiento global. Crecimiento económico. Vehículos. Factores energéticos. Efecto invernadero. Protocolo de Kyoto

  • Enviado por: Roberto Garcia
  • Idioma: castellano
  • País: España España
  • 33 páginas
publicidad
publicidad

ANALISIS DE LA EVOLUCION DE LAS EMISIONES DE CO2 EN ESPAÑA (1990-2006)

Roberto García Pernas

Pablo García Sánchez

Marcos Tomé Pernas

José Alberto Tabernero Reboredo

Econometría Aplicada

5º de Economía

Departamento de Economía Aplicada I

RESUMEN

Pocas dudas existen de que el CO2 es una de las claves de mayor relevancia del actual calentamiento global y su consecuente deterioro medioambiental. El objetivo del presente trabajo es un estudio de las emisiones de CO2 para el estado español durante el periodo 1990-2006. Plantearemos un modelo econométrico centrándonos en la influencia de variables como la población, el crecimiento económico, el stock de vehículos, factores energéticos etc. Los resultados obtenidos nos obligaron a omitir algunas de las variables inicialmente planteadas y a incluir otras nuevas, pero el resultado final fue altamente satisfactorio.

PALABRAS CLAVE: Emisiones de CO2, intensidad energética, crecimiento económico, stock de vehículos, factores energéticos, población, efecto invernadero, protocolo de Kyoto.

INDICE

  • INTRODUCCION………………………………………………. 4

  • OBTENCION DE LOS DATOS Y PLANTEAMIENTO

  • DEL MODELO

    2.1. PLANTEAMIENTO INICIAL……………………………….8

    2.2. DESARROLLO Y TRANSFORMACION DEL MODELO..14

    2.3 PLANTEAMIENTO DEFINITIVO………………………….20

  • ANALISIS ECONOMETRICO

  • 3.1 Estructura parametrica estable……………….23

    3.2 AnAlisis de incorrelacion…………………………24

    3.3 Analisis de homocedasticidad…………………...27

    3.4 Analisis de normalidad…………………………….28

    3.5 ANALISIS DE LA CAPACIDAD PREDICTIVA…………...29

  • CONCLUSIONES……………………………………………….32

  • BILIOGRAFIA…………………………………………………...33

  • ANEXO…………………………………………………………..34

  • Introducción

  • Los resultados de los estudios climatológicos de los últimos años dirigen a los expertos a un elevado grado de consenso sobre la existencia de un calentamiento progresivo de la superficie terrestre provocado por las concentraciones atmosféricas de efecto invernadero.

    Podemos definir el efecto invernadero como un proceso natural provocado por la existencia de gases en la atmosfera que actúan permitiendo el paso de la radiación solar hacia la Tierra, pero reteniendo parte de la radiación solar reflejada por la superficie terrestre y suavizando las temperaturas permitiendo la vida sobre el planeta.

    El problema que se plantea en la actualidad es la posible existencia de un efecto invernadero intensificado por la emisión de gases invernadero a la atmosfera provocadas por las actividades humanas (antropógenas).

    Existen 6 gases considerados con efecto directo sobre el calentamiento atmosférico: dióxido de carbono (CO2), metano (CH4), óxido nitroso (N2O), hidrofluorocarburos (HFC), perfluorocarburos(PFC), y hexafluoruro de azufre (SF6). Adicionalmente, existen otros tres gases con efecto indirecto sobre el calentamiento de la atmósfera: óxidos de nitrógeno (NOx), monóxido de carbono (CO), compuestos orgánicos volátiles no metánicos (COVNM), así como de los óxidos de azufre (SOx). Nosotros nos centramos en el dióxido de carbono (CO2), considerado responsable del 60% de las emisiones de gases con efecto invernadero.

    Existen numerosos estudios que niegan que las actuales inestabilidades del planeta y sus desequilibrios climáticos sean consecuencia de la actividad del hombre y su emisión de gases de efecto invernadero (causas antropógenas). Afirman que los actuales desequilibrios son generados por factores intrínsecos al clima, y que no dependería tanto del CO2 y sí del sol y su poder calorífico. Son sin embargo, mucho más numerosos los ensayos y estudios que acreditan que el actual cambio climático se deba a la mano del hombre y su método de producción. Niegan la teoría de la mano invisible del sistema del bienestar, siendo el deterioro ambiental un ejemplo de externalidad negativa que justifica la acción gubernamental, con la particularidad de que la dimensión del calentamiento global es mundial y todos pueden verse afectados por sus consecuencias lo que lo convierte en un problema global que hace imprescindible la colaboración a escala mundial.

    Hace casi 20 años que se realizaron los primeros estudios técnicos (assessment) sobre el cambio climático, realizados a través de IPCC (Intergovernmental Panel on Climate Change), que representa la primera idea de unidad intergubernamental preocupada por el calentamiento planetario. Hasta la actualidad ya llevan cuatro estudios, cuyos resultados y conclusiones han propiciado la creación de diferentes instituciones, grupos de estudio, reuniones y cumbres, entre las que destaca la Convención de Rio de Janeiro en 1992, donde se aprueba el Convenio Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC), tratado que fue ratificado por más de 170 países y entró en vigor en 1994. El objetivo último de la Convención se centraba en “lograr la estabilización de las concentraciones de gases de efecto invernadero en la atmósfera a un nivel que impida interferencias antropógenas peligrosas en el sistema climático” (Artículo 2). Todas las Partes se comprometieron a elaborar y publicar inventarios nacionales de emisiones antropógenas de gases de invernadero y a elaborar programas nacionales en los que se detallasen las medidas que se iban a adoptar para controlar las emisiones. En dicho tratado se reconoce que las distintas Partes tienen responsabilidades comunes pero diferenciadas en función de sus diferentes niveles de desarrollo por lo que, aunque existe un compromiso global de controlar las emisiones. Tan sólo se establecieron objetivos precisos para las emisiones de los países desarrollados y economías en transición. En 2002 se produjo la Convención de Johannesburgo, con la intención de hacer un escrutinio de los patrones de producción aceptar la necesidad de cambio de fuentes alternativas de energía y la futura escasez de agua.

    Existen numerosos acuerdos mundiales centrados en la emisión de gases de efecto invernaderos, pero todos tienen el problema de no ser de carácter coactivo. El consenso necesario para su adopción es extremadamente difícil de obtener, puesto que en él se integran cuestiones relacionadas con la distribución del bienestar y con el crecimiento económico.

    El Protocolo de Kioto, aprobado en diciembre de 1997 en la tercera Conferencia de las Partes, es el acto medioambiental oficial más importante hasta el momento, con unos resultados que denotan un cambio de actitud de los países. Supuso la adopción de compromisos obligatorios de reducción de emisiones de gases de efecto invernadero por parte de los países desarrollados y economías en transición.

    La Unión Europea se comprometió a reducir en un porcentaje aproximado de un 5%, dentro del periodo que va desde el año 2008 al 2012, en comparación a las emisiones al año 1990. Es preciso señalar que es un porcentaje a nivel global y, por el contrario, cada país obligado por Kioto tiene sus propios porcentajes de emisión que debe disminuir en función de diversas variables económicas y medioambientales según el principio de “reparto de la carga”. Además del cumplimiento que estos países hicieron en cuanto a la emisión de gases de efecto invernadero se promovió también la generación de un desarrollo sostenible, de tal forma que se utilice también energías no convencionales y así disminuya el calentamiento global. Hasta el momento, las estrategias desarrolladas a diferentes niveles de gobierno se han centrado prioritariamente en paliar los principales elementos causantes de esta externalidad medioambiental y que han venido asociados a las pautas de comportamiento de sectores como la energía, la industria y el transporte.

    La realidad es que un acuerdo general sobre este tema parece complicado debido a la controversia existente entre crecimiento económico y medioambiente, como bien demuestra la curva de Kuznets ambiental (Panayou, 1995) que, a grosso modo, representa la relación entre las emisiones y el crecimiento económico.

    Indicador

    de presión

    ambiental

    Renta per capita

    Observamos como en un primer estadio, el crecimiento económico tiene efectos ambientales negativos pero, a partir de un nivel crítico de renta per cápita, la situación ambiental mejora a medida que se dan ulteriores aumentos de la renta per cápita, aunque los resultados empíricos son parciales.

    Para el caso español se muestra que, en general, la hipótesis no se ve en absoluto apoyada por la evidencia empírica. Esta nos muestra que el crecimiento económico, por sí mismo, no conlleva la disminución de la contaminación, como sugiere la hipótesis, sino que más bien pasa lo contrario, al menos cuando no se actúa con las políticas adecuadas para evitarlo o sucedan importantes mejoras tecnológicas en el proceso de producción que permitan producir lo mismo pero consumiendo menos recursos o sustituyendo estos recursos por otros menos contaminantes. Esto resulta especialmente evidente para los gases de efecto invernadero, para los cuales se produce un fuerte contraste entre la evolución efectiva y los compromisos adquiridos por España a nivel internacional -que, se comprometió a aumentar sus emisiones un máximo del 15% en relación al año base 1990- se ha convertido en el país miembro que menos posibilidades tiene de cumplir lo pactado.

    2. Obtención de datos y planteamiento del modelo.

    2.1 Planteamiento inicial.

    El objetivo del presente trabajo es la obtención de un modelo econométrico que explique cuales son los determinantes fundamentales de las emisiones de CO2 en los países industrializados. Centraremos nuestro análisis en el territorio español para el periodo comprendido entre 1990 y 2006. Casi todos los autores coinciden en que las emisiones contaminantes son el resultado de factores muy diversos como la población, el crecimiento económico, la eficiencia energética etc. (EEA, 2004; Shi, 2003; Velthuijsen y Worrel, 2002, Bruvoll y Medin 2003; Glez Rabanal y Garcia-Ines). Nosotros intentaremos introducir variables que consideremos representativas de cada factor causal de las emisiones de CO2.

    Las fuentes principales de datos fueron las bases estadísticas de Eurostat y la OCDE. Ante la dificultad de encontrar datos trimestrales para todas las variables y su improbable estacionalidad decidimos utilizar datos anuales. A pesar de tener muestras pequeñas el resultado final del modelo será altamente satisfactorio.

    El modelo inicial lo planteamos con cinco variables: una variable endógena (emisiones de CO2) y cuatro explicativas (PIB, población, stock de vehículos e intensidad energética). De este modo establecemos un modelo uniecuacional como el siguiente:

    co2t = β0 + β1.pibt + β2.pobt + β3.chst + β4.intt + εt

    Siendo:

    co2t: emisiones de CO2 en España en el periodo t.

    pibt: producto interior bruto en España en el periodo t.

    pobt: población en España en el periodo t.

    chst: stock de vehículos en España en el periodo t.

    intt: intensidad energética en España en el periodo t.

    εt: perturbación aleatoria.

    Variable endógena:

    • co2: emisiones anuales de dióxido de carbono, medido en kilotoneladas, para el territorio español. Los datos fueron obtenidos de la página web del Ministerio de Medio Ambiente (Banco Público de Indicadores Ambientales)

    Año

    Kt eq CO2

    Año

    Kt eq CO2

    1990

    228.508

    1999

    296.362

    1991

    235.363

    2000

    307.742

    1992

    242.364

    2001

    311.631

    1993

    233.115

    2002

    330.639

    1994

    244.856

    2003

    334.657

    1995

    255.601

    2004

    351.950

    1996

    243.004

    2005

    368.263

    1997

    262.663

    2006

    359.627

    1998

    270.774

    Las emisiones de dióxido de carbono en España aumentaron entre 1990 y 2005 un 61,97%, pasando de 228,56 millones de toneladas en 1990 (año base) a 370,2 millones de toneladas en 2005, representando el 83,7% de las emisiones brutas de gases de efecto invernadero en España. A través de bibliografía consultada pudimos concluir que la producción de electricidad representó el 28% de las emisiones de CO2 y el transporte por carretera el 25,5%.

    Variables exógenas:

    • pib: Producto Interior Bruto (millones de euros) a precios constantes (2000 año base). Los datos fueron obtenidos de la base estadística de la OCDE.

    Año

    PIB (mll €)

    Año

    PIB (mll €)

    1990

    478.270,70

    1999

    599.965,80

    1991

    490.447,50

    2000

    630.263,00

    1992

    495.004,80

    2001

    653.255,00

    1993

    489.898,90

    2002

    670.920,40

    1994

    501.574,10

    2003

    691.694,70

    1995

    515.405,00

    2004

    714.291,20

    1996

    527.862,40

    2005

    740.108,00

    1997

    548.283,80

    2006

    768.890,10

    1998

    572.782,00

    Podemos observar claramente como el crecimiento económico para España ha sido positivo excepto para el año 93 debido a la crisis europea de origen cambiaria. Para el periodo analizado el PIB aumenta un 62%, observando una evolución semejante al del CO2, dándonos muestra de la gran relación existente entre ambas variables.

    • pob: Población (miles de habitantes) en datos anuales. Los datos fueron obtenidos de EUROSTAT.

    Año

    Pob (miles)

    Año

    Pob (miles)

    1990

    38.826,297

    1999

    39.802,827

    1991

    38.874,573

    2000

    40.049,708

    1992

    39.003,524

    2001

    40.476,723

    1993

    39.131,966

    2002

    40.964,244

    1994

    39.246,833

    2003

    41.663,702

    1995

    39.343,100

    2004

    42.345,342

    1996

    39.430,933

    2005

    43.038,035

    1997

    39.525,438

    2006

    43.758,250

    1998

    39.639,388


    Se observa un importante crecimiento poblacional para el periodo estudiado, sobre todo a partir del año 2000. Es de suponer que una mayor población necesitará de mayores recursos, cuya producción y consumo repercutirá en mayores niveles de contaminación.

    • chs: stock de vehículos a motor (miles de unidades) en datos anuales. Los datos fueron obtenidos de la base estadística de Eurostat. No hacemos distinción de ningún tipo de vehículo a motor.

    Año

    Vehíc (miles)

    Año

    Vehíc (miles)

    1990

    16.296,00

    1999

    21.007,00

    1991

    17.168,20

    2000

    21.838,50

    1992

    16.101,00

    2001

    22.769,90

    1993

    17.131,10

    2002

    23.551,00

    1994

    16.931,00

    2003

    23.655,30

    1995

    17.545,00

    2004

    24.820,30

    1996

    18.234,00

    2005

    25.851,40

    1997

    18.960,10

    2006

    26.615,90

    1998

    19.945,30

    A nivel teórico se considera a los vehículos de transporte como uno de los mayores condicionantes del nivel de CO2 debido a la cantidad de residuos fósiles que necesitan. Para el periodo analizado el stock de vehículos aumenta un 63,32% hasta alcanzar más de 26 millones en 2006.

    • int: intensidad energética en datos anuales obtenidos de Eurostat. Se trata de una variable que nos indica el grado de eficiencia energética y se define como el consumo de energía final por unidad de PNN. El dato para 1990 no estaba disponible por lo que el número de observaciones se reduce finalmente a 16

    Año

    Int.

    Año

    Int.

    1990

    1999

    227,01

    1991

    221,43

    2000

    221,51

    1992

    221,71

    2001

    219,99

    1993

    215,16

    2002

    220,13

    1994

    223,30

    2003

    220,86

    1995

    228,71

    2004

    223,63

    1996

    220,25

    2005

    220,57

    1997

    222,71

    2006

    211,33

    1998

    223,59

    Las diferencias en la intensidad energética pueden explicarse principalmente por dos situaciones: por las diferencias en la eficiencia en el uso de la energía (al utilizar diferentes cantidades de energía para obtener la misma producción) o bien porque la actividad económica se asienta sobre sectores más o menos intensivos en el uso de energía. El grado de agregación de los datos que estamos utilizando no nos permite analizar con detalle cual de las dos es la causa de la variación en la intensidad energética.

    2.2 Desarrollo y transformación del modelo.

    Procedemos a realizar las estimaciones por MCO a partir de las variables anteriormente descritas:

    Prueba 1:

    CO2 = C(1) + C(2)*PIB + C(3)*POB + C(4)*CHS + C(5)*INT

    Dependent Variable: CO2

    Method: Least Squares

    Date: 11/19/08 Time: 18:23

    Sample (adjusted): 1991 2006

    Included observations: 16 after adjustments

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -347316.8

    180006.6

    -1.929466

    0.0799

    PIB

    0.505403

    0.202103

    2.500713

    0.0295

    POB

    0.001809

    0.003654

    0.495061

    0.6303

    CHS

    -0.000643

    0.004957

    -0.129748

    0.8991

    INT

    1240.295

    430.2725

    2.882580

    0.0149

    R-squared

    0.989516

        Mean dependent var

    290538.2

    Adjusted R-squared

    0.985704

        S.D. dependent var

    47827.64

    S.E. of regresión

    5718.585

        Akaike info criterion

    20.39114

    Sum squared resid

    3.60E+08

        Schwarz criterion

    20.63257

    Log likelihood

    -158.1291

        F-statistic

    259.5583

    Durbin-Watson stat

    1.817171

        Prob(F-statistic)

    0.000000

    Atendiendo a esta primera salida de eViews podemos observar que el coeficiente de determinación nos da un valor elevado (0.989516), lo que nos indica que se trata de un buen ajuste. Sin embargo a la hora de analizar las variables observamos que ni la población ni el stock de automóviles se muestran individualmente relevantes al 5% de significación. Los parámetros sí se muestran relevantes conjuntamente, pero esto es debido a que al menos uno de los parámetros se muestra relevante individualmente.

    Los signos de los parámetros concuerdan con la teoría económica excepto el stock de automóviles (CHS) que muestra una relación inversa con la variable endógena (CO2), algo que no sigue la relación lógica esperada.

    Intentamos solucionarlo mediante la omisión de la variable POB, porque sospechamos que la información que nos muestra esta variable podría estar contenida en el resto de explicativas, ya que la población es consumidora de energía, usuaria de automóviles, etc.

    Los efectos de los cambios efectuados en el modelo los podemos observar en la siguiente prueba.

    Prueba 2

    Omitida la variable POB del modelo inicial, la ecuación resultante es la siguiente:

    CO2 = C(1) + C(2)*PIB + C(3)*CHS + C(4)*INT

    Dependent Variable: CO2

    Method: Least Squares

    Date: 11/19/08 Time: 18:24

    Sample (adjusted): 1991 2006

    Included observations: 16 after adjustments

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -269985.7

    86596.17

    -3.117756

    0.0089

    PIB

    0.560220

    0.163667

    3.422924

    0.0051

    CHS

    -0.001444

    0.004536

    -0.318395

    0.7557

    INT

    1147.397

    374.8210

    3.061187

    0.0099

    R-squared

    0.989283

        Mean dependent var

    290538.2

    Adjusted R-squared

    0.986603

        S.D. dependent var

    47827.64

    S.E. of regression

    5535.787

        Akaike info criterion

    20.28817

    Sum squared resid

    3.68E+08

        Schwarz criterion

    20.48132

    Log likelihood

    -158.3054

        F-statistic

    369.2238

    Durbin-Watson stat

    1.864484

        Prob(F-statistic)

    0.000000

    Lo primero que se aprecia en esta 2ª prueba es que al eliminar la variable irrelevante POB del modelo observamos que el (coeficiente de determinación ajustado, que es el utilizado para comparar la bondad de ajuste entre modelos con un numero diferente de variables explicativas) aumenta ligeramente pasando de 0.985704 a 0.986603.

    Como era de esperar, la variable CHS continúa mostrándose irrelevante y con signo incoherente. Sospechamos la existencia de un elevado grado de correlación entre las variable explicativas. Para comprobarlo representamos la matriz de los coeficientes de correlación.

     

    PIB

    CHS

    INT

    PIB

    1.000.000

    0.995877

    -0.336977

    CHS

    0.995877

    1.000.000

    -0.338430

    INT

    -0.336977

    -0.338430

    1.000.000

    Podemos verificar la fuerte relación existente entre el PIB y el stock de automóviles (CHS). El hecho de que el coeficiente de correlación lineal simple este próximo a la unidad nos indica un elevado grado de colinealidad. Optamos por eliminar dicha variable ya que la información que nos proporciona la variable CHS suponemos que está contenida en la variable PIB.

    Continuando en nuestra investigación sobre los factores que repercuten en el CO2, observamos que gran parte de trabajos (Cancelo y Díaz, 2002) sobre el tema incluyen una variable tecnológica o de eficiencia energética en términos de CO2. Decidimos introducir la variable ENG.

    • eng: es un ratio calculado como la relación entre las emisiones de CO2 y el consumo de energía. Considerando el resto de los factores constante, recogería la combinación de combustibles utilizada para proporcionar la misma cantidad de energía. Este dato es relevante si tenemos en cuenta que para producir la misma cantidad de energía el petróleo libera 1,5 veces la cantidad de CO2 emitida por el gas natural, y el carbón unas 2 veces más que el gas natural.

    El ratio ENG no se encuentra explícitamente en ninguna base estadística consultada, por lo que procedimos a su cálculo manual. Los datos necesarios han sido obtenidos de la página de Eurostat. El consumo de energía se mide en miles de toneladas de petróleo.

    Año

    Kt eq CO2

    CONS.eng

    ENG

    1990

    228.508

    89.717,00

    2,54698664

    1991

    235.363

    94.688,00

    2,48566872

    1992

    242.364

    95.476,00

    2,53848087

    1993

    233.115

    92.015,00

    2,53344563

    1994

    244.856

    97.805,00

    2,50351209

    1995

    255.601

    102.949,00

    2,48279245

    1996

    243.004

    101.333,00

    2,39807368

    1997

    262.663

    106.613,00

    2,46370518

    1998

    270.774

    112.642,00

    2,40384581

    1999

    296.362

    118.405,00

    2,50295173

    2000

    307.742

    123.652,00

    2,48877495

    2001

    311.631

    127.283,00

    2,44833167

    2002

    330.639

    130.808,00

    2,5276665

    2003

    334.657

    135.308,00

    2,47329796

    2004

    351.950

    141.480,00

    2,48763076

    2005

    368.263

    144.588,00

    2,54698177

    2006

    359.627

    143.881,00

    2,49947526

    El cociente emisiones de CO2 respecto al consumo interior bruto de energía muestra una evolución muy irregular. El cociente pasa de 2.54 toneladas métricas emitidas por cada tep (tonelada equivalente de petróleo) consumida a 2.49 en el año 2006, aunque la tendencia es creciente desde 1998.

    Prueba 3

    Decidimos a tenor de lo explicado anteriormente la supresión de la variable CHS y la inclusión de la variable ENG

    CO2 = C(1) + C (2)*PIB + C(3)*ENG + C(4)*INT

    Dependent Variable: CO2

    Method: Least Squares

    Date: 11/19/08 Time: 18:59

    Sample (adjusted): 1991 2006

    Included observations: 16 after adjustments

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -580681.5

    43402.86

    -13.37888

    0.0000

    PIB

    0.504048

    0.005345

    94.29645

    0.0000

    ENG

    110835.2

    11428.25

    9.698354

    0.0000

    INT

    1322.951

    127.7711

    10.35407

    0.0000

    R-squared

    0.998777

        Mean dependent var

    290538.2

    Adjusted R-squared

    0.998471

        S.D. dependent var

    47827.64

    S.E. of regresión

    1869.928

        Akaike info criterion

    18.11751

    Sum squared resid

    41959567

        Schwarz criterion

    18.31065

    Log likelihood

    -140.9400

        F-statistic

    3266.983

    Durbin-Watson stat

    2.231901

        Prob(F-statistic)

    0.000000


    En esta prueba los signos son coherentes desde el punto de vista económico y todas las variables se muestran individualmente relevantes, ya que las probabilidades asociadas a los estadísticos de prueba son menores que 0'05 (son prácticamente nulas, serán relevantes a cualquier nivel de significación).

    Además el coeficiente de determinación ajustado mejora alcanzando un valor muy bueno (0.998471). Si atendemos al valor del coeficiente de determinación observamos que este último ajuste explica un 99.8777% de las variaciones del regresando.

    2.3 Planteamiento definitivo.

    Procedemos a la especificación definitiva del modelo. Planteamos un modelo doble logarítmico pues nos interesa conocer las elasticidades de las variables explicativas y la dependiente.

    Prueba 4:

    LNCO2 = C(1) + C(2)*LNPIB + C(3)*LNENG + C(4)*LNINT

    Dependent Variable: LNCO2

    Method: Least Squares

    Date: 11/19/08 Time: 19:04

    Sample (adjusted): 1991 2006

    Included observations: 16 after adjustments

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -7.354608

    0.388611

    -18.92535

    0.0000

    LNPIB

    1.042417

    0.007208

    144.6209

    0.0000

    LNENG

    0.971240

    0.063419

    15.31457

    0.0000

    LNINT

    0.959164

    0.062614

    15.31877

    0.0000

    R-squared

    0.999469

        Mean dependent var

    12.56693

    Adjusted R-squared

    0.999336

        S.D. dependent var

    0.163241

    S.E. of regression

    0.004206

        Akaike info criterion

    -7.892515

    Sum squared resid

    0.000212

        Schwarz criterion

    -7.699368

    Log likelihood

    67.14012

        F-statistic

    7529.357

    Durbin-Watson stat

    2.226606

        Prob(F-statistic)

    0.000000

    .

    Interpretación de los coeficientes:

    LNCO2 = -7.354608 + 1.042417*LNPIB + 0.971240*LNENG + 0.959164LNINT

    • -7.354608: nos indica el valor estimado medio para la variable explicada en el supuesto de que todas las variables explicativas fuesen nulas, lo cual carece de significado económico.

    • 1.042417: el incremento en una unidad porcentual del PIB provocará, ceteris paribus, una variación del 1.042417% en la variable explicada. Es coherente, ya que un incremento en el PIB va a provocar un mayor consumo energético debido a la mayor producción de bienes y servicios.

    • 0.971240: el incremento en una unidad porcentual de ENG provocará, ceteris paribus, una variación del 0.971240% en la variable explicada. El coeficiente del parámetro es positivo porque a mayores valores del ratio, menor es la eficiencia energética en términos medioambientales y por tanto mayor será la variación en las emisiones de CO2.

    • 0.959164: el incremento en una unidad porcentual de INT provocará, ceteris paribus, una variación del 0.959164% en la variable explicada. El coeficiente del parámetro es positivo porque cuanto mayor sea el consumo de energía en relación a la producción mayor serán las emisiones de CO2 (mayor intensidad energética en la producción).

    3. Análisis econométrico

    3.1. Estructura paramétrica estable:

    Por hipótesis, a lo largo de la muestra la influencia que ejercen las variables predeterminadas sobre el regresando se mantiene constante (estructura paramétrica estable). La causa por la que habitualmente se incumple este supuesto es la existencia de una ruptura estructural (cambio institucional o socioeconómico importante) en el periodo muestral de observaciones.

    Para comprobar la estabilidad de los parámetros a lo largo de toda la muestra, vamos a recurrir a las representaciones gráficas de los estadísticos CUSUM y CUSUMQ, ya que no tenemos sospecha de que exista una ruptura en ningún punto concreto de la muestra. Cuando trabajamos con datos temporales y desconocemos el punto o los puntos de ruptura es posible analizar la estabilidad del modelo de forma general mediante estos estadísticos. Éstos se definen a partir de los errores recursivos de la estimación.

    * CUSUM: Se elabora con la suma acumulada de los residuos recursivos. Si la estructura paramétrica es constante en el periodo muestral, la esperanza matemática del CUSUM es nula, mientras que si cambia la esperanza del CUSUM se alejaría de 0. En la práctica analizaremos si los valores del CUSUM están dentro de las bandas de confianza. En el caso de situarse fuera de las bandas, rechazaríamos la hipótesis nula de estabilidad estructural.

    Podemos observar que el CUSUM está dentro de las bandas de confianza situándose además en valores próximos a cero.

    * CUSUMQ: Se elabora con la suma acumulada de los cuadrados de los residuos recursivos. Es análogo al CUSUM por lo cual si el estadístico se sitúa dentro de las bandas de confianza, no podríamos rechazar la hipótesis de estabilidad estructural.

    Observamos que el CUSUMQ corrobora que, al 5% de significación no podemos rechazar la hipótesis nula de estabilidad estructural.

    3.2 Análisis de incorrelación.

    Según el modelo clásico existe incorrelación entre los distintos términos de la perturbación aleatoria (las covarianzas son nulas).

    Para detectar la existencia de autocorrelación (covarianzas no nulas) utilizaremos los estadísticos Durbin-Watson y Breusch-Godfrey

    * Durbin-Watson: Es el estadístico de prueba más utilizado a la hora de analizar la existencia de autocorrelación de primer orden. Para la utilización de este estadístico han de cumplirse los siguientes requisitos:

  • Ha de tratarse de un modelo estimado por MCO y con ordenada en el origen

  • Dw es adecuado para detectar la autocorrelación de primer orden, pero podría no detectar la autocorrelación de otro orden o tipo, por lo que si existen indicios de autocorrelación de otro orden o tipo no debe ser utilizado. (autocorrelación de primer orden es propia de modelos temporales con datos anuales, como es nuestro caso)

  • Los regresores del modelo han de ser no estocásticos.

  • La principal ventaja del estadístico dw es que es adecuado para cualquier tamaño muestral (los restantes estadísticos son asintóticos, requieren de muestras grandes).

    Dependent Variable: LNCO2

    Method: Least Squares

    Date: 11/19/08 Time: 19:04

    Sample (adjusted): 1991 2006

    Included observations: 16 after adjustments

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -7.354608

    0.388611

    -18.92535

    0.0000

    LNPIB

    1.042417

    0.007208

    144.6209

    0.0000

    LNENG

    0.971240

    0.063419

    15.31457

    0.0000

    LNINT

    0.959164

    0.062614

    15.31877

    0.0000

    R-squared

    0.999469

        Mean dependent var

    12.56693

    Adjusted R-squared

    0.999336

        S.D. dependent var

    0.163241

    S.E. of regression

    0.004206

        Akaike info criterion

    -7.892515

    Sum squared resid

    0.000212

        Schwarz criterion

    -7.699368

    Log likelihood

    67.14012

        F-statistic

    7529.357

    Durbin-Watson stat

    2.226606

        Prob(F-statistic)

    0.000000


    El estadístico Durbin-Watson está próximo a dos por lo que no existe evidencia contraria a la hipótesis nula de incorrelación de las perturbaciones.

    * Breusch-Godfrey: Es un contraste asintótico que permite detectar la autocorrelación de cualquier orden. Lo hacemos a pesar de disponer de una muestra pequeña (es un contraste asintótico). Incluimos un solo retardo ya que vamos a contrastar la existencia de un AR(1)

    Breusch-Godfrey Serial Correlation LM Test:

    F-statistic

    0.365323

        Prob. F(1,11)

    0.557826

    Obs*R-squared

    0.514298

        Prob. Chi-Square(1)

    0.473284

    Test Equation:

    Dependent Variable: RESID

    Method: Least Squares

    Date: 11/27/08 Time: 18:04

    Sample: 1991 2006

    Included observations: 16

    Presample missing value lagged residuals set to zero.

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -0.040026

    0.404768

    -0.098886

    0.9230

    LNPIB

    0.000764

    0.007513

    0.101644

    0.9209

    LNENG

    0.002123

    0.065261

    0.032532

    0.9746

    LNINT

    0.005185

    0.064908

    0.079880

    0.9378

    RESID(-1)

    -0.193679

    0.320439

    -0.604420

    0.5578

    R-squared

    0.032144

        Mean dependent var

    -3.16E-15

    Adjusted R-squared

    -0.319804

        S.D. dependent var

    0.003762

    S.E. of regression

    0.004321

        Akaike info criterion

    -7.800187

    Sum squared resid

    0.000205

        Schwarz criterion

    -7.558753

    Log likelihood

    67.40149

        F-statistic

    0.091331

    Durbin-Watson stat

    1.888634

        Prob(F-statistic)

    0.983239


    La probabilidad asociada al estadístico de prueba es superior a 0,05 por lo que el primer retardo de los residuos no se muestra significativo para explicar el modelo, por lo que no tenemos evidencia contraria al supuesto clásico de incorrelación de las perturbaciones

    3.3. Análisis de homocedasticidad.

    La heterocedasticidad supone el incumplimiento del supuesto clásico de homocedasticidad, esto es, del supuesto de que la varianza de la perturbación aleatoria es independiente del tiempo y de los valores de los regresores.

    En principio, no tendríamos sospechas del incumplimiento de esta hipótesis, pues la heterocedasticidad es más frecuente en modelos atemporales y en muestras grandes, que no es nuestro caso.

    Para comprobar si se cumple el supuesto de varianzas constantes de las perturbaciones recurrimos a la salida del contraste de White (aunque éste se trata de un contraste asintótico)

    White Heteroskedasticity Test:

    F-statistic

    0.772610

        Prob. F(5,10)

    0.590671

    Obs*R-squared

    4.458527

        Prob. Chi-Square(5)

    0.485451

    Test Equation:

    Dependent Variable: RESID^2

    Method: Least Squares

    Date: 11/27/08 Time: 18:51

    Sample: 1991 2006

    Included observations: 16

    Collinear test regressors dropped from specification

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -0.143940

    0.086767

    -1.658922

    0.1281

    LNPIB

    0.020846

    0.013022

    1.600796

    0.1405

    LNPIB^2

    -0.000783

    0.000490

    -1.598589

    0.1410

    LNENG

    0.012453

    0.033014

    0.377198

    0.7139

    LNENG^2

    -0.006673

    0.018246

    -0.365726

    0.7222

    LNINT

    -0.000113

    0.000450

    -0.251052

    0.8069

    R-squared

    0.278658

        Mean dependent var

    1.33E-05

    Adjusted R-squared

    -0.082013

        S.D. dependent var

    2.28E-05

    S.E. of regression

    2.38E-05

        Akaike info criterion

    -18.17787

    Sum squared resid

    5.64E-09

        Schwarz criterion

    -17.88815

    Log likelihood

    151.4229

        F-statistic

    0.772610

    Durbin-Watson stat

    1.884786

        Prob(F-statistic)

    0.590671

    Como vemos la probabilidad asociada al estadístico de prueba es alta, por lo que a nivel de significación del 5% no podemos rechazar la hipótesis nula de homocedasticidad entre las varianzas de las perturbaciones del modelo.

    3.4 Análisis de normalidad.

    Para contrastar el supuesto de normalidad tomaremos como referencia el comportamiento de los errores o residuos, ya que la perturbación es una variable no observable y el error de la EMCO es un estimador consistente de la perturbación

    Tomaremos como referencia los valores de los coeficientes de asimetría y curtosis de la distribución de los errores. Para contrastar el supuesto utilizaremos el estadístico de Jarque-Bera. Este estadístico es asintótico (requiere de muestras grandes), por lo que al tener una muestra pequeña no es válido en sentido estricto.

    A pesar de que el coeficiente de asimetría está alejado de 0 (-0.983170) y que el coeficiente de apuntamiento es mayor que 3, la probabilidad asociada al estadístico de Jarque-Bera es alta (0'225255), por lo que no muestra evidencia en contra del cumplimiento de este supuesto clásico. De este modo, dado que se cumplen el resto de supuestos clásicos, los estadísticos serán además de ELIO y consistentes, eficientes y los máximo verosímiles.

    3.5 Análisis de la capacidad predictiva.

    Uno de los fines perseguidos con la elaboración de los modelos econométricos es la predicción de datos. Para que una predicción sea fiable han de cumplirse las siguientes condiciones:

    • La relación estimada entre la variable endógena y las explicativas se mantenga en el periodo de predicción

    • Que los parámetros sean lo suficientemente estables como para que sus estimaciones sean buenas aproximaciones a los valores que se tendrían en el futuro

    • Que el modelo esté correctamente especificado

    • Que se conozcan los valores de las variables explicativas en el periodo de predicción

    • Que el horizonte temporal para el que se efectúa la predicción no esté muy alejado.

    Chow Forecast Test: Forecast from 2004 to 2006

    F-statistic

    1.051097

        Prob. F(3,9)

    0.416429

    Log likelihood ratio

    4.806008

        Prob. Chi-Square(3)

    0.186566

    Test Equation:

    Dependent Variable: LNCO2

    Method: Least Squares

    Date: 11/29/08 Time: 13:48

    Sample: 1991 2003

    Included observations: 13

    Variable

    Coefficient

    Std. Error

    t-Statistic

    Prob.  

    C

    -6.995582

    0.475628

    -14.70808

    0.0000

    LNPIB

    1.049488

    0.009611

    109.1999

    0.0000

    LNENG

    0.980914

    0.068479

    14.32434

    0.0000

    LNINT

    0.873812

    0.080970

    10.79181

    0.0000

    R-squared

    0.999248

        Mean dependent var

    12.51463

    Adjusted R-squared

    0.998998

        S.D. dependent var

    0.131997

    S.E. of regression

    0.004179

        Akaike info criterion

    -7.869867

    Sum squared resid

    0.000157

        Schwarz criterion

    -7.696036

    Log likelihood

    55.15413

        F-statistic

    3987.798

    Durbin-Watson stat

    2.745748

        Prob(F-statistic)

    0.000000

    La probabilidad asociada a los estadísticos no permite rechazar la hipótesis nula de estabilidad postmuestral para los parámetros de la muestra, por lo que, en principio, el modelo de esta ecuación sería adecuado para predecir.

    Procedemos a hacer la predicción de la variable lnco2 (para las observaciones 2004-2006), de lo que resulta la variable lnco2f.

    .

    En el cuadro anterior puede comprobarse que el Coeficiente de desigualdad de Theil toma una valor cercano a 0, por lo que indica una buena capacidad predictiva. Si atendemos a los valores de los estadísticos proporción del sesgo, proporción de la varianza y proporción de la covarianza, vemos que solo el segundo tiene un valor cercano a cero (0'054148) y que el último no toma un valor cercano a 1 (0,675376). Sin embargo, no podemos invalidarlos puesto que no tenemos otro modelo con qué compararlos.

    Vamos a ver cómo son los errores de la predicción que hemos realizado:

    Observación

    LNCO2

    LNCO2F

    Error (E)

    Error Relativo

    2004

    12,77124

    12,77037

    0,00087

    0,00681218

    2005

    12,81655

    12,81706

    -0,00051

    0,00397923

    2006

    12,79282

    12,79750

    -0,00468

    0,03658302

    De esta tabla se desprende que como los errores relativos cometidos son todos ellos inferiores al 3% las predicciones pueden considerarse buenas. En el siguiente cuadro constatamos gráficamente lo expuesto anteriormente.

  • Conclusiones.

  • A partir de los resultados del modelo que hemos estudiado, nos damos cuenta de la gran importancia que tiene tanto la eficiencia que las fuerzas productivas tienen a la hora de aprovechar la energía y hacer un uso más racional de ella, como el saber elegir el tipo de energía más adecuada para abastecer el país y reducir los gases de efecto invernadero. Estas dos variables juntas tienen más repercusión en la variación de las emisiones de CO2 que el propio crecimiento económico del país, el cual, ya de por sí hace aumentar las emisiones debido a la mayor demanda de recursos energéticos. Dado que la economía mundial presenta un crecimiento generalizado, el aumento de emisiones contaminantes va a estar asegurado, por lo que se hace imprescindible atender más a cuestiones como la eficiencia e intensidad con las que se hace uso de la energía para no acelerar un cambio climático que parece inevitable.

    El crecimiento económico ha de ir siempre acompañado de inversión en Investigación y Desarrollo de nuevas tecnologías aplicadas a la obtención de energías más limpias y renovables y poner fin a la utilización de energías fósiles, que por definición son limitadas.

    La preocupación por el deterioro medioambiental se ha ido incorporando progresivamente en las políticas gubernamentales de todo el mundo con la excepción, como no, de Estados Unidos, que emite el 25% mundial de los gases causantes del efecto invernadero y ha sido además, el único país que no ha firmado el Protocolo de Kyoto, sino otro acuerdo paralelo con unas condiciones mucho mas permisivas y flexibles, idóneas para sus intereses de maximización del lucro sin responsabilidad sobre la contaminación medioambiental.

    El Protocolo de Kyoto es sólo el primer paso para afrontar la amenaza global del cambio climático. En este sentido, la Comisión Europea (2005) ya se ha planteado cuál habrá de ser la estrategia europea una vez finalizado el primer periodo del compromiso (2008-2012), pero para que se lleve a cabo y con buenos resultados se necesita la cooperación, coordinación y colaboración conjunta de entes nacionales y supranacionales, lo cual, vista la inamovible posición estadounidense, se antoja harto difícil. El tiempo nos dará la razón.

    5. Bibliografía.

    • González Rabanal, N y García-Inés, M.: Factores determinantes de las emisiones de CO2, evidencia empírica en la EU

    http://aerna2006.de.iscte.pt/papers/S5C_Garcia_Ines.doc

    • Ministerio de Medio Ambiente: Banco público de indicadores ambientales, emisiones de gases efecto invernadero

    http://www.mma.es/secciones/calidad_contaminacion/indicadores_ambientales/banco_publico_ia/pdf/AIREmisionesGEI.pdf

    • Ministerio de Medio Ambiente: Inventario Nacional de emisiones contaminantes a la atmósfera

    http://www.mma.es/secciones/info_estadistica_ambiental/estadisticas_info/memorias/2006/pdf/mem06_3_1_4_inventarioemisiones.pdf

    • Roca Jusmet, J. y Padilla Rosa, E.: Emisiones atmosféricas y crecimiento económico en España: la curva de Kuznets ambiental y el Protocolo de Kyoto

    http:// www.ecap.uab.es/RePEc/doc/wpdea0507.pdf

    Bases estadísticas:

    33