Emisiones de CO2 (Dióxido de Carbono) en España

ANALISIS DE LA EVOLUCION DE LAS EMISIONES DE CO2 EN ESPAÑA (1990−2006)
Roberto GarcÃ-a Pernas
Pablo GarcÃ-a Sánchez
Marcos Tomé Pernas
José Alberto Tabernero Reboredo
EconometrÃ-a Aplicada
5º de EconomÃ-a
Departamento de EconomÃ-a 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
vehÃ-culos, 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
vehÃ-culos, 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 incorrelacion24
3.3 Analisis de homocedasticidad...27
1
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), asÃ- 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 intrÃ-nsecos al
clima, y que no dependerÃ-a tanto del CO2 y sÃ- del sol y su poder calorÃ-fico. 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 teorÃ-a 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 paÃ-ses 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 (ArtÃ-culo 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
2
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 paÃ-ses desarrollados y economÃ-as 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 energÃ-a 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 difÃ-cil 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 paÃ-ses. Supuso la adopción de compromisos obligatorios de reducción de emisiones de
gases de efecto invernadero por parte de los paÃ-ses desarrollados y economÃ-as 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 paÃ-s 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 paÃ-ses 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 energÃ-as no convencionales y asÃ- 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 energÃ-a, 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 crÃ-tico de renta per cápita, la situación ambiental mejora a medida que se dan
ulteriores aumentos de la renta per cápita, aunque los resultados empÃ-ricos son parciales.
Para el caso español se muestra que, en general, la hipótesis no se ve en absoluto apoyada por la evidencia
empÃ-rica. Esta nos muestra que el crecimiento económico, por sÃ- 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 polÃ-ticas 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
3
del 15% en relación al año base 1990− se ha convertido en el paÃ-s 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 paÃ-ses 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 estadÃ-sticas 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 vehÃ-culos 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 vehÃ-culos 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
1990
1991
1992
1993
228.508
235.363
242.364
233.115
1999
2000
2001
2002
Kt eq CO2
296.362
307.742
311.631
330.639
4
1994
1995
1996
1997
1998
244.856
255.601
243.004
262.663
270.774
2003
2004
2005
2006
334.657
351.950
368.263
359.627
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 bibliografÃ-a
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 estadÃ-stica de la OCDE.
Año
PIB (mll €)
Año
1990
1991
1992
1993
1994
1995
1996
1997
1998
478.270,70
490.447,50
495.004,80
489.898,90
501.574,10
515.405,00
527.862,40
548.283,80
572.782,00
1999
2000
2001
2002
2003
2004
2005
2006
PIB (mll €)
599.965,80
630.263,00
653.255,00
670.920,40
691.694,70
714.291,20
740.108,00
768.890,10
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
1990
1991
1992
1993
1994
1995
1996
1997
1998
38.826,297
38.874,573
39.003,524
39.131,966
39.246,833
39.343,100
39.430,933
39.525,438
39.639,388
1999
2000
2001
2002
2003
2004
2005
2006
Pob (miles)
39.802,827
40.049,708
40.476,723
40.964,244
41.663,702
42.345,342
43.038,035
43.758,250
5
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 vehÃ-culos a motor (miles de unidades) en datos anuales. Los datos fueron obtenidos de
la base estadÃ-stica de Eurostat. No hacemos distinción de ningún tipo de vehÃ-culo a motor.
Año
VehÃ-c (miles)
Año
1990
1991
1992
1993
1994
1995
1996
1997
1998
16.296,00
17.168,20
16.101,00
17.131,10
16.931,00
17.545,00
18.234,00
18.960,10
19.945,30
1999
2000
2001
2002
2003
2004
2005
2006
VehÃ-c (miles)
21.007,00
21.838,50
22.769,90
23.551,00
23.655,30
24.820,30
25.851,40
26.615,90
A nivel teórico se considera a los vehÃ-culos 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
vehÃ-culos 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 energÃ-a 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
1990
1991
1992
1993
1994
1995
1996
1997
1998
Int.
221,43
221,71
215,16
223,30
228,71
220,25
222,71
223,59
Año
1999
2000
2001
2002
2003
2004
2005
2006
Int.
227,01
221,51
219,99
220,13
220,86
223,63
220,57
211,33
Las diferencias en la intensidad energética pueden explicarse principalmente por dos situaciones: por las
diferencias en la eficiencia en el uso de la energÃ-a (al utilizar diferentes cantidades de energÃ-a para obtener
la misma producción) o bien porque la actividad económica se asienta sobre sectores más o menos
intensivos en el uso de energÃ-a. 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.
6
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. Â
C
PIB
POB
CHS
INT
−347316.8
0.505403
0.001809
−0.000643
1240.295
180006.6
0.202103
0.003654
0.004957
430.2725
−1.929466
2.500713
0.495061
−0.129748
2.882580
0.0799
0.0295
0.6303
0.8991
0.0149
R−squared
Adjusted R−squared
S.E. of regresión
Sum squared resid
Log likelihood
Durbin−Watson stat
0.989516
0.985704
5718.585
3.60E+08
−158.1291
1.817171
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
290538.2
47827.64
20.39114
20.63257
259.5583
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 sÃ- 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 teorÃ-a 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 podrÃ-a estar contenida en el resto de explicativas, ya que la población es
consumidora de energÃ-a, 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
7
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. Â
C
PIB
CHS
INT
−269985.7
0.560220
−0.001444
1147.397
86596.17
0.163667
0.004536
374.8210
−3.117756
3.422924
−0.318395
3.061187
0.0089
0.0051
0.7557
0.0099
R−squared
Adjusted R−squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin−Watson stat
0.989283
0.986603
5535.787
3.68E+08
−158.3054
1.864484
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
290538.2
47827.64
20.28817
20.48132
369.2238
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.
Â
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 DÃ-az, 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 energÃ-a.
Considerando el resto de los factores constante, recogerÃ-a la combinación de combustibles
utilizada para proporcionar la misma cantidad de energÃ-a. Este dato es relevante si tenemos en
cuenta que para producir la misma cantidad de energÃ-a 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.
8
El ratio ENG no se encuentra explÃ-citamente en ninguna base estadÃ-stica consultada, por lo que
procedimos a su cálculo manual. Los datos necesarios han sido obtenidos de la página de Eurostat. El
consumo de energÃ-a se mide en miles de toneladas de petróleo.
Año
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
Kt eq CO2
228.508
235.363
242.364
233.115
244.856
255.601
243.004
262.663
270.774
296.362
307.742
311.631
330.639
334.657
351.950
368.263
359.627
CONS.eng
89.717,00
94.688,00
95.476,00
92.015,00
97.805,00
102.949,00
101.333,00
106.613,00
112.642,00
118.405,00
123.652,00
127.283,00
130.808,00
135.308,00
141.480,00
144.588,00
143.881,00
ENG
2,54698664
2,48566872
2,53848087
2,53344563
2,50351209
2,48279245
2,39807368
2,46370518
2,40384581
2,50295173
2,48877495
2,44833167
2,5276665
2,47329796
2,48763076
2,54698177
2,49947526
El cociente emisiones de CO2 respecto al consumo interior bruto de energÃ-a 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. Â
C
PIB
ENG
INT
−580681.5
0.504048
110835.2
1322.951
43402.86
0.005345
11428.25
127.7711
−13.37888
94.29645
9.698354
10.35407
0.0000
0.0000
0.0000
0.0000
R−squared
0.998777
    Mean dependent var
290538.2
9
Adjusted R−squared
S.E. of regresión
Sum squared resid
Log likelihood
Durbin−Watson stat
0.998471
1869.928
41959567
−140.9400
2.231901
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
47827.64
18.11751
18.31065
3266.983
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 estadÃ-sticos 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 logarÃ-tmico 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. Â
C
LNPIB
LNENG
LNINT
−7.354608
1.042417
0.971240
0.959164
0.388611
0.007208
0.063419
0.062614
−18.92535
144.6209
15.31457
15.31877
0.0000
0.0000
0.0000
0.0000
R−squared
Adjusted R−squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin−Watson stat
0.999469
0.999336
0.004206
0.000212
67.14012
2.226606
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
12.56693
0.163241
−7.892515
−7.699368
7529.357
0.000000
.
Interpretación de los coeficientes:
LNCO2 = −7.354608 + 1.042417*LNPIB + 0.971240*LNENG + 0.959164LNINT
10
• −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 energÃ-a 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 estadÃ-sticos 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 estadÃ-sticos. 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 alejarÃ-a 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, rechazarÃ-amos 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 estadÃ-stico se sitúa dentro de las bandas de confianza, no podrÃ-amos 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 estadÃ-sticos
Durbin−Watson y Breusch−Godfrey
11
* Durbin−Watson: Es el estadÃ-stico de prueba más utilizado a la hora de analizar la existencia de
autocorrelación de primer orden. Para la utilización de este estadÃ-stico 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 podrÃ-a 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 estadÃ-stico dw es que es adecuado para cualquier tamaño muestral (los restantes
estadÃ-sticos 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. Â
C
LNPIB
LNENG
LNINT
−7.354608
1.042417
0.971240
0.959164
0.388611
0.007208
0.063419
0.062614
−18.92535
144.6209
15.31457
15.31877
0.0000
0.0000
0.0000
0.0000
R−squared
Adjusted R−squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin−Watson stat
0.999469
0.999336
0.004206
0.000212
67.14012
2.226606
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
12.56693
0.163241
−7.892515
−7.699368
7529.357
0.000000
El estadÃ-stico 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
Obs*R−squared
0.365323
0.514298
    Prob. F(1,11)
0.557826
    Prob. Chi−Square(1) 0.473284
Test Equation:
Dependent Variable: RESID
12
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. Â
C
LNPIB
LNENG
LNINT
RESID(−1)
−0.040026
0.000764
0.002123
0.005185
−0.193679
0.404768
0.007513
0.065261
0.064908
0.320439
−0.098886
0.101644
0.032532
0.079880
−0.604420
0.9230
0.9209
0.9746
0.9378
0.5578
R−squared
Adjusted R−squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin−Watson stat
0.032144
−0.319804
0.004321
0.000205
67.40149
1.888634
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
−3.16E−15
0.003762
−7.800187
−7.558753
0.091331
0.983239
La probabilidad asociada al estadÃ-stico 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 tendrÃ-amos 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
Obs*R−squared
0.772610
4.458527
    Prob. F(5,10)
0.590671
    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
13
Included observations: 16
Collinear test regressors dropped from specification
Variable
Coefficient
Std. Error
t−Statistic
Prob. Â
C
LNPIB
LNPIB^2
LNENG
LNENG^2
LNINT
−0.143940
0.020846
−0.000783
0.012453
−0.006673
−0.000113
0.086767
0.013022
0.000490
0.033014
0.018246
0.000450
−1.658922
1.600796
−1.598589
0.377198
−0.365726
−0.251052
0.1281
0.1405
0.1410
0.7139
0.7222
0.8069
R−squared
Adjusted R−squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin−Watson stat
0.278658
−0.082013
2.38E−05
5.64E−09
151.4229
1.884786
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
1.33E−05
2.28E−05
−18.17787
−17.88815
0.772610
0.590671
Como vemos la probabilidad asociada al estadÃ-stico 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 asimetrÃ-a y curtosis de la distribución de los
errores. Para contrastar el supuesto utilizaremos el estadÃ-stico de Jarque−Bera. Este estadÃ-stico 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 asimetrÃ-a está alejado de 0 (−0.983170) y que el coeficiente de
apuntamiento es mayor que 3, la probabilidad asociada al estadÃ-stico 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 estadÃ-sticos serán además de ELIO y consistentes, eficientes
y los máximo verosÃ-miles.
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 tendrÃ-an en el futuro
• Que el modelo esté correctamente especificado
14
• 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
Log likelihood ratio
1.051097
4.806008
    Prob. F(3,9)
0.416429
    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. Â
C
LNPIB
LNENG
LNINT
−6.995582
1.049488
0.980914
0.873812
0.475628
0.009611
0.068479
0.080970
−14.70808
109.1999
14.32434
10.79181
0.0000
0.0000
0.0000
0.0000
R−squared
Adjusted R−squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin−Watson stat
0.999248
0.998998
0.004179
0.000157
55.15413
2.745748
    Mean dependent var
    S.D. dependent var
    Akaike info criterion
    Schwarz criterion
    F−statistic
    Prob(F−statistic)
12.51463
0.131997
−7.869867
−7.696036
3987.798
0.000000
La probabilidad asociada a los estadÃ-sticos 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 serÃ-a
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 estadÃ-sticos
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
2004
2005
2006
LNCO2
12,77124
12,81655
12,79282
LNCO2F
12,77037
12,81706
12,79750
Error (E)
0,00087
−0,00051
−0,00468
Error Relativo
0,00681218
0,00397923
0,03658302
15
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 energÃ-a y hacer un uso más
racional de ella, como el saber elegir el tipo de energÃ-a más adecuada para abastecer el paÃ-s 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 paÃ-s, el cual, ya de por sÃ- hace aumentar las
emisiones debido a la mayor demanda de recursos energéticos. Dado que la economÃ-a 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
energÃ-a 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 tecnologÃ-as aplicadas a la obtención de energÃ-as más limpias y renovables y poner fin a la
utilización de energÃ-as fósiles, que por definición son limitadas.
La preocupación por el deterioro medioambiental se ha ido incorporando progresivamente en las polÃ-ticas
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 paÃ-s 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 difÃ-cil. El tiempo nos
dará la razón.
5. BibliografÃ-a.
• Cancelo Márquez, M. T. y DÃ-az Vázquez, M.: Emisiones de CO2 y crecimiento económico en la
UE (2002) http://www.usc.es/economet/reviews/eedi214.pdf
• González Rabanal, N y GarcÃ-a−Inés, M.: Factores determinantes de las emisiones de CO2,
evidencia empÃ-rica 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/AIREmisionesG
• 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_inventa
16
• 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 estadÃ-sticas:
• Eurostat: www.eurostat.com
• OCDE: www.oecd.org
• INE: www.ine.es
• Ministerio de Medio Ambiente: www.mma.es
• Agencia Internacional de EnergÃ-a: www.iea.org
33
17