UNIVERSIDA DE ZARAGOZA

(1)

UNIVERSIDA DE ZARAGOZA

FACULTAD DE ECONOMÍA Y EMPRESA Departamento de análisis económico

Análisis de la relación entre impacto medioambiental y desarrollo económico en Noruega: Modelo econométrico para contraste de la

CAK

Autor

Guillermo Trigo Barriopedro Director

Majed Atwi Saab

Zaragoza, 2021

(2)

(3)

RESUMEN

El cambio climático y la saturación actual global de contaminantes en la atmósfera ha llegado a unos niveles críticos en nuestro planeta. La existente relación entre desarrollo económico y degradación ambiental ha promovido la realización de numerosos estudios acerca de estas dos variables. Por ello, en este trabajo se trata de contrastar uno de los estudios más relevantes de este ámbito acerca de la Curva Ambiental de Kuznets y su relación con el país de Noruega.

El trabajo ha consistido en la estimación inicial de un modelo general que incluyera variables directamente relacionadas y representativas de los dos aspectos fundamentales del estudio, contaminación ambiental y desarrollo económico. Sobre esta base del modelo se ha depurado y optimizado mediante modificaciones para encontrar el modelo idóneo que explique el caso de estudio.

Con la especificación del modelo econométrico se ha podido contrastar que Noruega cumple la hipótesis de la CAK y, por tanto, la relación entre degradación ambiental y desarrollo económico sigue una representación gráfica en forma de U invertida.

Esto se debe a que el segundo rango temporal analizado en un primer modelo con la introducción de una variable dummy debido a un cambio estructural se representa gráficamente en forma de N invertida. Separando el modelo inicial en dos rangos muestrales diferentes debido al cambio estructural, se concluye en el modelo referido al periodo anteriormente nombrado, una representación gráfica en forma de U invertida que se confirma con la N invertida hallada en el modelo anterior.

Para la realización del trabajo se ha utilizado una base de datos del Banco Mundial y la plataforma econométrica Gretl.

(4)

ABSTRACT

Climate change and the current global saturation of pollutants in the atmosphere have reached critical levels on our planet. The existing relationship between economic development and environmental degradation has led to numerous studies on these two variables. For this reason, this paper tries to contrast one of the most relevant studies in this field about the Environmental Kuznets Curve and its relationship with Norway.

The work consisted of the initial estimation of a general model which included variables directly related and representative of the two fundamental aspects of the study,

environmental pollution and economic development. On this basis, the model has been refined and optimised through modifications to find the ideal model to explain the aim of this study.

With the specification of the econometric model, it has been possible to test that Norway fulfils the EKC hypothesis and therefore, the relationship between

environmental degradation and economic development that follows an inverted U- shaped graphical representation.

This is because the second time range analysed in a first model with the introduction of a dummy variable due to a structural change is represented graphically in the form of an inverted N-shape. Separating the initial model into two different sample ranges due to the structural change, we conclude in the model referring to the above-mentioned period, a graphical representation in the form of an inverted U, which is confirmed by the inverted N found in the previous model.

A World Bank database and the econometric platform Gretl have been used to carry out the work.

(5)

(6)

ÍNDICE DEL TRABAJO

1 INTRODUCCIÓN ... 1

2 DESCRIPCIÓN DEL CASO DE ESTUDIO: NORUEGA ... 5

2.1 CONTEXTUALIZACIÓN ... 5

2.2 ESTRUCTURA DE LA ENERGÍA: % DE CADA FUENTE DE ENERGÍA DEL PAÍS ... 6

3 MARCO TEÓRICO ... 14

3.1 OBJETIVO, HIPÓTESIS Y TRATAMIENTO DE LOS DATOS ... 14

3.2 ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE ... 15

3.2.1 Modelo lineal general e hipótesis del modelo ... 15

3.2.2 Estimación por mínimos cuadrados ordinarios (MCO) ... 17

3.2.3 Método de modelo empleado para el contraste de la CKA ... 17

4 MODELO ECONOMÉTRICO ... 18

5 RESULTADOS E INTERPRETACIÓN ... 31

5.1 RESULTADOS DE LOS MODELOS CONCLUYENTES ... 31

5.2 TURNING POINTS ... 34

6 CONCLUSIONES ... 36

7 CITAS BIBLIOGRAFICAS Y BIBLIOGRAFIA ... 38

(7)

ÍNDICE DE FIGURAS Y TABLAS

FIGURA 1: GRÁFICO DE LA CURVA MEDIOAMBIENTAL DE KUZNETS 1

FIGURA 2.1: GRÁFICO DE PIB POR SECTORES DE NORUEGA EN 2019 5 FIGURA 2.2: GRÁFICO DE FUENTES DE GENERACIÓN DE ENERGÍA ELÉCTRICA EN 2019 7 FIGURA 2.3: GRÁFICO DE EMISIONES DE CO2 (TONELADAS MÉTRICAS PER CÁPITA) DE NORUEGA 8 FIGURA 2.4: GRÁFICO DE EMISIONES DE CO2 (KT) DE NORUEGA 8 FIGURA 2.5: GRÁFICO DE VALOR AGREGADO DE LA INDUSTRIA AL PORCENTAJE DEL PIB 9 FIGURA 2.6: GRÁFICO PIB PER CÁPITA, UMN A PRECIOS CONSTANTES DE CORONA NORUEGA 10 FIGURA 2.7: GRÁFICO PIB PER CÁPITA, PPA, $ A PRECIOS INTERNACIONALES ACTUALES 11

FIGURA 2.8: GRÁFICO DE LA POBLACIÓN TOTAL DE NORUEGA 11

FIGURA 2.9: GRÁFICO DE EMISIONES DE CO2, TONELADAS MÉTRICAS PER CÁPITA 12 FIGURA 2.10: GRÁFICO DE PIB PER CÁPITA, PRECIOS INTERNACIONALES ACTUALES DE 2019 12

FIGURA 2.11: GRÁFICO DE POBLACIÓN DE 2019 13

FIGURA 2.12: TABLA DE VALORES SIGNIFICATIVOS DE LA VARIABLE CO2PC 14

FIGURA 4.1: MODELO 1 MCO DE MDL EN GRETL 19

FIGURA 4.2: CONTRASTE DE NORMALIDAD DE RESIDUOS DEL MODELO 1 20 FIGURA 4.3: CONTRASTE DE NORMALIDAD DE FORMA FUNCIONAL DEL MODELO 1 20 FIGURA 4.4: CONTRASTE DE HETEROCEDASTICIDAD DE WHITE DEL MODELO 1 21 FIGURA 4.5: CONTRASTE DE HETEROCEDASTICIDAD DE BREUSCH-PAGAN DEL MODELO 1 21

FIGURA 4.6: CONTRASTE DE AUTOCORRELACIÓN DEL MODELO 1 21

FIGURA 4.7: GRÁFICO DE CONTRASTE QLR DE CAMBIO ESTRUCTURAL DEL MODELO 1 22 FIGURA 4.8: CONTRASTE QLR DE CAMBIO ESTRUCTURAL DEL MODELO 1 23 FIGURA 4.9: CONTRASTE DE CHOW DE CAMBIO ESTRUCTURAL DEL MODELO 1 23

FIGURA 4.11: CONTRASTE DE NORMALIDAD DE RESIDUOS DEL MODELO 2 25

FIGURA 4.12: CONTRASTE DE FORMA FUNCIONAL DEL MODELO 2 25

FIGURA 4.13: CONTRASTE DE HETEROCEDASTICIDAD DE WHITE DEL MODELO 2 26

FIGURA 4.18: CONTRASTE DE HETEROCEDASTICIDAD DE WHITE DEL MODELO 3 28 FIGURA 4.19: CONTRASTE DE HETEROCEDASTICIDAD DE BREUSCH-PAGAN DEL MODELO 3 28

(8)

FIGURA 4.24: CONTRASTE DE HETEROCEDASTICIDAD DE WHITE DEL MODELO 4 30 FIGURA 4.25: CONTRASTE DE HETEROCEDASTICIDAD DE BREUSCH-PAGAN DEL MODELO 4 31

(9)

1 INTRODUCCIÓN

La Curva Ambiental de Kuznets (CAK) es una de las cuestiones más estudiadas en los últimos años en términos de degradación ambiental y desarrollo económico. La CAK es una representación gráfica en forma de curva teórica planteada por Simon Kuznets (Kuznets, 1995), que representa la relación entre degradación ambiental (degradación ambiental per cápita) y desarrollo económico (PIB per cápita). De manera general la hipótesis planteada sostiene que la relación entre el desarrollo económico de cualquier economía y cualquier medida de contaminación que pueda ser utilizada como indicador de degradación ambiental, tiene en el largo plazo, una relación funcional con forma de U invertida.

Figura 1: Gráfico de la Curva Medioambiental de Kuznets Fuente: The Environmental Kuznets Curve (EKC) Theory – Part A: Concepts, casuses and de CO2 emissions case (Kaika, 2013)

Como explica Kaika en su artículo The Environmental Kuznets Curve (EKC) Theory (2013), la Figura ¡ que representa la CKA tiene dos variables. La variable dependiente en el eje vertical representa un indicador de degradación ambiental, que puede ser emisiones en el aire de un indicador específico de contaminación, concentración de un contaminante particular en una zona específica o una acción que tenga repercusión en la degradación ambiental. La variable independiente mostrada en el eje horizontal muestra

(10)

el ingreso o el desarrollo económico (per cápita), es decir, el Producto Interior Bruto (PIB per cápita).

Como se puede apreciar en la Figura 1, la representación de la curva nos muestra que, en las fases tempranas de desarrollo económico, la degradación ambiental crece con pendiente positiva hasta un punto (turning point) donde el propio desarrollo económico revierte la pendiente para hacer que la degradación ambiental disminuya en etapas de desarrollo económico posteriores. Este recorrido teórico de la curva tiene diversas explicaciones y connotaciones que lo hacen más o menos plausible a nivel práctico dependiendo del contexto a analizar.

En primer lugar, la explicación de que en etapas más tempranas de desarrollo

económico conlleve mayor degradación ambiental se debe a dos aspectos clave para el entendimiento de la curva: la elasticidad ingreso y demás características de la demanda de calidad ambiental (Selden y Song, 1994; Beckerman, 1992). “El hecho de que recursos naturales sean simultáneamente bienes de consumo e insumo productivo hace que sus patrones de consumo en diferentes etapas del proceso productivo dependan, dada una dotación inicial, de sus respectivas elasticidades de demanda y oferta”, según Mariana L. Cilio en su informe de 2012 sobre investigaciones anteriores (Shafic &

Bandyopadhyay, 1992). Es por este motivo por el que la elasticidad ingreso de la demanda ambiental es uno de los factores más explicativos de la pendiente de la CAK (Zilio, 2012).

Este argumento tiene consistencia en el sentido en que las sociedades más pobres son menos propensas a demandar mejoras de calidad ambiental si no quedan cubiertas primero las necesidades básicas como nutrición, educación o atención sanitaria. Pero a su vez, una vez queden cubiertas las necesidades básicas es lógico que conforme suba el nivel de vida de estas sociedades, sean cada vez más propensas a demandar mejoras en la calidad ambiental, elevando su disposición a pagar por ello de una manera

proporcionalmente mayor al incremento del ingreso (Roca, 2003). Sin embargo, Ekins (2000) apoya que los sectores más pobres, en concreto el sector rural, suele depender del medio ambiente para su propio desempeño. Dicho factor hace que este tipo de

(11)

sociedades tengan una mayor propensión a tomar una actitud defensora de la calidad ambiental sin necesariamente depender de tener un nivel de vida mayor para reclamar dicha calidad ambiental.

En segundo lugar, la explicación de ese cambio de tendencia de la CKA son las transformaciones de las estructuras productivas y diversos efectos del crecimiento económico sobre el medio ambiente. (Grossman & Krueger, 1991). Más concretamente los efectos escala, composición y tecnología explicados por Grossman y Krueger (1991). El efecto escala explica la relación directa entre que, mayor desarrollo

económico implica axiomáticamente mayor generación de residuos, mayor volumen de emisión de contaminantes y por ende mayor daño ambiental. En este viaje temporal la producción incrementa hasta un nivel que genera un cambio en la estructura productiva debido al propio proceso de desarrollo. “El proceso de industrialización alcanza un punto máximo, y en estadios superiores de desarrollo, el crecimiento de la actividad trae aparejado un cambio hacia una economía basada en el sector servicios, claramente menos contaminante que la actividad industrial. Este efecto, llamado de composición, viene dado por cambios en la estructura productiva misma de una economía y genera mejoras en la calidad ambiental a medida que el producto sigue elevándose más allá́ del mencionado punto crítico” (Zilio, 2012). El efecto tecnología es el tercero de los factores que explican el comportamiento teórico de la curva de Kuznets. Grossman y Krueger (1991) concluyen que las naciones más ricas son aquellas que tiene más posibilidad de inversión en investigación y desarrollo en tecnologías limpias, lo que implica que a mayor ingreso per cápita, mayor calidad ambiental. El efecto composición y el efecto tecnología son los efectos que, para los autores mencionados, dan

explicación a la pendiente negativa de la curva a partir del turning point. Tanto es así que, para países en vías de desarrollo, los autores determinan que la relación entre desarrollo económico y degradación ambiental será positiva hasta que no se verifiquen los efectos composición y tecnología.

Como indica Zilio (2012) el argumento de la CAK es cuestionable si lo aplicamos a países menos desarrollados. Nos basamos en la premisa de que los efectos composición y tecnología comienzan a aplicarse una vez que se ha alcanzado un determinado nivel de desarrollo económico, sin embargo, el efecto escala se aplica en los inicios de las

(12)

economías de manera involuntaria. La autora concluye, si bien es necesario alcanzar ciertos niveles de desarrollo económico para lograr el turning point y revertir la

tendencia de la pendiente de la curva, en niveles de ingreso muy inferiores a este punto, no hay razones para garantizar que el curso del crecimiento económico asegure la aparición de los efectos composición y tecnología. Tratando los dos efectos en el contexto de economías en vías de desarrollo, encontramos, por un lado, verificaciones considerables de naciones cuya mayor participación pertenece al sector servicios (Rothman, 1998). Además, este tipo de economías pueden no suponer ser menos

contaminantes ya que algunas actividades aplicadas características de este sector pueden ser igual o mayores contaminantes que las realizadas por el sector industrial.

Considerando que en estos países con un grado de desarrollo económico menor destinan gran parte de recursos a prestación de servicios básicos y compromisos contraídos con organismos financieros internacionales lo que hace que la inversión en investigación y desarrollo no sea optima. Por tanto, necesitan importar tecnología no puntera de otros países más desarrollados que guía a una situación de déficit continuo en investigación y desarrollo (Zilio, 2012).

Otro de los efectos que fundamentan teóricamente la CKA, es el efecto del comercio internacional como cita Mariana Zilio (2012) sobre los trabajos de Arrow et al (1995), Stern et al (1996) y Dasgupta et al (2001); y se refleja también en diversos estudios como el de Dinda (2004) o Kaika (2013). Desde un punto de partida inicial la

repercusión de la expansión del comercio tiende a generar un incremento del desarrollo económico y por ende un aumento del daño ambiental confirmándose así el efecto escala señalado anteriormente (Grossman y Krueger, 1991). Con la entrada en juego del comercio internacional encontramos una nueva situación de transporte de daño

ambiental por los propios desplazamientos ocasionados por la globalización. El

desplazamiento del factor productivo a otros países menos desarrollados juega un papel negativo (para el medio ambiente) en términos de degradación ambiental para los mismos, ya que el “coste de oportunidad” ambiental que deja de generarse en el país desarrollado se transfiere de manera directa al país productor.

Aunque es posible analizar un desplazamiento de contaminación arraigado a la externalización de la producción desde países desarrollados a países en vía de desarrollo, la problemática a nivel global persiste.

(13)

Por otro lado, como factor fundamental tenemos el efecto de los cambios estructurales y el progreso tecnológico en los estudios de la CKA. Como cita Kaika (2013) acerca del trabajo de Shafic y Bandyopadhyay (1992), los avances en tecnología parecen ser el mayor caso de la mejora en contaminaciones de impacto ambiental. Por otro lado, las conclusiones de De Bruyn et al. (1998) en su trabajo dejan ver que las emisiones contaminantes pueden aminorar a lo largo del tiempo debido, con probabilidad, a los cambios estructurales y tecnológicos y no al crecimiento económico.

2 DESCRIPCIÓN DEL CASO DE ESTUDIO: NORUEGA

2.1 CONTEXTUALIZACIÓN

Noruega es un país de la Unión Europea que en términos de desarrollo económico y social se considera puntera por méritos propios. Si bien hay muchos factores dentro de cualquier potencia a analizar que pueden ser relevantes o influir en el caso de estudio, vamos a profundizar en el análisis del país focalizando los aspectos directamente relacionados con el desarrollo económico y la degradación ambiental analizados en la CAK.

Figura 2.1: Gráfico de PIB por sectores de Noruega en 2019 Fuente: Elaboración propia a partir de datos de World Bank

1,9%

29,1%

57,7%

REPARTICION DE LA ACTIVIDAD ECONOMICA POR SECTOR EN TÉRMINOS DE PORCENTAJE DEL PIB

Sector primario Sector secundario Sector terciario

(14)

Como se puede observar en la Figura 2.1, Noruega muestra una distribución económica propia de un país altamente desarrollado, con gran predominio del sector servicios (57,7% del PIB). El segundo gran aporte al tejido productivo se concentra en la industria (29,1% del PIB). Aunque la tendencia en la producción industrial ha ido en decremento propio de una potencia desarrollada, Noruega ha experimentado altibajos en el sector industrial a lo largo de finales del siglo XX hasta la fecha. En 2019 Noruega ha aportado más porcentaje del sector industrial al PIB que en el 1979 (26,1% del PIB) o fechas más actuales como 1998 (27,6% del PIB) según datos del World Bank. El menor porcentaje del aporte al PIB viene del sector agrícola (1,9% del PIB) el cuál ha

decrecido en gran medida desde la década de 1970 hasta la actualidad. La tendencia de la evolución en el desarrollo económico del país es un gran indicador de la propensión hacia el sector servicios.

2.2 ESTRUCTURA DE LA ENERGÍA: % DE CADA FUENTE DE ENERGÍA DEL PAÍS

Noruega es un país que cubre casi el 100% de su demanda de energía eléctrica a través de energías renovables, más concretamente a través de energía hidroeléctrica. Este factor hace distintivo al país nórdico en cuanto a emisiones de CO2 emitidas. Debido a su situación y condición geográfica, Noruega puede cubrir casi el 96% de su demanda energética a través de energía hidroeléctrica y, sumado con las demás energías

renovables, cubre un total del 97,71% de su demanda de energía eléctrica.

(15)

Figura 2.2: Gráfico de fuentes de generación de energía eléctrica en 2019 Fuente: Elaboración propia a partir de datos de World Bank

En materia de emisiones de CO2 Noruega ha experimentado un notable crecimiento desde que se tienen registros en 1960 (3,656 toneladas de CO2 per cápita, fuente World Bank) hasta los últimos análisis (2016) donde alcanza las 7,837 toneladas de CO2 per cápita. En términos de emisiones de CO2 en kilotones, para las mismas fechas, Noruega ha emitido con una progresión en la tendencia similar, 13.102,191 kilotones de CO2 en el año 1960, y 41022, 729 kilotones de CO2 en los datos más actuales analizados de 2016.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Otras renovables Hidroeléctrica Gas natural

Fuentes de producción de energía eléctrica en 2019

(16)

Figura 2.3: Gráfico de emisiones de CO2 (toneladas métricas per cápita) de Noruega Fuente: Elaboración propia a partir de datos de World Bank

Figura 2.4: Gráfico de emisiones de CO2 (kt) de Noruega Fuente: Elaboración propia a partir de datos de World Bank

Como análisis preliminar se puede percibir dos temporalidades simbólicas en el transcurso de la segunda mitad del siglo XX. La contaminación ambiental en base a emisiones de CO2 como se observa en la Gráfico .3 y en la Gráfico 4, Noruega presenta

0 2 4 6 8 10 12

1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Emisiones de CO₂(toneladas métricas per cápita)

0 5000 10000 15000 20000 25000 30000 35000 40000 45000 50000 55000 60000

1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Emisiones de CO₂(kt)

(17)

una relación en la tendencia del parámetro mencionado y la participación del sector industrial (valor agregado al % del PIB).

Figura 2.5: Gráfico de valor agregado de la industria al porcentaje del PIB Fuente: Elaboración propia a partir de datos de World Bank

En comparación con los gráficos de emisiones de CO2 se aprecia a lo largo del eje temporal dos periodos que acentúan dos picos diferentes de crecimiento y decrecimiento de las emisiones unido al crecimiento y decrecimiento de la participación del sector industrial en el país. En primer lugar, en torno a la década de 1980 hasta 1990 y, en segundo lugar, desde la década de los 2000 hasta 2015.

Analizando el PIB per cápita (UMN a precios constantes, en coronas noruegas) se ve un claro crecimiento económico en una escala temporal a largo plazo desde la década de 1960 hasta los valores actuales.

26 28 30 32 34 36 38 40 42

1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Valor agregado de la industria al porcentaje del PIB

(18)

Figura 2.6: Gráfico PIB per cápita, UMN a precios constantes de corona noruega Fuente: Elaboración propia a partir de datos de World Bank

Su nos adentramos en valores contextualizados a nivel global gracias a los datos del PIB per cápita PPA ($ a precios internacionales actuales), se puede apreciar como la

tendencia dibujada en el gráfico sigue el mismo patrón de crecimiento desde la década de 1990 (primeros datos registrados) hasta la actualidad (valores registrados del año 2019).

0 50000 100000 150000 200000 250000 300000 350000 400000 450000 500000 550000 600000 650000

1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

PIB per cápita (UMN a precios constantes)

(19)

Figura 2.7: Gráfico PIB per cápita, PPA, $ a precios internacionales actuales Fuente: Elaboración propia a partir de datos de World Bank

La evolución en el número de la población de Noruega también ha sido notoria a lo largo de la segunda mitad del siglo XX hasta nuestros días con una tendencia alcista con relación al medidor macroeconómico analizado anteriormente.

Figura 2.8: Gráfico de la población total de Noruega

Fuente: Elaboración propia a partir de datos de World Bank 0

10000 20000 30000 40000 50000 60000 70000

1990 1995 2000 2005 2010 2015

PIB per cápita, PPA ($ a precios internacionales actuales)

3000000 3500000 4000000 4500000 5000000 5500000

1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Población total

(20)

Para situar a Noruega con perspectiva a nivel mundial se va a analizar tres de los indicadores anteriormente comentados en comparación con la media de la Unión Europea, Japón, Canadá y Alemania.

Figura 2.9: Gráfico de emisiones de CO2, toneladas métricas per cápita Fuente: Elaboración propia a partir de datos de World Bank

Figura 2.10: Gráfico de PIB per cápita, precios internacionales actuales de 2019 Fuente: Elaboración propia a partir de datos de World Bank

0,000 2,000 4,000 6,000 8,000 10,000 12,000 14,000 16,000

Noruega Unión Europea Alemania Japón Canadá

Emisiones de CO₂(toneladas métricas per cápita)

0 10000 20000 30000 40000 50000 60000 70000 80000

PIB per cápita, PPA 2019 ($ a precios internacionales actuales)

(21)

Figura 2.11: Gráfico de población de 2019 Fuente: Elaboración propia a partir de datos de World Bank

Como se aprecia en la Gráfico , se puede observar como Noruega en valores de

emisiones de CO2 en toneladas métricas per cápita está por debajo de potencias punteras según el indicador de desarrollo económico en el panorama actual. Centrándonos en Europa se puede apreciar que Noruega tiene un mayor número de emisiones per cápita que la media en la Unión Europea y se encuentra por debajo de Alemania (país de la Unión Europea que más emisiones de CO2 produce). En el ámbito internacional observamos como Noruega muestra valores de emisiones de CO2 per cápita también más bajos que países como Japón y Canadá. A su vez es preciso tener en cuenta la variable población ya que, al analizar los parámetros per cápita, la población influye enormemente en el resultado. En la Gráfico 2. se observa como Noruega presenta un número poblacional mucho más bajo que Alemania, Japón y Canadá.

Respecto al indicador macroeconómico PIB per cápita a precios internacionales constantes, Noruega sostiene un valor de producción más alto que la Unión Europea, Alemania, Japón y Canadá. Por ende, se puede concluir que en una relación directa entre emisiones de CO2, producción interna y población, Noruega es una potencia realmente puntera en el panorama mundial.

0 50000000 100000000 150000000 200000000 250000000 300000000 350000000 400000000 450000000 500000000

Población 2019

(22)

Analizando la variable CO2 per cápita que indica las toneladas de CO2 per cápita, tiene los parámetros que se ven en la siguiente tabla:

Figura 2.12: Tabla de valores significativos de la variable CO2pc

3 MARCO TEÓRICO

3.1 OBJETIVO, HIPÓTESIS Y TRATAMIENTO DE LOS DATOS El objetivo de este trabajo consiste en la estimación de un modelo econométrico que sirva para contrastar empíricamente la relación entre degradación ambiental y desarrollo económico que sostiene la Curva Ambiental de Kuznets, en el país de Noruega.

La hipótesis principal que contrastar es comprobar si se cumple de manera gráfica la Curva Ambiental de Kuznets desarrollada por Simon Kuznets en 1995 entre las dos variables anteriormente mencionadas, degradación ambiental y desarrollo económico.

Esta hipótesis sostiene que la relación entre degradación ambiental y desarrollo

económico en una potencia desarrollada sigue una representación gráfica en forma de U invertida. Este proceso, como se ha capitulado anteriormente en el trabajo, se debe a que las emisiones de dióxido de carbono aumentan de igual forma que aumenta el desarrollo económico, hasta que el propio desarrollo económico es capaz de revertir la pendiente alcista pasando por un punto de inflexión (turning point).

Para la realización del mismo se ha utilizado una base de datos de la fuente World Bank Data Open que comprende entre los años 1960 y 2014.

(23)

3.2 ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

El análisis de regresión lineal múltiple es un proceso estadístico mediante el cuál se mide la relación entre dos tipos de variables, por un lado, las variables endógenas o dependientes y respecto de estas, las variables exógenas o independientes con el fin de identificar el comportamiento de la variable dependientes a través de las variables independientes (Novales, 2010).

3.2.1 Modelo lineal general e hipótesis del modelo

El modelo lineal general consta de dos partes con la siguiente relación:

Yt = β1 + β2X2 + β3X3 + …+ βkXk + ut, donde Yt = β1 + β2X2 + β3X3 + …+ βkXk es la parte sistemática del modelo y ut la parte aleatoria del modelo. Cada una de las partes del modelo tiene una implicación en el mismo. Mientas que la parte sistemática especifica las variables explicativas utilizadas, la parte aleatoria identifica la variable respuesta y su distribución de probabilidad. Dentro de cada una de las partes, el modelo ha de cumplir las siguientes hipótesis que van a ser nombradas a continuación.

La parte sistemática satisface los siguientes supuestos básicos:

En primer lugar, linealidad. El supuesto de linealidad requiere que el comportamiento de la variable dependiente se ajuste a los parámetros del modelo de manera lineal para todas las observaciones. Para la explicación de la ecuación del modelo lineal general, este supuesto implica que, sea el vector columna Xk que contiene las T observaciones de la variable Xk, este vector representa la k-ésima columna de la matriz X de orden txk.

La primera columna de X corresponderá a una columna de unos, lo que hace que β1 sea el término constante del modelo. Y, por último, se denomina y al vector columna que contiene las T observaciones de la variable endógena Y, y u al vector que contiene las T perturbaciones aleatorias. Concluimos y = Xβ + u.

(24)

En segundo lugar, las variables explicativas se consideran no estocásticas, esto quiere decir que las variables explicativas Xj (siendo j desde 2 hasta k), se consideran fijas en muestras repetidas, por tanto, la función de distribución de la variable Y condicionada a los regresores fijos de la variable X se representa como f (Y/β).

En tercer lugar, el supuesto de rango completo implica que el rango de la matriz de las variables explicativas es completo por columnas, r(X) = k ≤ T. Suponemos entonces que hay más observaciones que parámetros.

Por otro lado, la parte aleatoria del modelo satisface las siguientes hipótesis:

La hipótesis acerca de la perturbación aleatoria se basa en que el vector de

perturbaciones aleatorias se distribuye de forma independiente mediante una variable aleatoria normal de vector de medias (vector nulo) y con matriz de varianzas y

covarianzas igual a 𝜎²It, siendo It la matriz identidad de orden T. Se concluye que u~N (0, 𝜎²It).

Para que se cumpla esta hipótesis es necesario que se verifiquen los siguientes supuestos:

En primer lugar, E (u) = 0, implica que la influencia media de las variables no incluidas en el modelo es nula. Es decir, la matriz X incluye todas las variables que son

estadísticamente significativas en la explicación del fenómeno observado de la variable y.

En segundo lugar, la varianza de todos los componentes del vector de perturbaciones ut tiene que ser igual, siendo: E (ui2) = 𝜎² ∀ i= 1, 2, …, T. De esta manera se cumple el supuesto de homocedasticidad que indica que todos los elementos de la diagonal principal de la matriz de varianzas y covarianzas son iguales (Torre, 2016). De igual manera todos los elementos fuera de la diagonal en la matriz de varianzas y covarianzas han de ser iguales a 0: E(uiuj) = 0 ∀ i≠j. Así se cumpliría el supuesto de no

autocorrelación como cita (Torre, 2016).

(25)

Otro de los supuestos es la hipótesis de normalidad de los residuos que indica que el vector ut sigue una distribución normal y por tanto presenta independencia en su distribución como citan Nelder y Weddenburn (2016 citado en Torre, 1972).

Por último, la hipótesis de que los parámetros βi del modelo son constantes, es decir, se mantienen los valores β para toda la muestra.

3.2.2 Estimación por mínimos cuadrados ordinarios (MCO)

Para realizar la estimación de los parámetros desconocidos dados por el vector de coeficientes de regresión β y la varianza de la perturbación 𝜎2u, existen dos posibilidades de llevarlo a cabo, el método de mínimos cuadrados ordinarios y el

método de máxima verosimilitud. El que se va a llevar a cabo en el presente trabajo va a ser el método de mínimos cuadrados ordinarios. El criterio de estimación seleccionado se basa en elegir los valores β estimados que minimizan la suma del cuadrado de los errores. Dicha suma se representa como SR = 𝑢 𝑢’ = (𝑦 – X𝛽 ̂)’ (𝑦 – Xβ), a partir de la ecuación Nº anteriormente comentada: 𝑢 = 𝑦 – Xβ.

Derivando parcialmente la ecuación (N) e igualarla a cero (condición de mínimo), se obtienen las ecuaciones necesarias para estimar los parámetros del modelo y obtener la expresión de los estimadores β: 𝛽 ̂ = (X’ X)^-1 X’𝑦.

Partiendo de la ecuación anterior se obtiene la estimación por mínimos cuadrados ordinarios del parámetro de dispersión: σ ̂ = 𝑆𝑅/(𝑇 − 𝐾) .

3.2.3 Método de modelo empleado para el contraste de la CAK

Para contrastar empíricamente la existencia o no de la hipótesis de la curva ambiental de kuznets es necesario plantear el siguiente modelo econométrico:

𝑦t = 𝛼i + β1 xt + β2 xt2 + β3 xt3 + Zt + 𝑢t

En el modelo planteado recogido en numerosos estudios como cita Soumayananda Dinda en su estudio de 2004, la variable endógena 𝑦 representa un indicador ambiental.

(26)

Mientras que la variable X hace referencia al ingreso y por tanto al desarrollo económico. Por último, la variable Z representa otras variables de influencia en la degradación ambiental. Mientras que t hace referencia al tiempo, 𝛼 es la constante del modelo y β es el vector de los coeficientes de las variables.

Como explica Dinda, el modelo mencionado nos refleja los siguientes contrastes que determinan la relación entre desarrollo económico y degradación ambiental:

(i) Si β1 = β2 = β3 = 0. No hay relación entre las variables x e 𝑦.

(ii) Si β1 > 0 y β2 = β3 = 0. Hay una relación lineal creciente entre las variables x e 𝑦.

(iii) Si β1 < 0 y β2 = β3 = 0. Hay una relación lineal decreciente entre las variables x e 𝑦.

(iv) Si β1 > 0, β2 < 0 y β3 = 0. Hay una relación gráfica de U invertida entre las variables x e 𝑦.

(v) Si β1 < 0, β2 > 0 y β3 = 0. Hay una relación gráfica de U entre las variables x e 𝑦.

(vi) Si β1 > 0, β2 < 0 y β3 > 0. Hay una relación gráfica de N entre las variables x e 𝑦.

(vii) Si β1 < 0, β2 > 0 y β3 < 0. Hay una relación gráfica de N invertida entre las variables x e 𝑦.

Posteriormente con la estimación del modelo se realizará el contraste de los parámetros para conocer la relación que presenta Noruega en base a las dos variables de estudio.

4 MODELO ECONOMÉTRICO

Para contrastar la premisa que sostiene la teoría de la Curva Ambiental de Kuznets en Noruega se han utilizado las siguientes variables:

CO2pc: Emisiones de CO2 (toneladas métricas per cápita) PIBpc: PIB per cápita de precios actualizados a 17/02/21 (US$)

(27)

ELEC: Consumo de energía eléctrica per cápita (KW/h)

D87: Variable dummy (1960 – 1986 valor 0, 1987 – 2014 valor 1) Time: Variable numérica que indica el paso del tiempo

El modelo inicial estimado para comprobar la relación de la CAK es el siguiente modelo log-log:

㏒𝑦 = 𝛼1 + β1㏒CO2pc + β2㏒CO2pc2 + β3㏒CO2pc3

Para la especificación del modelo se dispone de una muestra de 55 observaciones que comprende entre los años 1960 y 2014. La base de datos que se ha utilizado pertenece a la fuente World Bank Data Open. Para para visualizar el contraste con la CAK como objetivo, el modelo parte de variables explicativas previamente meditadas.

Progresivamente y para mejor y mayor ajuste del modelo se irán introduciendo determinadas variables explicativas. Por otro lado, el modelo estimado es un sistema log-log por lo que las variaciones en las estimaciones se medirán en términos

porcentuales como veremos posteriormente.

Figura 4.1: Modelo 1 MCO de MDL en Gretl

En este modelo inicial se puede apreciar el contraste de Noruega en relación con la CAK. En relación con la explicación anterior, el modelo presenta la siguiente

(28)

distribución de las β: β1 > 0, β2 < 0 y β3 > 0. Por lo que el modelo demuestra que

Noruega sigue una distribución gráfica de N en relación con en función de las variables de degradación ambiental y desarrollo económico expuestas en la CAK.

Se procede con los contrastes:

o Normalidad de los residuos

= H0: Los residuos se distribuyen de forma normal H1: Los residuos no se distribuyen de forma normal

En primer lugar, el modelo presenta una distribución de los residuos normal, ya que el p-valor del contraste es 0,43>0,05, por lo tanto, aceptamos la hipótesis nula

o Forma funcional

= H0: El modelo tiene una especificación adecuada H1: El modelo no tiene una especificación adecuada

El p-valor del contraste es mayor que 0,05 por lo que aceptamos la hipótesis nula y por consiguiente el modelo presenta una especificación adecuada.

Figura 4.2: Contraste de normalidad de residuos del Modelo 1

Figura 4.3: Contraste de normalidad de forma funcional del Modelo 1

(29)

o Heterocedasticidad

= H0: El modelo presenta homocedasticidad H1: El modelo no presenta homocedasticidad

Tanto el contraste de White como Breusch-Pagan nos retornan p-valores superiores a 0,05 por lo que el modelo es homocedástico.

o Autocorrelación

=H0: Existe autocorrelación H1: No hay autocorrelación

Uno de los problemas que presenta este modelo es el de autocorrelación. El contraste nos devuelve un p-valor inferior a 0,05 por lo que concluimos que el modelo tiene el inconveniente de que las perturbaciones aleatorias del modelo están autocorreladas.

Figura 4.4: Contraste de heterocedasticidad de White del Modelo 1

Figura 4.5: Contraste de heterocedasticidad de Breusch-Pagan del Modelo 1

Figura 4.6: Contraste de autocorrelación del Modelo 1

(30)

o Cambio estructural

=H0: El modelo no presenta cambio estructural H1: El modelo presenta cambio estructural

Se ha realizado el test RV de Quandt (QLR) para detectar posibles rupturas estructurales en el modelo. Analizando el contraste de RV de Quandt (QLR) tanto el gráfico como el estadístico indican que en el 1990 se produce un cambio estructural. Se observa que el p-valor es menor que 0,05, rechazamos la hipótesis nula, por lo que observamos que el cambio estructural aparece en el año 1990.

Figura 4.7: Gráfico de contraste QLR de cambio estructural del Modelo 1

(31)

Figura 4.8: Contraste QLR de cambio estructural del Modelo 1

o Test de Chow de permanencia estructural

Con el fin de que la ficticia recoja adecuadamente el cambio estructura hemos probado mediante el test de Chow otros puntos de ruptura alrededor del 1990 (1987, 1989)

=H0: El modelo no presenta cambio estructural H1: El modelo presenta cambio estructural

El p-valor del contraste de Chow es claramente inferior a 0,05 lo que implica que el modelo estimado tiene un cambio de estructura alrededor del año 1987. Este aspecto tiene también posible evidencia de haber autocorrelación en las variables explicativas como nos ha desvelado el contraste anterior.

Este cambio estructural visible en el Gráfico 2.4 de las emisiones de contaminación ambiental (CO2pc) se debe a la crisis del petróleo y su bajada de precios en el año 1986, produciéndose un freno en la expansión económica (por tanto, también en la

contaminación ambiental debida a la producción de petróleo). Noruega se caracterizaba por ser una potencia con alta participación en el sector petrolero. Según datos de la Organización para la Cooperación y el Desarrollo Económicos (OCDE), Noruega alcanzó en el año 1974 el 37% de participación del sector petrolero en el PIB. La regresión económica que produjo una disminución del impacto ambiental se produjo según Rodríguez (1998) porque la caída de los ingresos fiscales fue proporcionalmente mayor a la de los precios. De esa manera se evidencia la gran dependencia de Noruega

Figura 4.9: Contraste de Chow de cambio estructural del Modelo 1

(32)

por el sector petrolero y pese a que se intentó invertir en otras industrias, finalmente se reforzó el tejido industrial petrolero para defender la posición en el sector y poder compensar la caída de los ingresos, hasta llegar a alcanzar la segunda posición en la clasificación mundial de exportadores de petróleo Rodríguez (1998). En el año 1990 comienza la estabilización de los precios y el mercado petrolero. Toda la información en base a la dependencia económica de Noruega respecto al petróleo ha sido

documentada por el trabajo de Alba Gubía Benito (2019).

Debido a la alta contaminación ambiental en términos de emisiones de CO2 que emite la producción de petróleo se justifica el cambio estructural del modelo en el año 1990 resultante por la aclaración del párrafo anterior. La bajada en la producción de petróleo por la crisis del mismo en 1986 afirma el cambio estructural que se revierte en el año 1990 con la estabilización de los precios del petróleo.

Con el fin de solventar el problema de cambio estructural ocasionado en el primer modelo, se ha estimado el siguiente modelo.

Con la intención de solventar la problemática anterior se han introducido la variable dummy D87 tanto de manera aditiva como de manera multiplicativa en el modelo. La variable D87 es una variable cualitativa que toma valores igual a 0 desde el año 1960 hasta 1986, y toma valores igual a 1 desde el año 1987 hasta el año 2014. De esta forma

(33)

se pretende estructurar el modelo en dos partes diferenciadas tratando de evitar la problemática de cambio estructural.

Se proceden a realizar los contrastes:

El modelo tiene una distribución de los residuos normal ya que el p-valor del contraste es mayor que 0,05 (redondeando a dos decimales) por lo que aceptamos la hipótesis nula.

Figura 4.12: Contraste de forma funcional del Modelo 2

La forma funcional es correcta ya que el p-valor del contraste de especificación de RESET es mayor que 0,05.

(34)

El contraste de White nos retorna un p-valor mayor que 0,05 por lo tanto el modelo es homocedástico.

El p-valor del contraste es mayor que 0,05 por lo que el modelo no presenta autocorrelación en las variables explicativas.

Calculando los turning points en el primer periodo las raíces del polinomio de tercer grado de dicho periodo resultaron números complejos (la suma de un número real y un número imaginario) y en el segundo periodo raíces reales apuntando a una forma de N invertida. En este punto se ha decidido separar el modelo en dos periodos de datos debido al cambio estructural anteriormente mencionado. Al introducir la variable dummy (D87) que toma valor 0 desde el año 1960 hasta el año 1986, y valor 1 desde el año 1987 hasta el 2014, el modelo sufre una división en los dos periodos citados. Para mayor contraste del modelo, se va a analizar en dos modelos diferentes. El primer periodo se desarrolla entre los años 1960 y 1989, mientras que el segundo periodo va del año 1990 (año donde se produce cambio estructural) hasta el año 2014.

De esta forma se obtiene el siguiente modelo con los contrastes a desarrollar:

(35)

Dividiendo el rango muestral del modelo inicial cuya representación gráfica era en forma de N, va a desglosarse como vemos en la Figura 4.15, en dos modelos cuya representación gráfica es una U invertida (β1 > 0, β2 < 0 y β3 = 0). En este modelo se han introducido las variables time y Elec de manera aditiva y en su forma original porque mejoran la significatividad del modelo. De igual manera, se ha omitido la variable l_PIBpc3 (β3 = 0) porque deja de tener significatividad para este rango y por tanto para este modelo como se ha explicado anteriormente de manera gráfica.

Figura 4.16: Contraste de normalidad de residuos del Modelo 3

Como el p-valor del contraste es mayor que 0,05 el modelo sigue una distribución de los residuos normal.

(36)

Figura 4.17: Contraste de forma funcional del Modelo 3

De igual manera la forma funcional es adecuado como se ve en el gráfico tal, puesto que el valor del contraste es mayor que 0,05.

Figura 4.18: Contraste de heterocedasticidad de White del Modelo 3

Los contrastes de heterocedasticidad de White y de Breusch-Pagan retornan p-valores mayores que 0,05 por lo que aceptamos la hipótesis nula, es decir, el modelo es homocedástico.

(37)

Figura 4.20: Contraste de autocorrelación del Modelo 3

Aceptamos la hipótesis nula de que no hay correlación entre las variables explicativas puesto que el p-valor del contraste es mayor que 0,05.

Por último, el modelo que comprende entre los años 1990 y 2014 es el siguiente:

La Figura 4.21 representa la segunda parte del rango muestral del modelo inicial, desde el año 1990 (año donde se produce el cambio estructural en el modelo inicial) hasta 2014. Como se ha comentado en el modelo anterior, este modelo también cumple con la representación gráfica en forma de U invertida (β1 > 0, β2 < 0 y β3 = 0), que juntamente con el modelo resultante inicial (Modelo 8) forman la representación gráfica de N original. En este modelo la variable l_PIBpc3 es nula y no se ha introducido ninguna variable explicativa además de β1 y β2 ya que no mejoran la significatividad del modelo.

(38)

Se proceden a realizar los contrastes:

Los residuos se distribuyen de manera normal ya que el p-valor del contraste es mayor que 0,05, por consiguiente, se acepta la hipótesis nula.

Figura 4.23: Contraste de forma funcional del Modelo 4

Lo forma funcional del modelo es adecuada debido a que el p-valor del contraste es mayor que 0,05. Aceptamos la hipótesis nula.

(39)

Tanto el contraste de heterocedasticidad de White como Breusch-Pagan retornan p- valores mayores que 0,05, por lo que aceptando la hipótesis nula el modelo es homocedástico.

El contraste de autocorrlación proporciona un p-valor mayor que 0,05, por lo que aceptando la hipótesis nula podemos concluir que el modelo no presenta correlación entre las variables explicativas.

5 RESULTADOS E INTERPRETACIÓN

Se van a presentar los resultados de los modelos analizados anteriormente.

5.1 RESULTADOS DE LOS MODELOS CONCLUYENTES El modelo econométrico que contrasta la CKA en Noruega es el siguiente:

ln𝐶02𝑝𝑐 = − 222,209 + 76,273 ln𝑃𝐼𝐵𝑝𝑐 – 8,851 ln𝑃𝐼𝐵𝑝𝑐2 + 0,322 ln𝑃𝐼𝐵𝑝𝑐3 + 1496,32 𝐷87 − 427,532 𝐷87 𝑙𝑛 𝑃𝐼𝐵𝑝𝑐 + 40,936 𝐷87 𝑙𝑛 𝑃𝐼𝐵𝑝𝑐2

− 1,314 𝐷87 𝑙𝑛 𝑃𝐼𝐵𝑝𝑐3 – 0,001 𝐸𝑙𝑒𝑐 + 0,001 𝐸𝑙𝑒𝑐2 (1)

(40)

Por la existente problemática de cambio estructural, la variable dummy introducida implica instantáneamente la diferenciación de dos modelos, según sea el valor de la variable (0 o 1).

En el primer periodo (1960-1987), cuando la variable D87 toma el valor 0 obtenemos el siguiente modelo:

𝑙𝑛𝐶02𝑝𝑐 = − 222,209 + 76,273 𝑙𝑛𝑃𝐼𝐵𝑝𝑐 – 8,851 𝑙𝑛𝑃𝐼𝐵𝑝𝑐2 + 0,322 𝑙𝑛𝑃𝐼𝐵𝑝𝑐3 – 0,001 𝐸𝑙𝑒𝑐

+ 0,001 𝐸𝑙𝑒𝑐2 (2)

Atendiendo al análisis de los valores βk del modelo, como se ha mencionado

anteriormente, son: β1 > 0, β2 < 0 y β3 > 0. Por lo tanto, la relación entre degradación ambiental (C02pc) y desarrollo económico (PIBpc) tiene una representación gráfica en forma de N. Esto conlleva que el país noruego en sus etapas iniciales de desarrollo económico tiene una relación creciente respecto a la degradación ambiental hasta un punto que se produce el primer turning point, donde el propio desarrollo económico ayuda a disminuir el impacto ambiental, cumpliéndose así los efectos escala,

composición y tecnología. Con el paso del tiempo lo que implica esta gráfica en forma de N es la repetición a priori del proceso anterior donde vuelve a disminuir la

degradación ambiental mientras el desarrollo económico también disminuye (siguiendo la tendencia gráfica).

En el segundo periodo (1988-2014), cuando la variable D87 toma el valor 1 obtenemos el siguiente modelo:

𝑙𝑛𝐶02𝑝𝑐 = − 1274,111 − 351,2589 𝑙𝑛𝑃𝐼𝐵𝑝𝑐 + 32,35437 𝑙𝑛𝑃𝐼𝐵𝑝𝑐2

− 0,992021 𝑙𝑛𝑃𝐼𝐵𝑝𝑐3 – 0,001 𝐸𝑙𝑒𝑐 + 0,001 𝐸𝑙𝑒𝑐2

(3)

(41)

Atendiendo al análisis de los valores βk del modelo, son: β1 < 0, β2 > 0 y β3 < 0. Por lo tanto, la relación entre degradación ambiental (C02pc) y desarrollo económico (PIBpc) tiene una representación gráfica en forma de N invertida. Tiene relación con el rango temporal anterior ya que refleja la unión gráfica de la primera serie temporal en forma de N con la segunda en forma de N invertida.

Debido al cambio estructural (1990) presentado en el apartado anterior, y para mayor contraste del modelo, se ha decidido estudiar el modelo dividiéndolo en dos modelos diferentes con dos rangos temporales si introducir la variable dummy.

El primer modelo cuyo rango muestral recoge desde el año 1960 hasta el año 1989 es el siguiente:

ln𝐶02𝑝𝑐 = − 222,209 + 76,273 ln𝑃𝐼𝐵𝑝𝑐 – 8,851 ln𝑃𝐼𝐵𝑝𝑐2 + 0,322 ln𝑃𝐼𝐵𝑝𝑐3 + 1496,32 𝐷87

− 427,532 𝐷87 ln 𝑃𝐼𝐵𝑝𝑐 + 40,936 𝐷87 ln 𝑃𝐼𝐵𝑝𝑐2

− 1,314 𝐷87 ln 𝑃𝐼𝐵𝑝𝑐3– 0,001 𝐸𝑙𝑒𝑐 + 0,001 𝐸𝑙𝑒𝑐2 (4)

En este primer desglose del rango muestral el modelo sigue la siguiente configuración de las βk: β1 > 0, β2 < 0 y β3 = 0. Por lo tanto, la representación gráfica del modelo para la cumple una forma de U invertida que tiene relación con la primera parte del modelo inicial mencionado en este apartado, el cuál, se representa gráficamente en forma de N.

Además, cabe resaltar que la inclusión de una tendencia temporal time permite reducir la parte inexplicada de la variación total en las emisiones de CO2pc mediante la captura de una serie de factores, distintos al factor PIBpc, como los cambios tecnológicos, cambios demográficos, regulaciones medioambientales, cambios en las preferencias de los consumidores, entre otras. La tendencia temporal time en el modelo indica que pueda que exista una forma de U invertida pero dicha forma desaparece con el tiempo moviendo hacia arriba.

(42)

Para la segunda parte del rango muestral que comprende entre los años 1990 y 2014, el modelo econométrico concluyente es el siguiente:

ln𝐶02𝑝𝑐 = − 29,895 + 5,712 ln𝑃𝐼𝐵𝑝𝑐 – 0,253 ln𝑃𝐼𝐵𝑝𝑐2 (4)

El modelo presenta las mismas características de los parámetros βk: β1 > 0, β2 < 0 y β3 = 0. Por lo tanto, la representación gráfica del modelo sigue una forma de U invertida, formando parte y explicando la N invertida concluida en estos parámetros temporales.

A diferencia del modelo inicial con la variable dummy D87, se ha dividido el rango temporal en el año 1990 a causa del cambio estructural en este año detectado

anteriormente en el contraste de QLR de cambio estructural. Mientras que en el modelo inicial se corrige el cambio estructural en el año 1987 (D87) porque se explica mejor el mismo.

5.2 TURNING POINTS

Los puntos de cambio de tendencia en las gráficas de los modelos se denominan turning points. En ellos se explica la relación de las variables respecto a la hipótesis de la CKA.

Para el desarrollo de este cálculo es preciso tener en cuenta las variables dummy que entran en juego alterando el modelo. Cuando la variable dummy toma valor 0 es decir, desde el año 1960 hasta el año 1986 (forma gráfica de N), va a proporcionar unos valores. Mientras que para el segundo rango de la muestra (forma gráfica de N invertida) va a proporcionar otros valores.

(43)

Para el primer periodo del modelo (dummy = 0), los turning point calculados derivando parcialmente la variable CO2pc respecto el PIBpc retornan valores imaginarios, por lo que no podemos determinar los valores exactos de cambio de tendencia.

Para el segundo periodo del modelo (dummy = 1), los turning points retornan los valores a = 78747,36 $ y b = 35206,36 $ (medido en dólares estadounidenses).

Estos turning points obtenidos del modelo amplio con la ficticia D87 son coherentes con los turning points obtenidos mediante el modelo dividido en dos periodos.

Para el segundo periodo, el modelo econométrico utilizado aisladamente, cumple la respresentación gráfica de U invertida planteada en la hipótesis de la CAK, como se ha mencionado anteriormente. Derivando parcialmente las emisiones de dióxido de carbono per cápita entre el producto interior bruto per cápita se halla el siguiente turning point: c = 79857,57 $ (dólares estadounidenses).

Los turning points resultantes de ambos modelos se concluyen coherentes ya que el valor máximo (78747,36 $) del modelo amplio con la variable dummy (D87) para el segundo periodo es prácticamente el mismo que el valor máximo del modelo individual para este segundo periodo con la concluyente representación gráfica de U invertida (79857,57 $).

Debido a que todos los turning points calculados retornan valores dentro del rango máximo y mínimo de las variables utilizadas, refleja que la reversión de la pendiente alcista planteada en la CAK es plausible ser revertida hacia el cambio de tendencia bajista. Así se concluye que Noruega cumple con la hipótesis de la CAK desarrollada por Simon Kuznets en 1995.

Centrando la atención en el segundo período temporal, se aprecia como las emisiones de C02 per cápita mantienen una relación creciente con la renta per cápita hasta alcanzar un nivel de renta (turning point, 79857,57$) a partir del cuál, los incrementos en la renta

(44)

van acompañados de aumentos por parte de las emisiones de dióxido de carbono cumpliendo así la representación gráfica en forma de U invertida.

6 CONCLUSIONES

Conforme el análisis econométrico obtenido se puede concluir que Noruega es una potencia altamente desarrollada que tiene un patrón de emisiones muy variante según el contexto mundial.

Como se ha analizado en este trabajo Noruega es una potencia que aporta pocas

emisiones de dióxido de carbono al medio ambiente en términos netos. Sin embargo, en términos per cápita se encuentran valores más altos debido a su menor densidad de población en comparación con la media europea. Sumando la variable PIB per cápita se aprecia como Noruega se encuentra en una posición mucho más ventajosa dentro del contexto mundial. La consecución de estos dos factores hace del país nórdico uno de los más desarrollados en lo que se refiere al caso de estudio.

Puesto que Noruega puede haber concluido las etapas iniciales características de la CAK (primera fase de N gráfica entre los años 1960 y 1986), como los efectos escala, composición y tecnología explicados por Grossman y Krueger (1991), que hacen que se revierta la pendiente mediante el primer turning point alcanzado por los efectos citados.

La gran participación de la industria petrolera en el país hace que, en los cambios de la tendencia de la CKA jueguen un papel crítico. Es por ello por lo que los cambios de tendencia una vez superados los efectos iniciales de la CKA se muestren muy propensos a los cambios de la industria petrolera en el entorno mundial.

Como se ha expuesto anteriormente, la crisis del petróleo implica un cambio estructural en el modelo, lo que refleja la gran influencia de la industria petrolera a las emisiones totales de dióxido de carbono en Noruega.

(45)

Generalizando el modelo, se puede apreciar como pese a las variaciones de tendencia, Noruega toma valores altos de emisiones, pero finalmente tienen una tendencia a la baja de las mismas. Por lo que en cuanto la hipótesis de la CAK de Simon Kuznets, el

proceso de desarrollo económico finalmente sí que producirá una tendencia bajista de las emisiones, formando una relación gráfica en forma de U invertida que simboliza la relación entre degradación ambiental y desarrollo económico estudiadas en el trabajo.

En el contexto actual, la influencia de pactos medioambientales de orden internacional tiene efectos positivos en la disminución de las emisiones de dióxido de carbono globales debido a la situación crítica de cambio climático referente a nuestro planeta.

Pese a que Noruega goza de una situación geográfica privilegiada para la generación de energía limpia, se han abierto proyectos como Northen Lights, que se estiman

operativos para el año 2024. Este proyecto ha sido diseñado para la captura de CO2 de la atmósfera y su almacenamiento en instalaciones submarinas en la costa oeste de

Noruega con el fin de conseguir alcanzar los objetivos del Acuerdo de Paris

(reducciones de un 40% de las emisiones de dióxido de carbono con respecto al año 1990) (Vila Malmö, 2021).

(46)

7 BIBLIOGRAFIA

Arrow, K., Bolin, B., Constanza, R., Dasgupta, P., Folke, C., Holling, C., & al., e.

(1995). Economic growth, carrying capacity, and the environment. Ecological Economics 15(2), 91-95.

Bank, W. (s.f.). World Bank Open Data. Obtenido de World Bank Open Data:

https://www.bancomundial.org/

Beckerman, W. (1992). Economic Growth and the environment: whose growth? Whose environment? World development 20(4), 481-496.

Benito, A. G. (Abril de 2019). NORUEGA Y VENEZUELA: LA HISTORIA DE DOS ECONOMÍAS QUE UN DÍA FUERON IGUALES.

Dasgupta, S., Laplante, B., & Mamingi, N. (2001). Pollution and capital market in developing countries. Journal of Environmental Economics and Management 42, págs. 310-335.

Dinda, S. (2004). Environmental Kuznets Curve Hypothesis: A Survey. Science Direct, 431-455.

Ekins, P. (2000). Economic growth and environmental sustainability: the prospects for green growth. Rowtledge, London: Routledge.

Grossman, G., & Krueger, A. (1991). Environmental impacts of a North American Free Trade Agreement. NBER, Working Paper 3914.

Kaika, D. (2013). The Environmental Kuznets Curve (EKC) theory—Part A: Concept, causes and the CO2 emissions case. Energy Policy 62, 1392–1402.

Kuznets, S. (1995). Economic growth and income inequality. American Economic Review 49, 1-28.

Nelder, J. A. (1972). “Generalized Linear Models”. Journal of the Royal Statistical Society vol.135, págs. 370-384.

Novales, A. (2010). Análisis de Regresión . Madrid.

Roca, J. (2003). Do individual preferences explain Environmental Kuznets Curve?

Ecological Economics 45(1), 3-10.

(47)

Rothman, D. (1998). Environmental Kuznets curves-real progress or passing the buck?

A case for consumption-based approaches. Ecological Economics 25, 177-195.

Selden, T., & Song, D. (1994). Environmental quality and development: is there a Kuznets curve for air pollution emissions? Journal of Environmental Economics and Management 27 (2), págs. 147-162.

Shafic, N., & Bandyopadhyay, S. (1992). Economic growth and environmental quality:

time series and cross-country evidence. Policy Research Working Paper, World Development Report, WPS 904.

Stern, D., Common, M., & Barbier, E. (1996). Economic growth and environmental degradation: the environmental Kuznets curve and sustainable development.

World Development 24(7), 1151-1160.

Torre, A. C. (2016). El mercado del aceite de oliva: estimación de la demanda en España, Aragón y Cataluña (2000-2014). Zaragoza.

Vila Malmö, N. (10 de 01 de 2021). La Vanguardia. Obtenido de

https://www.lavanguardia.com/economia/20210110/6177872/noruega-lanza- mayor-proyecto-captura-almacenamiento-co2.html

Zilio, M. I. (2012). Curva de Kuznets ambiental: la validez de sus fundamentos en países en desarrollo. Cuadernos de economía 35, 43-54.