Impacto de la calidad de gobierno, la renta y el progreso tecnológico sobre las emisiones de CO2. Un análisis para Latinoamérica

1 Máster Universitario en Economía y Desarrollo Facultad de C. Económicas y Empresariales Máster Oficial en Economía y Desarrollo IMPACTO DE LA CALIDAD DE GOBIERNO, LA RENTA Y EL PROGRESO TECNOLÓGICO SOBRE LAS EMISIONES DE CO2. UN ANÁLISIS PARA LATINOAMÉRICA Trabajo de Fin de Máster presentado para optar al Título de Máster Universitario en Economía y Desarrollo por Juan Camilo Molina, siendo el tutor del mismo la Dña. Rocío Román Collado y el D. José Manuel Cansino Muñoz-Repiso. Vº. Bº. del Tutor: Vº. Bº. del Tutor: Alumno: Dña. Rocio Román Collado D. José Manuel Cansino D. Juan Camilo Molina Sevilla, 3 de Noviembre del 2017 2 Máster Universitario en Economía y Desarrollo Facultad de C. Económicas y Empresariales Máster Oficial en Economía y Desarrollo TRABAJO DE FIN DE MÁSTER CURSO ACADÉMICO [2016-2017] TÍTULO: IMPACTO DE LA CALIDAD DE GOBIERNO, LA RENTA Y EL PROGRESO TECNOLÓGICO SOBRE LAS EMISIONES DE CO2. UN ANÁLISIS PARA LATINOAMÉRICA AUTOR: D. Juan Camilo Molina TUTORES ACADÉMICOS: Dra. DÑA. ROCIO ROMÁN COLLADO Dr. D. JOSÉ MANUEL CANSINO MUÑOZ-REPISO RESUMEN: La investigación tiene un triple objetivo; contrastar la hipótesis de la Curva de Kuznets Ambiental, analizar el efecto sobre ella de la calidad institucional y analizarlo también para el progreso tecnológico. El análisis se centra en 18 países de Latinoamérica para periodo de 1996 hasta el año 2013. Las hipótesis contratadas son: H1: Las emisiones contaminantes presentan una relación de CKA. H2: La calidad de las instituciones afecta la relación CKA mitigando el impacto ambiental del crecimiento económico. H3: El progreso tecnológico permite alcanzar el punto máximo de la CKA más rápidamente. Los resultados confirman la hipótesis de la CKA. Cualquier incremento en la estabilidad política mitiga las emisiones de efecto invernadero. Los resultados para la variable progreso tecnológico también satisfacen las expectativas teóricas. PALABRAS CLAVE: Curvas de Kuznets ambientales, Calidad de las instituciones, emisiones de CO2, Latinoamérica. ABSTRACT: This research has a three objectives; to test the hypothesis of the Environmental Kuznets Curve, to analyze the effect on it of institutional quality and to analyze it also for technological progress. The analysis focuses on 18 countries in Latin America for the period from 1996 to 2013. The hypotheses verified are: H1: Polluting emissions show a CKA relation. H2: The quality of the institutions affects the CKA relationship, mitigating the environmental impact of economic growth. H3: Technological progress allows reaching the maximum point of the CKA more quickly. The results confirm the CKA hypothesis. Any increase in political stability mitigates greenhouse gas emissions. The results for the technological progress variable also satisfy the theoretical expectations. KEYWORDS: Environmental Kuznets Curve, Institutional quality, CO2 emissions, Latinamerica. 3 Máster Oficial en Economía y Desarrollo IMPACTO DE LA CALIDAD DE GOBIERNO, LA RENTA Y LA TECNOLOGÍA SOBRE LAS EMISIONES DE CO2. UN ANÁLISIS PARA LATINOAMÉRICA 1.- Introducción. Existe una preocupación creciente entre los ciudadanos, los responsables de los gobiernos y numerosas organizaciones no gubernamentales sobre las crecientes emisiones de gases de efecto invernadero, de otros gases contaminantes y, en general, sobre la degradación medioambiental. La principal preocupación se centra en el problema del calentamiento global y el cambio climático tanto en los países desarrollados como en los países en desarrollo. Las acciones más recientes por parte de la comunidad internacional se han plasmado en el Acuerdo de París. Existe todo un cuerpo emergente en la literatura económica que ha puesto el foco en la relación entre variables económicas y la degradación medioambiental. Por ejemplo, las curvas de Kuznets (1995) permiten el análisis entre los ingresos y su impacto medioambiental. Para ello la literatura disponible analiza la relación causal entre alguna medida de degradación ambiental y el crecimiento de los ingresos a través de la denominada Curva de Kuznets ambiental (CKA). La hipótesis CKA propone que la degradación ambiental describe gráficamente una relación en forma de U invertida con el desarrollo económico (Shafik y Bandyopadhyay, 1992; Hettige, et al. 1992; Grossman y Krueger, 1995; Vincent, 1996). Esta hipótesis supone que durante una primera fase el crecimiento económico va acompañado por un aumento de la degradación medioambiental hasta alcanzar un punto máximo a partir del que situaciones como el cambio estructural de una economía 4 industrial a una de servicios, el progreso tecnológico, la mejora de las regulaciones ambientales y/o sistema de incentivos, generan una mejora en la calidad ambiental. En la parte descendente de la CKA mayores niveles de renta actúan como mitigadores de la degradación ambiental como consecuencia de usos respetuosos con el medio ambiente de los productos y las tecnologías. Por ejemplo, los países con una renta mayor invierten en la introducción de energías renovables en su mix de recursos energéticos para, finalmente, reducir las emisiones contaminantes procedentes de la quema de combustibles fósiles. Estudios como los de Stern (2004), Luzzati y Orsini (2009), Halicioglu (2009) ofrecen revisiones recientes de la literatura en torno a las CKA. Los estudios pioneros de Panayotou (1997) y Munasinghe (1999) han demostrado que el crecimiento sostenible es posible gracias a las fuerzas mitigadoras de la capacidad y la efectividad de los gobiernos para promover un marco de politicas reguladoras sobre la CKA. El mejor conocimiento de la forma de las CKA permitiría influir con medidas apropiadas los factores que hace más rápido alcanzar el punto máximo de degradación ambiental. Estas aportaciones deben considerarse de forma conjunta con los estudios que analizan el impacto de las instituciones sobre el crecimiento económico y la degradación medio ambiental. La segunda de las relaciones mencionadas (calidad de las instituciones y degradación medioambiental) ha sido menos tratada por la literatura que la primera (Easterly y Levine, 2003; Hall y Jones, 1999; Rodrik et al. 2004 y Bhattacharyya, 2009). Algunos estudios que han incluido el impacto de la calidad de las instituciones en la relación CKA son Bhattarai y Hammig (2001), Culas (2007), Bernauer y Koubi (2009), Bhattacharya, et al.,(2017), Hosseini y Kaneko (2013). Las instituciones se definen como las limitaciones humanas que estructuran la interacción política, económica y social. Consisten tanto en limitaciones informales, sanciones, tabúes, costumbres, tradiciones y códigos de conducta, como en normas formales, leyes, derechos de propiedad (North 1991). A diferencia de la relación 5 entre la renta y la degradación medioambiental, la relación entre ésta y la calidad de las instituciones ha recibido un tratamiento mucho más limitado por la literatura especializada. El trabajo de Acemoglu et al. (2005) es una notable excepción aunque se centra principalmente en analizar el impacto de la calidad de las instituciones sobre actuaciones que mitigan la degradación medioambiental como la mayor penetración de energías renovables. La pregunta relevante aquí sería ¿una mejora en la calidad de las instituciones actúa como un factor mitigador de la degradación medioambiental? Más específicamente esta investigación tiene un triple objetivo; contrastar la hipótesis de la Curva de Kuznets Ambiental, analizar el efecto sobre ella de la calidad institucional y analizarlo también para el progreso tecnológico. En este documento, junto a las variables habitualmente incluidas en la literatura especializada se analiza también el posible papel mitigador del progreso tecnológico en las emisiones contaminantes. El análisis se centra en 18 países de Latinoamérica para periodo de 1996 hasta el año 2013. La selección de la muestra se ha hecho incluyendo a los países para los que los datos estaban disponibles. Específicamente la investigación contrasta las siguientes hipótesis: H1: Las emisiones en Latinoamérica, durante el periodo de estudio, presentan una relación del tipo CKA. H2: La calidad de las instituciones afecta la relación CKA mitigando el impacto ambiental que ejerce el crecimiento económico. H3: El progreso tecnológico al igual que las instituciones permite alcanzar el punto máximo de la relación CKA más rápidamente. Este estudio contribuye a la literatura investigando por primera vez de forma conjunta el impacto sobre la degradación medioambiental en el área de Latinoamérica de la renta, la calidad de las instituciones y el progreso tecnológico. Los principales resultados confirman la hipótesis de 6 la CKA. Se encuentra evidencia robusta de que cualquier incremento en la estabilidad política mitiga las emisiones de efecto invernadero. Finalmente, los resultados para la variable progreso tecnológico también satisfacen las expectativas teóricas. El trabajo se estructura como sigue. Tras la introducción, la sección 2 detalla los modelos utilizados. La sección 3 describe los datos utilizados. Los modelos ajustados y los principales resultados son mostrados en la sección 4. Las principales conclusiones se resumen en la sección 5. 2.- Metodología. Para contrastar las hipótesis planteadas se parte del modelo clásico de curva de Kuznets ambiental para testar la relación entre la degradación ambiental y el crecimiento de los ingresos. La especificación del modelo en la Eq (1) sigue a Grossman y Krueger (1995), Panayotou (1997), De Bruyn (1997), Dinda (2004), Pablo-Romero y De Jesús (2016), Pablo-Romero y Sánchez- Braza (2017), Özokcu y Özdemir (2017) y Liobikienė y Butkus (2017). 𝑌𝑖𝑡 = 𝛽1𝑋𝑖𝑡 + 𝛽2𝑋𝑖𝑡2+ 𝛽3𝑋𝑖𝑡3+ 𝛽4𝑍𝑖𝑡 + µ𝑖+ 𝛿𝑡+ 𝜀𝑖𝑡 (1) Donde i = i, …, N son los países del panel y t = 1, …, T los años incluidos en el periodo analizado. Y es el indicador de calidad ambiental medido por las emisiones contaminantes. X es la variable que mide el nivel de ingresos de cada país. Z representa un vector que incluye variables de control habitualmente utilizadas por la literatura especializada, mientras que µ𝑖 mide el efecto fijo no observado específico de cada país y 𝛿𝑡 representa el efecto específico de tiempo. 𝜀 captura la perturbación estocástica. Los diferentes coeficientes de X permiten conocer la forma de la curva 7 y testar la hipótesis CKA. Las diferentes formas que puede tomar la curva están resumidas en la Tabla 1 (Özokcu y Özdemir, 2017). La hipótesis CKA se cumple cuando la curva presenta la forma de U invertida. El término al cubo se incluye para evaluar si después de la reducción en la degradación ambiental al aumentar el nivel de ingresos, la tendencia se invierte, formando una N. Tabla 1. Relación entre X y Y. 𝛽1> 0 𝛽2= 0 𝛽3= 0 Monótonamente creciente. 𝛽1< 0 𝛽2= 0 𝛽3= 0 Monótonamente decreciente 𝛽1> 0 𝛽2< 0 𝛽3= 0 Forma de U invertida. La CKA es válida. 𝛽1< 0 𝛽2> 0 𝛽3= 0 Forma de U 𝛽1> 0 𝛽2< 0 𝛽3> 0 Forma de N 𝛽1< 0 𝛽2> 0 𝛽3< 0 Forma de N invertida Fuente: Özokcu y Özdemir (2017). Para medir la degradación medioambiental en nuestro modelo utilizamos el total de emisiones de gas de efecto invernadero per cápita medida en kt de CO2 equivalente (GEIpc). Se trata de una variable ampliamente utilizada en la literatura especializada (Sanchez y Stern, 2016, Liobikienė y Butkus, 2017, Yang et al. 2017). El nivel de ingreso esta medido por el PIB per cápita en dólares del 2011 y paridad de poder adquisitivo (PIB pc). Para suavizar los valores atípicos y obtener directamente las elasticidades se han tomado logaritmos en ambas variables. La Eq (1) queda reescrita como: 𝑙𝑛𝐺𝐸𝐼𝑝𝑐𝑖𝑡 = 𝛽1𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 + 𝛽2𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡2+ 𝛽3𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡3+ 𝛽4𝑍𝑖𝑡 + µ𝑖+ 𝛿𝑡+ 𝜀𝑖𝑡 (2) 8 Dado que nuestro estudio no se limita a probar la hipótesis de la CKA sino que también incluye los objetivos de analizar el efecto que la calidad institucional y el progreso tecnológico tienen sobre esta, hemos añadido a la formulación clásica de CKA una variable que mide la calidad institucional de cada país (INST) y otra que capta el progreso tecnológico (TEC). Nuestra hipótesis es que tanto la calidad institucional como el progreso tecnológico se comportan como mitigadores de emisiones. Adicionalmente el modelo incluye los productos cruzados (PIB pc*INST) y (PIB pc*TECH) para captar el efecto interacción sobre las emisiones. Este enfoque metodológico va en la línea de Culas (2007), Hosseini y Kaneko (2013), Yin et al., (2015), Apergis y Ozturk (2014), Chang y Hao (2016), Halkos y Paizanos (2016), Bokpin (2016) y Charfeddine y Mrabet (2017). La Eq (3) presenta el modelo con las variables añadidas: 𝑙𝑛𝐺𝐸𝐼𝑝𝑐𝑖𝑡 = 𝛽1𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 + 𝛽2𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡2+ 𝛽3𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡3+ 𝛽4𝐼𝑁𝑆𝑇𝑖𝑡 + 𝛽5𝑇𝐸𝐶𝑖𝑡 + 𝛽6(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 ∗ 𝐼𝑁𝑆𝑇𝑖𝑡)+ 𝛽7(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 ∗ 𝐼𝑁𝑆𝑇𝑖𝑡)2+ 𝛽8(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 ∗ 𝐼𝑁𝑆𝑇𝑖𝑡)3+ 𝛽9(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 ∗ 𝑇𝐸𝐶𝑖𝑡)+ 𝛽10(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 ∗ 𝑇𝐸𝐶𝑖𝑡)2+ 𝛽11(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡 ∗ 𝑇𝐸𝐶𝑖𝑡)3+ 𝛽12𝑍𝑖𝑡 + µ𝑖+ 𝛿𝑡+ 𝜀𝑖𝑡 (3) Para medir la calidad de las instituciones el Banco Mundial ofrece estadísticas fiables para un gran número de países y para un periodo de tiempo de casi dos décadas (World Bank, 2017). Bhattacharya et al., (2017) detallan otros indicadores que también permiten medir la calidad de las instituciones. La base de datos del Banco Mundial caracteriza la calidad de las instituciones de cada país considerando seis aspectos: Estabilidad Política y Ausencia de Violencia/Terrorismo (EPAVT), Control de la Corrupción (CC), Efectividad del Gobierno (EG), Calidad regulatoria (CR), Imperio de las leyes (IL), Voz y Responsabilidad (VR). Trabajos previos que han utilizado 9 estas mismas variables pueden encontrarse en Apergis y Ozturk (2015) y Halkos y Paizanos (2016). En este estudio empleamos los seis indicadores de calidad institucional para aportar robustez a nuestros resultados. De una forma más extensa las seis variables pueden definirse como: (1) Estabilidad política y usencia de violencia/terrorismo (EPAVT). Mide la percepción de la probabilidad de inestabilidad política y/o violencia motivada por la política, incluido el terrorismo. (2) Control de la corrupción (CC). Mide la percepción de cómo el poder público se ejerce para obtener ganancias privadas, incluidas las pequeñas y las grandes formas de corrupción, así como la apropiación del Estado por parte de las élites y los intereses privados. (3) Efectividad del gobierno (EG). Mide la percepción de la calidad de los servicios públicos, la calidad de la administración pública y el grado de independencia de las presiones políticas, la calidad de formulación y ejecución de políticas y la credibilidad del compromiso del gobierno con tales políticas. (4) Calidad regulatoria (CR). Recoge las percepciones de la capacidad del gobierno para fomentar e implementar políticas y regulaciones solidas que permitan y promuevan el desarrollo del sector privado. (5) Imperio de las leyes (IL). Es la percepción de la confianza de los agentes en las normas de la sociedad, y en particular, la calidad de la ejecución de los contratos, los derechos de propiedad, la policía y los tribunales, así como la probabilidad de delito y violencia. (6) Libertad de expresión y administración (LE). Mide la percepción de hasta qué punto los ciudadanos de un país pueden participar en la selección de un gobierno, así como la libertad de expresión, la libertad de asociación y los medios de comunicación libres. 16 Entre 0.6782205 -1.124076 1.444894 n = 18 Dentro 0.1542978 -0.7346453 0.2069996 T = 18 EG General -0.2242938 0.5613994 -1.195942 1.285714 N = 324 Entre 0.5595473 -0.9695299 1.206711 n = 18 Dentro 0.1362154 -0.627603 0.2027976 T = 18 CR General 0.0139563 0.6209773 -1.624753 1.64474 N = 324 Entre 0.5780686 -0.9828321 1.473358 n = 18 Dentro 0.2627492 -0.627965 1.0229 T = 18 IL General -0.4673229 0.6504213 -1.812253 1.374353 N = 324 Entre 0.6450485 -1.288491 1.248214 n = 18 Dentro 0.1698815 -0.9910853 0.0704554 T = 18 LE General 0.1005125 0.501417 -0.9618688 1.243549 N = 324 Entre 0.4887367 -0.5652662 1.018083 n = 18 Dentro 0.1585155 -0.3783807 0.6263118 T = 18 TEC General 8.431279 10.28533 0.0013268 63.40368 N = 324 Entre 9.000392 2.104588 39.17926 n = 18 Dentro 5.389303 -26.54516 46.34956 T = 18 IE General 1.132556 0.4396158 0.5684226 2.250259 N = 324 Entre 0.4349587 0.6260214 1.945453 n = 18 Dentro 0.1184493 0.7483654 1.454636 T = 18 EE General 32.94112 19.09179 7.208523 76.0548 N = 324 Entre 19.16819 8.317099 72.74032 n = 18 Dentro 4.05148 20.42738 56.42065 T = 18 17 ln (PT) General 16.43776 1.136914 14.84329 19.1349 N = 324 Entre 1.165363 15.00335 19.04008 n = 18 Dentro 0.0773366 16.23665 16.62771 T = 18 IED General 3.712267 2.771048 -5.007236 16.22949 N = 324 Entre 1.969363 0.6969128 8.315166 n = 18 Dentro 2.00111 -3.94247 11.62659 T = 18 COMER General 52.11963 23.94042 12.29259 120.7539 N = 324 Entre 20.743 18.93556 108.3071 n = 18 Dentro 12.86537 14.95344 93.1011 T = 18 18 Tabla 4 Coeficientes de Correlación. (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (1) ln (GEIpc) 1 (2) ln (PIB) 0.26 1 (3) EPATV 0.01 0.24 1 (4) CC 0.06 0.45 0.64 1 (5) EG 0.07 0.49 0.59 0.90 1 (6) CR -0.16 0.22 0.51 0.79 0.86 1 (7) IL 0.07 0.39 0.73 0.93 0.89 0.83 1 (8) LE 0.09 0.46 0.82 0.85 0.82 0.70 0.91 1 (9) TEC 0.04 0.10 0.27 0.25 0.25 0.21 0.29 0.37 1 (10) IE 0.06 -0.72 -0.31 -0.59 -0.65 -0.53 -0.55 -0.59 -0.23 1 (11) EE -0.18 -0.47 0.10 -0.06 -0.21 0.02 -0.03 -0.04 0.02 0.40 1 (12) ln (PT) 0.23 0.37 -0.38 -0.04 0.08 -0.02 -0.15 -0.18 0.04 -0.31 -0.42 1 (13) IED -0.06 0.07 0.32 0.33 0.38 0.44 0.43 0.37 0.13 -0.12 -0.08 -0.22 1 (14) COMER -0.30 -0.29 0.15 -0.13 -0.15 -0.08 -0.06 -0.04 0.07 0.39 0.30 -0.50 0.26 1 19 4.2.- Estimación del modelo. Dado que puede aparecer problemas de multicolinealidad al incluir PIB (al cuadrado y al cubo) y los productos cruzados entre PIB*INST y PIB*TEC para evitar sesgos en nuestras estimaciones, consideramos el factor de inflación de varianza (FIV). Para que la colinealidad no represente algún tipo de problema la inflación de varianza no debe superar el valor de 10. Una vez efectuado el análisis, encontramos efectivamente que la inflación de varianza mucho mayor a 10 entre las variables PIB y sus diferentes expresiones exponenciales. Pablo-Romero y De Jesús (2016) y Pablo-Romero y Sánchez- Braza (2017) proponen para solucionar este inconveniente, antes de estimar el modelo, convertir los datos en desviaciones de la media geométrica. Una vez hecho esto analizamos nuevamente los valores (FIV) y comprobamos que ninguno supera a 10. Por tanto, no ha sido necesario eliminar ninguna variable del modelo especificado en Eq (4). Los autores mencionados aconsejan efectuar la prueba de raíces unitarias (Pesaran, 2004). Los resultados muestran que las variables son estacionarias en primeras diferencias. Para Así podemos reescribir (4) como: ∆𝑙𝑛𝐺𝐸𝐼𝑝𝑐𝑖𝑡              = 𝛽1∆𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              + 𝛽2∆𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              2+ 𝛽3∆𝑙𝑛𝑃𝐼𝐵𝑝𝑐            𝑖𝑡3+ 𝛽4∆𝐼𝑁𝑆𝑇𝑖𝑡         + 𝛽5∆𝑇𝐸𝐶       𝑖𝑡 + 𝛽6∆(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              ∗ 𝐼𝑁𝑆𝑇𝑖𝑡         ) + 𝛽7∆(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              ∗ 𝐼𝑁𝑆𝑇𝑖𝑡         )2+ 𝛽8∆(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              ∗ 𝐼𝑁𝑆𝑇𝑖𝑡         )3+ 𝛽9∆(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              ∗ 𝑇𝐸𝐶𝑖𝑡        ) + 𝛽10∆(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              ∗ 𝑇𝐸𝐶𝑖𝑡        )2+ 𝛽11∆(𝑙𝑛𝑃𝐼𝐵𝑝𝑐𝑖𝑡              ∗ 𝑇𝐸𝐶𝑖𝑡        )3+ 𝛽12∆𝑙𝑛𝑃𝑇𝑖𝑡         + 𝛽13∆𝐼𝐸𝑖𝑡      + 𝛽14∆𝐸𝐸𝑖𝑡       + 𝛽15∆𝐶𝑂𝑀𝐸𝑅𝑖𝑡             + 𝛽16∆𝐼𝐸𝐷      + µ𝑖+ 𝛿𝑡+ 𝜀𝑖𝑡 (5) 20 La línea superior en la Eq (5) simboliza las desviaciones de la media geométrica. El símbolo ∆ se utiliza para indicar las primeras diferencias. Para elegir la técnica de estimación es la más adecuada el primer paso consiste en determinar si los efectos individuales son relevantes o no. Si la respuesta a esta pregunta es negativa, entonces lo más recomendable es usar el modelo de coeficientes constantes. Para saber si el modelo de coeficientes constantes es la mejor elección, realizamos el contraste de Breusch y Pagan, bajo la hipótesis nula que los efectos fijos no son relevantes. Sin embargo, el resultado del test (p-valor 0.000) sugiere que el modelo de coeficientes constantes no es adecuado para los datos. La segunda parte de la estrategia es elegir entre el uso del modelo de efectos fijos y el de efectos aleatorios. El contraste de Hausman está diseñado para responder a esta pregunta. La hipótesis nula supone que el modelo más adecuado es el de efectos aleatorios, siendo el modelo de efectos fijos la hipótesis alternativa. Obtenemos un p-valor de 0.0000, por lo que rechazamos la hipótesis nula y se concluye que la estimación más adecuada para los datos es el modelo de efectos fijos. Para analizar los posibles problemas de heterocedasticidad realizamos el contraste de libre distribución del Wald, bajo la hipótesis nula de que no existe este problema (Greene, 2012). El p-valor del contraste es 0.0000 lo que permite concluir que existen problemas de heterocedasticidad por países. A continuación, se realiza el contraste de Wooldrige (Wooldridge, 2002) para analizar posibles problemas de autocorrelación AR (1). Como en el caso de la heterocedasticidad, la hipótesis nula implica que no existe dicho problema. El p-valor nuevamente es 0.0000 lo que permite rechazar la hipótesis nula y concluir que también existen problemas de autocorrelación. Para analizar la posible presencia de autocorrelación contemporánea hemos aplicado tres diferentes tests: Friedma, Frees, Pesaran (Pesaran, 2004). La hipótesis nula 21 para cada uno de ellos es nuevamente que no existe correlación contemporánea. Los resultados de los tres contrastes permiten rechazar la hipótesis nula. Por lo tanto, los datos del modelo presentan problemas de correlación contemporánea. Tras analizar los problemas a los que se enfrentan los datos se estima el modelo por el método de los mínimos cuadrados generalizados factibles. El software estadístico utilizado fue STATA 13. Las estimaciones resultan robustas a errores de heterocedasticidad y autocorrelación. 4.3.- Resultados de las estimaciones. Los resultados que se presentan en esta Sección corresponden tanto al modelo 1 como al modelo 2 especificados anteriormente. La Tabla 5 ofrece los resultados para el modelo 1 que excluye los términos cúbicos en el análisis de la CKA. La Tabla 6 muestra los resultados del modelo 2 que contiene todas las variables empleadas en nuestro estudio. Para ambos modelos se ofrecen los resultados para cada una de las seis variables que pueden capturar la calidad institucional. Las columnas indican la variable de calidad institucional utilizada en cada estimación. Los resultados evidencian que la hipótesis CKA se confirma para los países latinoamericanos analizados y durante el periodo de tiempo 1996-2013. Los valores de los coeficientes del ingreso per cápita representan el valor de la elasticidad en el punto central de la muestra. En el modelo 1 los coeficientes de la variable PIBpc en su expresión de primer grado, son positivos y significativos. Los coeficientes del término al cuadrado son negativos y superan el test de significatividad al 1% en cuatro de las seis veces que fueron estimados. Como consecuencia, la relación entre las emisiones contaminantes y los ingresos corresponde a una curva en forma de U invertida. Para analizar la posible relación en forma de N se analizó el modelo 2 que incluye el PIBpc al cubo. Los resultados muestran que todos los coeficientes del término al cubo son negativos y estadísticamente 22 significativos para todas las veces en las que se estimó el modelo. Como consecuencia no resulta probado que después de una disminución del estrés ambiental, la tendencia se invierta. La calidad de las instituciones y del gobierno junto con el progreso tecnológico son las variables más novedosas en esta investigación. De acuerdo con la hipótesis establecida se espera que ambas variables se comporten como mitigadoras de las emisiones para Latinoamérica durante el periodo de estudio. Los resultados muestran el signo esperado. Tanto para el modelo 1 como para el modelo 2 los resultados indican que los coeficientes estimados que acompañan a estas variables presentan signo negativo y superan la prueba de significatividad al 1%. Esto ocurre cuando se utilizan las diferentes variables proxy para medir la calidad de las instituciones. En el único caso en donde no se obtuvo una relación negativa fue al utilizar como variable proxy, imperio de la ley (IL). De forma más específica, nuestros resultados soportan que cualquier incremento en los niveles de estabilidad política (ESAVT), control de la corrupción (CC), efectividad del gobierno (EG), calidad regulatoria (CR), libertad de expresión (LE), están relacionados negativamente con el aumento de las emisiones de efecto invernadero. Por otro lado, los resultados para la variable progreso tecnológico también satisfacen las expectativas teóricas. La relación observada entre las emisiones y el progreso tecnológico es significativamente negativa al 1% y para todas las estimaciones realizadas. De acuerdo con los resultados obtenidos se encuentra evidencia robusta que soporta que tanto un mayor nivel de calidad institucional como un mayor nivel de progreso tecnológico actúan como mitigadores las emisiones de efecto invernadero. El análisis desarrollado ha permitido establecer la interacción del PIBpc con los diferentes indicadores de calidad institucional y con el progreso tecnológico con el objetivo de demostrar que la relación EKC está influida por estas dos variables. Los 23 resultados muestran que en el modelo 1, los coeficientes de interacción para el PIBpc de primer orden presentan signos positivos y son estadísticamente significativos en cuatro de las seis veces que fueron estimados. En cuanto a los coeficientes de la función al cuadrado, los resultados ofrecen signos negativos en cinco de las seis variables, aunque en este caso superan el test de significatividad sólo las variables EPAVT, EG, IL. Los coeficientes positivos y significativos en la función lineal y los coeficientes significativamente negativos en la función cuadrática, muestran que durante una primera etapa la degradación medioambiental se agrava conforme lo hace el nivel de los ingresos y la calidad de las instituciones hasta alcanzar un punto máximo a partir del que una mejora en la calidad de las instituciones mitiga la tasa de contaminación del crecimiento del PIB per cápita. En el modelo 2 se obtienen nuevamente coeficientes positivos para la variable lineal y signos negativos en las variables al cuadrado y al cubo. Esto indica una vez más que, alcanzado el punto máximo, la tasa de contaminación seguirá disminuyendo sin tener un punto de retorno. En cuanto a los coeficientes de interacción entre el PIBpc y el progreso tecnológico, se observa en el modelo 2 una relación en forma de U (signos negativos y significativos en la variable de primero orden, y positivamente significativos en las variables al cuadrado). En el modelo 2 los resultados son algo ambiguos. En las estimaciones 1, 3 y 5, observamos una relación positiva y significativa en las variables lineales y cuadráticas, y coeficientes negativos en las variables al cubo. En las estimaciones 2, 4 y 6, los coeficientes (𝛽9< 0,𝛽10 > 0, 𝛽11 < 0) muestran una curva en forma de N invertida. En relación con las variables de intensidad energética IE y estructura energética (EE) los resultados muestran que su comportamiento es el esperado. Los coeficientes que acompañan a la variable (IE) fueron positivos y significativos. Este resultado valida la intensidad energética como un importante conductor de emisiones. Los coeficientes de la 24 variable (EE) fueron negativos y estadísticamente significativos, lo cual verifica que un aumento en la proporción de energía renovable mitiga en la disminución de las emisiones contaminantes. Para las variables de control población total (PT), inversión extranjera directa (IED), y comercio (COMER), no obtuvimos los resultados esperados. Tabla 5. Resultados modelo 1. (1) EPAVT (2) CC (3) EG (4) CR (5) IL (6) VA ∆ln (PIBpc) 0.344*** 0.253*** 0.138*** 0.219*** 0.172*** 0.209*** (0.036) (0.052) (0.041) (0.031) (0.0140) (0.022) ∆ln (𝑷𝑰𝑩𝒑𝒄𝟐) -0.124*** -0.091*** -0.008 -0.017 -0.082*** -0.082*** (0.031) (0.024) (0.022) (0.014) (0.0148) (0.015) ∆lNST -0.081*** -0.140*** -0.033** -0.042*** 0.025*** -0.074*** (0.007) (0.011) (0.014) (0.010) (0.0026) (0.009) ∆TEC -0.002*** -0.001*** -0.003*** -0.002*** -0.002*** -0.002*** (0.000) (0.000) (0.000) (0.000) (0.0001) (0.000) ∆ln (PIB) *INST 0.039** 0.074*** -0.126*** -0.096*** 0.076*** 0.221*** (0.018) (0.019) (0.022) (0.018) (0.0090) (0.014) ∆ln (𝑷𝑰𝑩𝟐) *INST -0.084*** -0.012 -0.048** 0.093*** -0.043*** -0.008 (0.022) (0.023) (0.022) (0.022) (0.0098) (0.021) ∆ln (PIB) *TEC -0.003*** -0.004*** -0.004*** -0.003*** -0.003*** -0.004*** 25 (0.001) (0.001) (0.001) (0.001) (0.0004) (0.001) ∆ln (𝑷𝑰𝑩𝟐) *TEC 0.010*** 0.009*** 0.010*** 0.009*** 0.010*** 0.011*** (0.001) (0.002) (0.001) (0.001) (0.0005) (0.001) ∆IE 0.068*** 0.072*** 0.098*** 0.063*** 0.074*** 0.075*** (0.018) (0.020) (0.014) (0.018) (0.0045) (0.013) ∆EE -0.004*** -0.005*** -0.005*** -0.005*** -0.005*** -0.005*** (0.000) (0.000) (0.000) (0.000) (0.0001) (0.000) ∆ln (PT) -0.384** -0.057 -0.461*** -0.586*** 0.018 -0.177 (0.158) (0.253) (0.095) (0.112) (0.0786) (0.125) ∆IED -0.009*** -0.010*** -0.010*** -0.010*** -0.011*** -0.009*** (0.001) (0.000) (0.000) (0.001) (0.0002) (0.000) ∆COMER -0.001*** -0.001*** -0.001*** -0.002*** -0.001*** -0.001*** (0.000) (0.000) (0.000) (0.000) (0.0001) (0.000) WALD CHI2(30) 2854429 1545303 4573330 2857421 75600000 429000000 PROB > CHI2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 OBS 306 306 306 306 306 306 Nota: Los errores estándar se muestran entre paréntesis. Las estimaciones contienen dummies para todos los años. * Indica significancia al 10 % ** Indica significancia al 5% 32 Mulatu, A. 2017. The Structure of UK Outbound FDI and Environmental Regulation. Environmental and Resource Economics, 65–96. Munasinghe, M. 1999. Is environmental degradation an inevitable consequence of economic growth: tunneling through the environmental Kuznets curve. Ecological Economics, 89-109. North, D. C., 1991. Institutions. The Journal of Economic Perspectives, 97-112. Ozatac, N., Gokmenoglu, K. K., y Taspinar, N. 2017. Testing the EKC hypothesis by considering trade openness, urbanization, and financial development: the case of Turkey. Environmental Science adf Pollution Research, 16690-16701. Özokcu, S., y Özdemir, Ö. 2017. Economic growth, energy, and environmental Kuznets curve. Renewable and Sustainable Energy Reviews, 639–647. Pablo-Romero, M. d., y De Jesús, J. 2016. Economic growth and energy consumption: The Energy-Environmental Kuznets Curve for Latin America and the Caribbean. Renewable and Sustainable Energy Reviews, 1343-1350. Pablo-Romero, M. d., y Sánchez-Braza, A. 2017. Residential energy environmental Kuznets curve in the EU-28. Energy, 44–54. Panayotou, T. 1997. Demystifying the environmental Kuznets curve: Turning a black box into a policy tool. Environment and Development Economics, 465-484. Pesaran M.H. 2004. General diagnostic tests for cross section dependence in panels. Cambridge Working Papers WP0435, Faculty of Economics, University of Cambridge. Pesaran M.H. 2007. A simple panel unit root test in the presence of cross section dependence. Applied Economics, 265-312. Rodrik, D; Subramanian, A; Trebbi, F. 2004. Institutions rule: the primacy of institutions over geography and integration in economic development, J. Econ. growth 9 (2) 131-165. Sanchez, L. F., y Stern, D. I. 2016. Drivers of industrial and non-industrial greenhouse gas emissions. Ecological Economics, 17-24. Shahiduzzaman, M., y Layton, A., 2015. “Decomposition analysis to examine Australia’s 2030 GHGs emissions target: How hard will it be to achieve?” Economic Analysis and Policy 48, 25−34. Stern, D.I. 2004. The rise and fall of the environmental Kuznets curve, World Dev. 32 (8) 1419-1439. Sumabat, A.K., Lopez, N.S., Yu, K.D., Hao, H., Li, R., Geng, Y., y Chiu, A.S.F., 2016. “Decomposition analysis of Philippine CO2 emissions from fuel combustion and electricity generation”. Applied Energy (164), 795-804. 33 Sun, C., Zhang, F., y Xu, M. 2017. Investigation of pollution haven hypothesis for China: An ARDL approach with breakpoint unit root tests. Journal of Cleaner Production, 153-164. Shafik, N. and S. Bandyopadhyay (1992), ‘Economic Growth and Environmental Quality: Time Series and Cross-Country Evidence,’ World Bank Policy Research Working Paper, WPS 904. Timilsina G.R., y Shrestha A., 2009. “Factors affecting transport sector CO2 emissions growth in Latin American and Caribbean countries: An LMDI decomposition analysis”. International Journal of Energy Research 33 (4), 396−414. Vincent, J. (1996), ‘Pollution and Economic Development in Natural Resources, Environment and Development,’ in Malaysia: A Economic Perspective, by Jeffrey Vincent, Rozali bin Mohamed Ali, and Associates. World Bank. 2017. Worldwide Governance Indicators. Available at https://data.worldbank.org/data-catalog/world-development-indicators Wernick, I. K., Waggoner, P. E., & Ausubel, J. H. 1997. Searching for Leverage to Conserve Forests: The Industrial Ecology of Wood Products in the United States. Journal of Industrial Ecology, 125–145. Xing, Y., y Kolstad, C. D. 2002. Do Lax Environmental Regulations Attract Foreign Investment? Environmental and Resource Economics, 1-22. Yang, X., Lou, F., Sun, M., Wang, R., y Wang, Y. 2017. Study of the relationship between greenhouse gas emissions and the economic growth of Russia based on the Environmental Kuznets Curve. Applied Energy, 162-173. Yin, J., Zheng, M., y Chen, J. 2015. The effects of environmental regulation and technical progress on CO2 Kuznets curve: An evidence from China. Energy Policy, 97-108. Wooldridge, J. 2002. Econometric analysis of cross section and panel data MIT Press, Massachusetts. WDI, 2017. The World Bank Group. (15 de jun de 2017). info.worldbank.org. Obtenido de http://info.worldbank.org/governance/wgi/#reports WGI, 2017. The World Bank Group. (15 de jun de 2017). data.worldbank.org. Obtenido de https://data.worldbank.org/data-catalog/world-development-indicators Zhang, M., Mu, H., y Ning, Y. 2009. “Accounting for energy-related CO2 emission in China, 1991–2006”. Energy Policy 37 (3), 767-773. https://doi.org/10.1016/j.enpol.2008.11.025 Zhang, W., Li, K., Zhou, D., Zhang, W., y Gao, H., 2016. “Decomposition of intensity of energy-related CO2 emission in Chinese provinces using the LMDI method”. Energy Policy 92, 369−381. Zhang, S., Liu, X., y Bae, J. (2017). Does trade openness affect CO2 emissions: evidence from ten newly industrialized countries? Environmental Science and Pollution Research, 17616-17625.