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.

• Cancelo Márquez, M. T. y Díaz Vázquez, M.: Emisiones de CO2 y crecimiento económico en la UE (2002) http://www.usc.es/economet/reviews/eedi214.pdf

• 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:

• Eurostat: www.eurostat.com

• OCDE: www.oecd.org

• INE: www.ine.es

• Ministerio de Medio Ambiente: www.mma.es

• Agencia Internacional de Energía: www.iea.org

33