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.  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.  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.  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.  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.  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.  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.  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.  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.  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