anÁlisis del crecimiento econÓmico y sus efectos …
TRANSCRIPT
FACULTAD DE CIENCIAS EMPRESARIALES
Carrera de Gestión Ambiental Empresarial
ANÁLISIS DEL CRECIMIENTO ECONÓMICO Y SUS
EFECTOS EN LA DEGRADACIÓN AMBIENTAL EN
EL PERÚ BAJO LA CURVA AMBIENTAL DE
KUZNETS EN EL PERIODO DE LOS AÑOS 2000 AL
2017.
Trabajo de investigación para optar el Grado Académico de
Bachiller en Gestión Ambiental Empresarial.
LAURA JANET OLASCOAGA CARRASCO
Lima- Perú
2020
Índice
Resumen.……………………………………………………………………………………………1
1 Introducción………………………………………………………………………………….….3
2 Método……………………………………………………………………………………………8
2.1 Tipo y diseño de investigación. ................................................................................. 8
2.2 Participantes. ........................................................................................................... 8
2.3 Instrumentos. ......................................................................................................... 10
2.4 Procedimiento. ....................................................................................................... 10
2.5 Análisis de datos. ................................................................................................... 11
3 Resultados .................................................................................................................. 13
4 Discusión .................................................................................................................... 21
5 Referencias ................................................................................................................. 24
1
Resumen
Esta investigación identificó si el crecimiento económico contribuye al aumento o reducción
de los niveles de emisiones de dióxido de carbono en el Perú. Para ello, se utilizó una
representación conocida como “La curva de Kuznets” la cual es una gráfica en forma de U
invertida que propone que el crecimiento económico alcanza un punto máximo y a partir del
cual se espera que mientras sigue incrementando el Producto Bruto Interno, la
contaminación ambiental tienda a disminuir. Se utilizó el método de Mínimos Cuadrados
Ordinarios y los siguientes test de Dickey fuller, Jarque-bera, Multiplicador de Lagrange,
Heterocedasticidad, Granger que se aplicaron utilizando el software Eviews. En la
discusión, se contrastó los resultados obtenidos de los test con la literatura que se ha citado
en la introducción, también se podrá encontrar las razones que sustentan que en el Perú el
crecimiento económico y la distribución de riqueza son factores causantes del incremento
de las emisiones de dióxido de carbono, es por ello, que se han incluido sugerencias con el
fin de enfatizar la importancia de rediseñar las políticas e iniciativas promovidas por el
Estado para fomentar un crecimiento económico eco-amigable para el país.
Palabras claves: crecimiento económico, dióxido de carbono, distribución de riqueza, curva
Kuznets, impacto.
2
Summary
This research identified whether economic growth contributes to the increase or reduction
of carbon dioxide emission levels in Peru. For this, a representation known as the “Kuznets
curve” was used, which is an inverted U-shaped graph that proposes that economic growth
reaches a maximum point and from which it is expected that while Gross Domestic Product
continues to increase, pollution environmental store to decrease. The method of Ordinary
Minimum Squares was used and the following tests of Dickey fuller, Jarque-bera, Lagrange
Multiplier, Heterocedasticity, Granger that were applied using the Eviews software. In the
discussion, the results obtained from the tests were contrasted with the literature cited in the
introduction, also find the reasons that support economic growth and the distribution of
wealth in Peru are factors causing the increase in carbon dioxide emissions, which is why
suggestions have been included in order to emphasize the importance of redesigning the
policies and initiatives promoted by the State to promote eco-friendly economic growth for
the country.
Keywords: economic growth, carbon dioxide, wealth distribution, Kuznets curve, impact
3
1 Introducción
La contaminación ambiental es un tema preocupante en el mundo, en países en vías de
desarrollo como el Perú es importante tomar conciencia y no ser indiferentes a sus efectos
negativos. El calentamiento global ya es un hecho y las evidencias se remiten a los
incrementos de las temperaturas medias del aire y del océano, el derretimiento
generalizado del hielo y de la nieve, y la elevación del nivel medio del mar en el mundo,
surgimiento de enfermedades, entre otros.; todo ello afecta directamente a la salud de la
población y al ecosistema en general (Intergovernmental Panel on Climate Change (IPCC),
2018).
El calentamiento global tiene como punto crítico a las emisiones de gases
contaminantes siendo el dióxido de carbono el que comprende una porción muy significativa
de los gases de efecto invernadero (IPCC, 2018). Los países desarrollados son los
responsables de la mayor parte de estas emisiones de dióxido de carbono, sin embargo, se
encuentran implementando tecnología que les permita disminuir su impacto negativo en el
ambiente.
En cambio en Perú, el uso de tecnología limpia y las grandes inversiones ambientales
aún sigue siendo solo un ideal, es por ello, que se deben desarrollar otro tipo de
herramientas que ayuden a combatir las actividades humanas con poca conciencia
ambiental, así como las malas gestiones y prácticas comerciales, industriales y la gestión
del sector transporte; pues éstas han conducido a un incremento de la concentración de los
principales gases de efecto invernadero en la atmósfera en estos últimos veinte años (IPCC,
2018).
Por otro lado, en el marco de una investigación para evaluar la relación entre la
evolución del crecimiento o decadencia de Producto Bruto Interno y las emisiones de
dióxido de carbono, el autor Tatsuyuki Ota (2017) realizó un estudio a 20 países asiáticos,
en el que se analizaron dos periodos el primero corresponde al año 1990 y el segundo
periodo es el año 2010. La distribución de los países se realizó de acuerdo a desarrollo
económico de cada uno de estos 20 países asiáticos. Encontrándose que, a pesar de la
suma de esfuerzos, incluso de los países con grandes economías aún existe una brecha
significativa para disminuir la contaminación ambiental. Sin embargo, se concluye que en
países con bajos ingresos esta brecha se acentúa aún más, debido a que su primera
4
prioridad es erradicar la pobreza en lugar de invertir en tecnología para la protección del
medio ambiente.
Los economistas han tenido a bien dejar de ser indiferentes ante esta degradación
ambiental y plantearse el diseño de la curva de Kuznets que busca sustentar de alguna
manera la relación entre el crecimiento económico y como éste influye o impacta en la
generación de contaminantes ambientales. Este modelo ha ayudado a la toma de
decisiones y establecimiento de políticas de protección ambiental y cambios en las
actividades productivas de algunos países (Moreno, N., 2018).
En general, todas las actividades humanas especialmente aquellas relacionadas al
tráfico comercial generan índices de contaminación ambiental en diferentes niveles
dependiendo de una serie de factores y de la forma en que se desarrolle la actividad
económica, la cual está cobrando más relevancia en los últimos años (DIDP, 2018)
Uno de los factores que contribuye en gran medida a la contaminación ambiental son
las emisiones de gases de efecto invernadero que se ven influenciadas directa e
indirectamente por las actividades antrópicas, siendo el gas contaminante más abundante
el dióxido de carbono; el cual, según el Grupo Banco Mundial, evidencia que el CO2 per
cápita en el Perú ha ido en crecimiento desde el año 2013 según se aprecia en la figura
N°1 (Banco Mundial, 2016).
Figura N° 01. Tonelada de CO2 per cápita en Perú.
Fuente: Emisiones de CO2- Banco Mundial 2016
5
Los reportes del INEI muestran que los gases del efecto invernadero pueden
permanecer en la atmosfera hasta por más de 10 mil años dependiendo del tipo de gas, por
ejemplo, el CO2 siendo el gas responsable de más del 60% de las emisiones, puede
permanecer hasta 200 años en la atmosfera, en la Tabla N°01 se detalla esta información:
Tabla N°01
Permanencia en la atmosfera por tipo de gas
Descripción Dióxido de
carbono Metano
Óxido
nitroso Triclorofluoromentano Fluoroformo Tetrafluorometano
Permanencia
en la
atmosfera
De 5 a
200 años
12
años
114
años 45 años 260 años <50 000 años
Fuente: Permanencia de los gases en la atmosfera- INEI 2014
Por otra parte, se puede señalar que los aspectos positivos de la economía en nuestro
país a diferencia de los países más industrializados es que se ha visto favorecida por la
gran diversidad ecológica que el Perú alberga, lo cual ayuda a combatir los rezagos del
cambio climático; sin embargo, con el pasar del tiempo los recursos naturales han sufrido
un mal uso impidiendo que se desarrolle una economía sostenible. Más aún, con el pasar
de los años, se han llegado a la conclusión de que un recurso puede ser tan potente de
generar un auge económico y rápidamente llegar al punto de desaparecer o colapsar.
(DIDP, 2018)
Hoy en día, continúa la discusión entre el desarrollo económico y la contaminación
general provocada por las actividades extractivas y productivas. El Perú ha presentado una
tasa de crecimiento económico en promedio de 5.9% hasta el 2014 (Zilio,M. & Caraballo,M,
2014), sin embargo, no se han incrementado las medidas de mitigación frente a este
agotamiento de recurso que trae consigo un costo significativo y es atribuido a una o varias
industrias. En el año 2016 se registró que el PBI de Perú fue de 191,6 miles de millones de
dólares y los costos que se derivaron por el agotamiento y degradación medioambiental
representaron un equivalente 4.6% del PBI respectivamente, lo que significaría que éste
costo fue de 8,82 miles de millones de dólares; aseverando que la principal industria
responsables fue la de fuentes móviles: carros particulares, camiones, combis y buses.
(Comisión Económica Para América Latina y el Caribe (CEPAL) ,2016)
6
Así también, es importar analizar la degradación ambiental debido al incremento de
emergencias ambientales; INDECI reporta para el periodo desde el año 2003 al 2013 el
incremento en un 55%. Dentro de este grupo se encuentran las heladas las cuales de 73
presentadas en el año 2003 se incrementaron a 413 para el 2013, igualmente hubo un
incremento en los vientos fuertes y granizadas, dicha información se muestra en la figura
N° 2. (INDECI, 2014)
Figura N° 02. Emergencias que afectaron a la salud
Fuente: Emergencias reportadas en el 2014- INDECI 2014
Finalmente, en un estudio de Zilio,M & Caraballo,M realizado en el año 2014, se
puede señalar que en nuestro país no se cumple el principio de la curva ambiental de
Kuznets con respecto al efecto del coeficiente Gini, pues en este caso, la reducción de
desigualdades de ingresos de las personas (medido con la variable de coeficiente de Gini)
no ha mostrado un efecto positivo sobre la reducción de la contaminación ambiental medido
en emisiones de CO2. Este análisis permite señalar que en el Perú a pesar de que las
brechas de distribución de riquezas se han disminuido, la población aún no tiene una cultura
ambiental por lo que ese crecimiento ha fomentado la tendencia del consumismo es por
ello, que los niveles de contaminación no han dejado de aumentar.
Por lo antes expuesto, la presente investigación permite responder la siguiente
pregunta general:
7
¿El crecimiento económico del Perú ha afectado negativamente la calidad ambiental
según datos desde el año 2000 al 2017?
Y a su vez, las interrogantes específicas que se muestran a continuación:
¿Cuál es el impacto del incremento del ingreso per cápita del Perú medido con la
variable del PBI sobre la contaminación ambiental medido por las emisiones del
dióxido de carbono en el Perú en el periodo 2000 al 2017?
¿Cuál es el impacto de la reducción de las desigualdades de riqueza sobre la
contaminación ambiental medido por las emisiones del dióxido de carbono en el
Perú en el periodo 2000 al 2017?
8
2 Método
2.1 Tipo y diseño de investigación.
2.1.1 Tipo de investigación.
El presente trabajo de investigación es de tipo cuantitativo no experimental. Según
señala Hernández Sampieri, en este tipo de investigaciones las situaciones ya están dadas,
y solo son extraídas de alguna fuente (Hernández, R., 2014). Así también, es una
investigación cuantitativa porque sus variables están expresadas por un número y se
pueden medir.
2.1.2 Diseño de investigación.
En cuanto al diseño el mismo autor indica que las investigaciones no experimentales
longitudinales de tendencia con correlación causal son aquellas que analizan los cambios
y permutaciones con el paso del tiempo en las variables de un universo. (Hernández, R.,
2014). Por lo tanto, esta investigación se encuentra en dicha clasificación pues se evaluará
el total de las emisiones de los gases contaminantes del Perú, así como el PBI per cápita
del año 2000 al año 2017.
2.2 Participantes.
En la Tabla N°02 se detallan las variables que serán utilizadas en el modelo
econométrico del presente trabajo. Se indica la definición conceptual de cada variable; así
también en la siguiente columna se indican su definición a nivel de operación (unidad de
media, fuente, periodo, entro otros).
9
Tabla N°02
Variables Finales – Definición conceptual y operacional
N° Nombre de Largo
Definición conceptual Definición operacional
1
Toneladas de
CO2 per cápita
Gas aquel gas natural que se libera
como producto de la combustión de
combustibles, algunos procesos
industriales, actividades cotidianas
que se almacena en la atmosfera,
también es el principal responsable
del calentamiento global. (MINAM,
2015)
Tipo de variable en el
modelo econométrico:
dependiente
Unidad de medida: en
toneladas de CO2
Frecuencia: anual – 2000
al 2017
Fuente: Banco Mundial,
páginas oficiales del
MINAM
2
PBI per cápita
Es el producto bruto interno (PBI) es
un indicador monetario de la
producción de bienes y servicios en
un determinado periodo.
(BCR,2019)
Tipo de variable en el
modelo econométrico:
independiente
Unidad de medida: en
soles
Frecuencia: anual – 2000
al 2017
Fuente: Banco Mundial,
Compendios del INEI
3
Coeficiente de
Gini
Es una medida que se utiliza para
medir la desigualdad en los ingresos
o la riqueza dentro de un
país.(Banco Mundial,2016)
Tipo de variable en el
modelo econométrico:
independiente
10
Unidad de medida:
coeficiente
Frecuencia: anual – 2000
al 2017
Fuente: Banco Mundial
Fuente: Elaboración propia
2.3 Instrumentos.
Para esta investigación los datos se obtuvieron de fuentes secundarias por lo que se utilizó
las bases de datos públicas nacionales e internacionales.
Para efectos de la recolección de datos, en algunos casos se tuvo que descodificar
la información que está en SPSS, pero no fue posible averiguar cuáles fueron los
instrumentos que utilizaron estas entidades aparte de las encuestas. Por lo tanto, es
necesario señalar que para este trabajo no se diseñaron instrumentos, solo se precedió a
exportar en un archivo Excel la información que se iba recolectando de las fuentes
secundarias.
2.4 Procedimiento.
La información se ha extraído de diferentes fuentes de información a nivel nacional e
internacional tales como: documentos y páginas oficiales de Ministerio del Ambiente,
Compendios del Instituto Nacional de Estadística e Informática y páginas oficiales
internacionales como la del Banco Mundial. A continuación, se detalla la ruta para cada
variable:
Variable dependiente: Toneladas de CO2 per cápita
Para hallar la variable dependiente se utilizó información publicada en la página oficial
del Banco Mundial. También, se utilizó información publicada en la página oficial del
Ministerio del Ambiente de Perú relacionada a emisiones de gases contaminantes e
indicadores de calidad ambiental. La información recopilada de ambas fuentes se
11
encontraba en frecuencia anual a nivel de Perú, por lo cual se concentró toda la información
en un formato Excel1.
Variable independiente: Producto Bruto Interno
Para obtener los datos de la variable PBI se visitó la página oficial del Banco Central
de Reserva del Perú y se extrajeron los datos de la sección “históricos”. También se
obtuvieron datos de la página oficial del Instituto Nacional de Estadística e Informática (INEI)
la cual estaba en SPSS y se decodificó para obtener los datos que se requerían para
completar las observaciones de esta variable. Los datos correspondientes del año 1999 al
año 2001 se obtuvieron de los compendios anuales de INEI.2
Variable independiente: Coeficiente de Gini
En el caso de la segunda variable independiente, se buscó en la página oficial del
Banco Mundial. De la base de datos exportados de esta página se obtuvieron los datos de
Perú para los años de interés, cabe señalar que estos datos ya se encontraban en
frecuencia anual, por lo que una vez seleccionados se agregó a un Excel general con todos
los datos antes recolectados. 3
2.5 Análisis de datos.
Las series (variables) de esta investigación han sido transformadas a logaritmos para
obtener un mejor ajuste del modelo. Para el análisis de las variables y su comportamiento
se utilizará el Método de Mínimos Cuadrados Ordinario para minimizar las distancias entre
las respuestas que se obtendrán en el modelo con la muestra (Hernández, R., 2014). Este
método es el más usado y práctico para realizar un análisis de regresión en un determinado
periodo de tiempo. El método de estimación de parámetros permite estimar el siguiente
modelo:
Donde la descripción de cada elemento es la siguiente:
Y= Variable dependiente – dióxido de carbono.
β 0 = Constante
β 1 = Coeficiente de estimación de la variable (1)
1 https://datos.bancomundial.org/indicador/EN.ATM.CO2E.PC?view=chart 2 https://www.inei.gob.pe/bases-de-datos/ 3 http://www.bcrp.gob.pe/
12
X 1 = La variable (1) – Producto Bruto Interno per cápita.
X 2 = La variable (2)- coeficiente de Gini.
e= Error.
Para realizar el análisis de resultados se realizarán los test que permite aplicar el software
Eviews, los cuales se detallan a continuación:
Test de Dickey Fuller: En este test se analiza la estacionariedad de las variables y en qué
nivel se ubican de ser necesario. Para ello, se tendrá que tomar el menor valor del criterio
de Schwarz (en este caso se escoge al más negativo). A su vez, se debe tener en cuenta
que el valor seleccionado también debe cumplir con el criterio de tener una probabilidad
menor a 5%. En otras palabras, en el test de Dickey Fuller una serie no estacionaria debe
transformarse a estacionaria a través del método de diferenciación, de este modo, una serie
estaría describiendo un proceso integrado cuyo orden de integración es el número de
diferenciaciones que requiere la serie para transformarla en estacionaria; para ello, cuenta
con tres modelos auxiliares: tendencia y constante, constante; y, no tendencia ni constante.
Test de Jarque-Bera: En este test se evalúa la normalidad de los errores. Para ello, se
debe observar el valor de la probabilidad del test, en este caso el valor debe ser mayor a
5%; para que se pueda rechazar la hipótesis nula y se pueda concluir que los valores se
ajustan a una distribución normal.
Test de multiplicador de Lagrange: Con este test se podrá hallar los valores máximos y
mínimos locales de una determinada función. Lo que se busca en este test es encontrar el
menor valor del criterio de Akaike. Para esta investigación se considerará 6 rezagos que es
un equivalente al 30% de las observaciones de cada variable.
Test de Heterocedasticidad: un modelo heterocedástico es aquel que muestra que las
varianzas de los errores son diferentes para cada valor, es decir, que las variabilidades son
diferentes para cada una de las observaciones de las series. Con este test se busca
comprobar si la prueba de homocedasticidad utiliza los términos de error y se enfoca en
analizar si la capacidad de un modelo de regresión para predecir variable dependiente es
coherente cuando tiene que predecir todos los valores de esa variable dependiente. Una
de las principales pruebas de este test es la prueba de White, con esta prueba se analiza
si la variable independiente tiene un efecto no lineal sobre la varianza del error.
Las hipótesis que se buscan probar son las siguientes:
13
H0: los datos son homocedásticos.
H1: los datos son heterocedásticos.
Test de Granger: Este test se realiza para evaluar la causalidad de las variables dentro del
modelo econométrico. Es decir, se debe comprobar que las variables tengan el efecto de
causalidad para que puedan ser integradas al modelo econométrico de lo contrario, si los
resultados muestran que no existe causalidad entonces querrá decir que dicha variable no
tiene efecto alguno en el modelo econométrico. En este test de se utilizan se aplicaron las
series agrupadas en minigrupos de dos; se han evaluado 6 pares de variables en las cuales
se analizará si existe causalidad en forma bidireccional (si es que la causalidad entre ambas
variables se da en ambas direcciones es decir de “x” a “y” y de “y” a “x”) o en forma
unidireccional.
3 Resultados
A continuación, se indica la abreviatura de cada variable final:
lgini: hace referencia al logaritmo de la variable “Coeficiente de Gini”.
lco2pc: hace referencia al logaritmo de la variable CO2 per cápita.
lpbipc: Hace referencia al logaritmo de la variable PBI per cápita.
Análisis de datos descriptivos
Tabla N°03
Análisis de estadísticos descriptivos de las variables.
ESTADÍSTICO lco2pc lgini lpbipc
Media 0.30827 3.857141 2.421944
Mediana 0.332374 3.855439 2.319827
Mayor dato 0.593327 3.981549 3.02965
Menor dato 0.019803 3.76584 1.89762
Desviación estándar 0.208133 0.074811 0.406931
Skewness -0.081622 0.173711 0.305791
Kurtosis 1.390561 1.592056 1.5187
Fuente: Elaboración propia
En la Tabla N°03 se detallan los estadísticos de cada variable (individual). Una observación
importante en este cuadro es que la desviación estándar, conocida como el estadístico
14
descriptivo de dispersión presenta valores bajos, es decir que las observaciones no se
encuentran muy dispersas.
El dato de la Kurtosis permite evaluar el grado de dispersión o concentración de los
valores de cada una de las variables, en este caso se puede señalar que no existe una
distancia significativa entre las variables que se utilizará para la investigación pues
presentan valores menores a 3.
Covarianza
Tabla N°04
Análisis de la covarianza.
lco2pc lgini lpbipc
lco2pc 0.04091257 -0.01438215 0.07505276
lgini -0.01438215 0.00528573 -0.02622575
lpbipc 0.07505276 -0.02622575 0.15639327
Fuente: Elaboración propia
De las covarianzas se puede indicar que la variable lgini tiene una relación negativa
con lco2pc y con el lpbipc porque el valor de su covarianza es menor que cero. De la variable
lco2pc se puede señalar que tiene una relación negativa con lgini pero positiva con lpbipc
porque en este último su valor entre ambas variables es positiva. Finalmente, la variable
lpbipc tiene una relación negativa con la variable lgini pero positiva con lco2pc.
*La relación positiva: quiere decir que ambas variables presentan una relación directa.
*La relación negativa: quiere decir que ambas variables presentan una relación inversa.
Correlación
Tabla N°05
Análisis de correlación.
lco2pc lgini lpbipc
Lco2pc 1.00000000 -0.97800901 0.93827313
lgini -0.97800901 1.00000000 -0.9121503
lpbipc 0.93827313 -0.9121503 1.00000000
Fuente: Elaboración propia
De la Tabla N°05 se infiere que, la variable lgini presenta una relación negativa con
la variable lco2pc y lpbipc porque en ambos casos los resultados están acompañados de
15
un signo negativo. Con respecto a la variable lco2pc, ésta presenta una correlación negativa
con la variable lgini y positiva con lpbipc porque el resultado es un número positivo. En el
caso de la variable lpbipc, se muestra que presenta una correlación negativa con la variable
lgini pero positiva con la variable lco2pc.
Test de Dickey – Fuller
Tabla N°06
Resultados del Test de Raíz Unitaria de Dickey – Fuller.
SERIE MODELO
AUXILIAR
CRITERIO DE
INFORMACIÓN REZAGO 𝜏-ESTADÍSTICO
PROB
(𝜏-ESTADÍSTICO) ESTADO
Lco2pc TENDENCIA SIC 6 -4.228273 0.0335 𝑙𝑐𝑜2𝑝𝑐~𝐼(2)
lpbipc TENDENCIA SIC 6 -5.176585 0.0077 𝑙𝑝𝑏𝑖𝑝𝑐𝑡~𝐼(0)
lgini NO TENDENCIA
NI CONSTANTE SIC 4 -9.486032 0.0000 𝑙𝑔𝑖𝑛𝑖~𝐼(2)
Fuente: Elaboración propia
Para la variable del lco2pc: En este caso se escoge el segundo diferencial porque cumple
con el requisito de tener una probabilidad menor de 0.05 y tener el menor valor en el criterio
de Schwarz.
Para la variable del lpbipc: En este caso se escoge la variable en nivel porque cumple
con el requisito de tener una probabilidad menor de 0.05 y tener el menor valor en el criterio
de Schwarz.
Para la variable del lgini: En este caso se escoge el segundo diferencial porque cumple
con el requisito de tener una probabilidad menor de 0.05 y tener el menor valor en el criterio
de Schwarz.
Por lo que el modelo econométrico hipotético quedaría de la siguiente manera:
lco2pc(-2) c lpbipc lgini(-2)
Donde el (-2) significa que la variable lco2pc se encuentra en segunda diferencia al igual
que la variable lgini; sin embargo, la variable lpbipc se encuentra en nivel porque no lleva
ningún signo.
16
Mínimos cuadrados
Tabla N°07
Método de Mínimos cuadrados.
Fuente: Elaboración propia
De la Tabla N°07, se obtiene que para un nivel de significancia de 5%, todas las
variables individuales son significativas en términos estadísticos, ya que, poseen una P-
value menor de 5%, por lo tanto, se rechaza la hipótesis nula y se concluye que cada
variable es significativa. Si se observa el valor del Durbin Watson se puede señalar que
está cercano a 2, por lo que, se afirma que no hay sospecha de autocorrelación. El valor
del R-squared es cercano a 1, lo que certifica la confiabilidad de los datos. Por último, en
este cuadro podemos observar que la Prob (F-satatistic) es menor al 5% lo que indica que
los parámetros considerados en esta investigación son significativos.
∆𝑙𝑐𝑜2𝑝𝑐̂𝑡 = �̂�1 + �̂�2𝑙𝑝𝑏𝑖𝑝𝑐𝑡−1 + �̂�3∆𝑙𝑔𝑖𝑛𝑖 + 𝜀
lco2pc(-2) c lpbipc lgini(-2)
Variable Coeficiente Std. Error t- Estadístico P_ value
C 3.542008 1.968702 1.799159 0.0952
lpbipc 0.302662 0.083392 3.629389 0.0031
Lgini(-2) -1.038467 0.457138 -2.271673 0.0407
R-squared 0.976355 Mean Dependet var 0.275103
Adjusted R-squared 0.972718 S.D dependent var 0.19617
S.E of regression 0.032402 Akaike info criterion -3.853821
Log likelihood 33.83057 Schwarz criterion -3.708961
F-statistic 268.4025 Hannan-Quinn criter -3.846403
Prob(F-statistic) 0.000000 Durbin- Watson stat 1.819151
17
Test de normalidad de errores
0
1
2
3
4
5
6
7
-0.05 0.00 0.05
Series: Residuals
Sample 2002 2017
Observations 16
Mean -2.78e-17
Median -0.002467
Maximum 0.046544
Minimum -0.062032
Std. Dev. 0.030165
Skewness -0.328358
Kurtosis 2.620458
Jarque-Bera 0.383551
Probability 0.825492
Figura N°3: Test de Jarque-Bera
Fuente: Elaboración propia
Test de Normalidad de Jarque-Bera
Tabla N°08
Resultados del Test de Normalidad de Jarque-Bera de la serie.
Fuente: Elaboración propia
En el test de Jarque-Bera se observa que, la probabilidad es mayor a 5% por lo que se
afirma que los errores siguen una distribución normal.
SERIE JB-ESTADÍSTICO PROB(JB-ESTADÍSTICO)
ESTADO
lco2pc(-2) c lpbipc lgini(-2)
0.383551 0.825492 Normalidad
18
Correlograma
Figura N°4. Resultados del Correlograma de los errores.
Fuente: Elaboración propia
De la figura N°4 podemos indicar que ninguna de las variables presenta autocorrelación
porque las barras se encuentran dentro del límite de las líneas punteadas.
Test de Heterocedasticidad
Tabla N°09
Resultados del Test de Heterocedasticidad
NOMBRE DEL TEST CHI-SQUARE ACPETA/RECHAZA HIPÓTESIS
White 0.2846 Acepta hipótesis nula
Breusch-Pagan-Godfrey 0.1000 Acepta hipótesis nula
Glejser 0.0784 Acepta hipótesis nula Fuente: Elaboración propia
En la Tabla N°09 lo que se tiene que analizar es el valor del de Prob. Chi-Square.
Observando dicho valor se puede afirmar que no existe heteroscedasticidad, ya que el p-
value del estadístico de la prueba, para los tres test, es mayor al nivel de significancia de
0.05. Por lo tanto, no se rechaza la hipótesis nula que expresa homoscedasticidad.
19
Test de Multiplicador de Lagrange
Tabla N°10
Resultados del Test del Multiplicador de Lagrange
NÚMERO DE
REZAGO
VALOR DE
AKAIKE
PROBABILIDAD
CHI-SQUARE ACEPTA/RECHAZA HIPÓTESIS
1 -3.751934 0.9038 Acepta la hipótesis nula
2 -3.681043 0.6735 Acepta la hipótesis nula
3 -3.732145 0.3466 Acepta la hipótesis nula
4 -3.823096 0.2079 Acepta la hipótesis nula
5 -3.731942 0.2895 Acepta la hipótesis nula
6 -3.616050 0.4017 Acepta la hipótesis nula
Fuente: Elaboración propia
Del test del Multiplicador de Lagrange concluye que el rezago óptimo es el rezago 4;
así también se identifica que en este rezago el P- value es 0.2 siendo éste mayor al nivel
de significancia de 0.05 (p-value). Por lo tanto, no se rechaza la no autocorrelación.
Test de Causalidad de Granger
Los pares de las variables a analizar son las siguientes:
Para que puedan cumplir con la condición de causalidad la probabilidad f-estadístico
debe ser menor a 5% para rechazar la hipótesis de “no causalidad” y los criterios del modelo
auxiliar (Akaike, Schwarz, Hannan) deben ser los más bajos posibles.
lgini does not Granger Cause lco2pc lco2pc does not Granger Cause lgini
lpbipc does not Granger Cause lco2pc lco2pc does not Granger Cause lpbipc
lpbipc does not Granger Cause lgini lgini does not Granger Cause lpbipc
Fuente: Elaboración propia
20
Tabla N°11
Resultados del test de Causalidad de Granger
RELACIÓN DE CAUSALIDAD*
F-ESTADÍSTI
CO
PROBABILIDAD F-ESTADÍSTICO
ORDEN REZAGO
MODELO AUXILIAR NO RESTRINGIDO
CRITERIO DE
INFORMACIÓN
OBSERVACIONES
∆2𝑙𝑔𝑖𝑛𝑖𝑁𝑂 𝐺𝑅𝐴𝑁𝐺𝐸𝑅 → ∆2𝑙𝑐𝑜2𝑝𝑐
1.20 0.3350 2 SIC 16
∆2𝑙𝑐𝑜2𝑝𝑐 𝐺𝑅𝐴𝑁𝐺𝐸𝑅 → ∆2𝑙𝑔𝑖𝑛𝑖 5.95 0.0160 2 SIC 16
∆2𝑙𝑐𝑜2𝑝𝑐𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝑙𝑝𝑏𝑖𝑝𝑐 5.67 0.0308 4 SIC 15
𝑙𝑝𝑏𝑖𝑝𝑐 𝑁𝑂 𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ ∆2𝑙𝑐𝑜2𝑝𝑐
12.96 0.7122 3 SIC 16
𝑙𝑝𝑏𝑖𝑝𝑐𝑁𝑂 𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ ∆2𝑙𝑔𝑖𝑛𝑖 1.55 0.2679 3 SIC 16
∆2𝑙𝑔𝑖𝑛𝑖𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝑙𝑝𝑏𝑖𝑝𝑐 7.41 0.0167 4 SIC 15
(*) Al nivel de significancia del 5%
Fuente: Elaboración propia
Se ha elaborado una tabla solo con aquellas variables que sí reflejan la causalidad de
Granger.
Tabla N°12
Resultados las secuencias que cumplen con el test de Granger.
RELACIÓN DE CAUSALIDAD* F-ESTADÍSTICO PROBABILIDAD F-ESTADÍSTICO
ORDEN REZAGO
MODELO AUXILIAR NO RESTRINGIDO
CRITERIO DE INFORMACIÓN
OBSERVACIONES
∆2𝑙𝑐𝑜2𝑝𝑐 𝐺𝑅𝐴𝑁𝐺𝐸𝑅 → ∆2𝑙𝑔𝑖𝑛𝑖 5.95 0.0160 2 SIC 16
∆2𝑙𝑐𝑜2𝑝𝑐𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝑙𝑝𝑏𝑖𝑝𝑐 5.67 0.0308 4 SIC 15
∆2𝑙𝑔𝑖𝑛𝑖𝐺𝑅𝐴𝑁𝐺𝐸𝑅→ 𝑙𝑝𝑏𝑖𝑝𝑐 7.41 0.0167 4 SIC 15
(*) Al nivel de significancia del 5%
Fuente: Elaboración propia.
21
4 Discusión
Al realizar el análisis del trabajo de investigación, se afirma que el crecimiento económico
del Perú ha afectado negativamente la calidad ambiental (medido en emisiones de CO2) en
el rango de tiempo desde el año 2000 al 2017. Lo que significa que a pesar de que el Perú
ha experimentado un buen periodo de crecimiento económico, las emisiones de dióxido de
carbono no han disminuido debido a que las inversiones en temas de mitigación y
adaptación al cambio climático; así como la consciencia ambiental de la población no han
sido muy significativas a lo largo del periodo de investigación.
Por otra parte, el crecimiento económico per cápita medido con la variable del PBI per
cápita se encuentra en la primera fase de la curva ambiental de Kuznets, pues posee un
signo positivo en los resultados del modelo econométrico, por lo que, se infiere que a
medida que se incrementa el valor PBI del país también se incrementan los niveles de
contaminación ambiental medido en emisiones de CO2, generando así un impacto negativo.
Asimismo, se puede señalar que en nuestro país no se cumple el principio de la curva
ambiental de Kuznets con respecto al efecto del coeficiente Gini, pues en este caso, la
reducción de desigualdades de ingresos de las personas (medido con la variable de
coeficiente de Gini) no ha mostrado un efecto positivo sobre la reducción de la
contaminación ambiental medido en emisiones de CO2. Este análisis permite señalar que
en el Perú a pesar de que las brechas de distribución de riquezas se han disminuido, la
población aún no tiene una cultura ambiental por lo que ese crecimiento ha fomentado la
tendencia del consumismo es por ello, que los niveles de contaminación no han dejado de
aumentar.
Por otro lado, se ha encontrado similitud con los resultados de la investigación que
pertenecen a Zilio,M & Caraballo,M (2014), en el que se analiza el coeficiente de Gini y su
efecto en la contaminación ambiental. En ambas investigaciones se la identificado que, a
pesar de que a través del tiempo se están reduciendo las brechas de desigualdades de
riqueza, éste no ha sido un factor de motivación para la reducción de las emisiones de CO2,
tal como se plantea en las hipótesis establecidos por el autor Kuznets.
Respecto al test de Dickey-Fuller se obtuvo que solo la serie lpbipc es la variable
estacionaria en su nivel. Para el caso de las demás variables (lgini y lco2pc) se ha
encontrado estacionariedad en segundo nivel, a diferencia de una de las investigaciones
de Moreno (2018) en la que las variables sí han encontrado estacionariedad en su nivel,
22
pero se debe a que el periodo es de análisis es más corto. Por otro lado, al aplicarle el test
se pudo observar que la variable lco2pc y lpbipc tienen una influencia significativa a través
del tiempo porque han demostrado tener tendencia.
Otra investigación de la que se ha obtenido interpretaciones similares es del trabajo
de marco internacional de Tatsuyuki Ota (2017) del que se puede indicar que, al igual que
el caso de estudio de esta investigación del Perú se utilizan las mismas variables:
crecimiento del PBI (%) y las toneladas de CO2 per cápita, y los resultados han demostrado
que en países potencias como por ejemplo China han mostrado un panorama similar, los
resultados han mostrado que, con el pasar del tiempo, el PBI ha ido creciendo (al igual que
el caso del Perú), las toneladas de dióxido carbono también se ha incrementado. Por lo
tanto, se podría confirmar que en el periodo de investigación presentó al igual que esta
investigación un enfoque de elasticidad de ingreso las emisiones de CO2, que podrían
ayudar para evaluar impactos al interior de cada país, así como la eficiencia en el ahorro
de estas emisiones de dióxido de carbono.
En tanto, la principal limitación en el estudio fue el no poder realizar un periodo de
investigación más amplio debido a que en las fuentes que se recurrió para armar el
inventario, se encontró que el dato más antiguo del PBI era del año 1999, por lo que no fue
posible ampliar el periodo de la investigación.
Culminando la investigación se ha identificado que las variables de dióxido de carbono
y coeficiente de Gini son significativamente causadas por el PBI per cápita, por lo que, se
recomienda para futuras investigaciones que se pueda estructurar el modelo econométrico
utilizando la variable del PBI per cápita como variable dependiente en lugar de la variable
del CO2 (como fue utilizada en esta investigación) y se comparen los resultados obtenidos
con este trabajo académico.
Finalmente, como recomendaciones, una de las alternativas a nivel nacional que se
proponen es que el gobierno tiene que reforzar sus políticas e iniciativas ambientales e
incorporarlas como puntos primordiales en el marco macroeconómico con el fin de asegurar
el desarrollo sostenible. A continuación, se detallan algunas:
Inventario Nacional de Gases de Efecto Invernadero -Infocarbono: Iniciativa
aprobada mediante D. S. 013-2014-MINAM (MINAM, 2018). Esta
herramienta de control ambiental debe ser reforzada con el nuevo enfoque
de tributación ambiental, en el que se involucren a todos los sectores
23
productivos del país y se logre incorporar procesos de mejora continua, con
el fin de alcanzar la transparencia de todos los procesos, coherencia,
exhaustividad de los registros de inventarios de sus emisiones de gases para
que sirva como una base de información completa para proyectos futuros de
adaptación al cambio climático sin que esto signifique provocar una
desaceleración económica.
Por otro lado, según el reporte del MINAM, la mayor fuente de emisiones de
dióxido de carbono proviene del combustible fósil (MINAM, 2016). Por tal
motivo, urge que los límites máximos permisibles con respecto a esto factor
sean más rigurosos, con el fin de se genere, especialmente en el sector
transporte, un cambio de cultura y se opte por usar alternativas menos
contaminantes como el gas natural y potenciar iniciativas para la
optimización de flotas de vehículos. Adicional a ello, estas iniciativas de
políticas deberían estar incluidas en Plan NAMA (Acción de Mitigación
Nacionalmente Apropiada) el cual inició su diseño en el año 2016.
24
5 Referencias
Banco Central de Reserva del Perú (2019). Reportes e indicadores financieros. Recuperado
el 27 de Octubre de http://www.bcrp.gob.pe/publicaciones/reporte-de-estabilidad-
financiera.html.
Banco mundial (2016). Emisiones de CO2 equivalente. / Perú Sattistical 2016. Recuperado
el 27 de Octubre del 2019 de
https://datos.bancomundial.org/indicador/EN.ATM.CO2E.PC
CEPAL (2016) El gasto en protección ambiental en América Latina y el Caribe . Recuperado
el 27 de Octubre de
https://repositorio.cepal.org/bitstream/handle/1362/37294/1/S1420778es.pdf
Departamento de Investigación y Documentación Parlamentaria (DIDP) (2018). Emisión de
gases de efecto invernadero y contribución del Perú en mitigación y adaptación al
cambio climático. Recuperado el 27 de Octubre de 2019 de
http://www2.congreso.gob.pe/sicr/cendocbib/con5_uibd.nsf/BC72B311EC8F3334
0525834A00758DB9/$FILE/EFECTO_INVERNADERO_N_22.pdf
Espíndola, C., Valderrama, J. (2019) Huella del Carbono. Parte 1: Conceptos, Métodos de
Estimación y Complejidades Metodológicas. Scielo. Recuperado el 14/02/2019 de
https://scielo.conicyt.cl/pdf/infotec/v23n1/art17.pdf
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología
de la investigación: Roberto Hernández Sampieri, Carlos Fernández Collado y Pilar
Baptista Lucio (6a. ed. --.). México D.F.: McGraw-Hill.
INDECI (2014). Plan estratégico institucional. Recuperado el 27 de octubre del 2019
https://www.indeci.gob.pe/wp-content/uploads/2019/01/fil20170517124119.pdf
INEI (2014). Compendio estadístico anual. / Peru: Statistical Overview / Recuperado de
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib125
3/compendio2015.html Pg. 25-28
25
IPCC (2018). Informe aceptado por el Grupo de Trabajo I del Grupo Intergubernamental de
Expertos sobre Cambio Climático. Recuperado el 9 de Noviembre del 2019 de
https://www.ipcc.ch/site/assets/uploads/2018/11/pr_181008_P48_spm_es.pdf Pg.
36-40.
Junior, J., Santos, C., Silva, C.,Folle, J. (2016). Verificação da curva de Kuznets para os
municípios do Estado de Santa Catarina: Uma análise paramétrica e não
paramétrica para os períodos de 1991, 2000 e 2010. Perspectiva Econômica,
12(1), 56-64-64. Recuperado el 9 de Noviembre del 2019 de
https://doi.org/10.4013/pe.2016.121.05
Larios, J., González, C., & Álvarez, V. (2016). Investigación en Economía y Negocios:
Manual de metodología con aplicaciones de E-views. Lima: Fondo editorial de la
Universidad San Ignacio de Loyola.
Moreno, N. (2018). Dinámica de sistemas y la curva medio ambiental de Kuznets en
Perú (1990-2015). Semestre Económico, 21(49), 57-88. Recuperado el 9 de
Noviembre del 2019 de https://doi.org/10.22395/seec.v21n49a3
Organisation for Economic Cooperation and Development. (2017). Achieving an
environmentally sustainable and socially inclusive growth model remains a
challenge. En OECD Environmental Performance Reviews: Peru (311).
Thomas, C. (2015). Income Inequality and Economic Development in Latin America: A Test
for the Kuznets Inverted-U Curve. Indian Journal of Economics and Business,
14(1), 143.
Zilio, M., Caraballo, M. (2014). ¿El final de la curva de Kuznets de carbono?: Un análisis
semiparamétrico para la América Latina y el Caribe. El Trimestre Económico;
Tlalpan, 81(1), 241-270.