Problema

¿Qué impacto han tenido las políticas adoptadas en la COP 16 en la conservación de la biodiversidad y la mitigación del cambio climático en los países en desarrollo, particularmente en América Latina desde 2010 hasta 2023?

Objetivo general

Conocer y reflexionar sobre el impacto que han tenido las políticas adoptadas en la COP 16 en la conservación de la biodiversidad y la mitigación del cambio climático en los países en desarrollo, particularmente en América Latina desde 2010 hasta 2023.

Objetivos específicos

1. Revisar la inversión en  biodiversidad mediante la elaboración y ejecución de proyectos ambientales  de conservación y restauración de ecosistemas en América Latina desde 2010 hasta 2023

2. Documentar que políticas de cooperación internacional se han desarrollado con el propósito de compartir experiencias y aumentar el financiamiento para proyectos que promuevan prácticas sostenibles y restauración ecológica en lo referente a la biodiversidad y la mitigación del cambio climático.

3. Referenciar las políticas públicas efectivas logradas que apoyaron la problemática ambiental generando acciones de compensación y mitigación a los impactos ambientales generados.

Análisis descriptivo

Se tomaron las emisiones de CO2 basados en el consumo para los países de latinoamérica en vía de desarrollo como Colombia, México y Brasil, desde 2010 hasta 2023 con el fin de realizar un análisis descriptivo de estos datos y poder conocer, reflexionar y comparar sobre el impacto que han tenido las políticas adoptadas en la COP 16 en la conservación de la biodiversidad y la mitigación del cambio climático.

Análisis inferencial

H0: No hay diferencia significativa en las emisiones de CO: antes y después de la COP 16.

H1: Hay una diferencia significativa en las emisiones de CO: antes y después de la COP 16.

# Crear el data frame con los datos proporcionados
datos <- data.frame(
  ANO = 2010:2023,
  Colombia = c(85.34, 88.14, 94.64, 101.37, 113.51, 109.60, 109.57, 101.74, 97.93, 103.38, 99.06, 105, 99.72, 105),
  Brasil = c(484.82, 519.21, 553.40, 591.12, 612.32, 548.14, 492.75, 498.51, 478.33, 476.57, 444.50, 497.21, 483.48, 439),
  Mexico = c(495.32, 537.66, 548.46, 557.01, 548.53, 539.29, 528.77, 516.63, 522.52, 514.54, 468.59, 506.24, 511.97, 456)
)
1. # Crear una columna que indique el periodo después de la COP 16

[1] 1

datos$Post_COP16 <- ifelse(datos$ANO >= 2012, 1, 0)
# Dividir los datos en dos periodos
datos_pre_cop <- subset(datos, ANO < 2012)
datos_post_cop <- subset(datos, ANO >= 2012)

# Prueba t para Colombia
t_test_colombia <- t.test(datos_pre_cop$Colombia, datos_post_cop$Colombia, paired = FALSE)
t_test_colombia

Welch Two Sample t-test

data: datos_pre_cop\(Colombia and datos_post_cop\)Colombia t = -7.8794, df = 4.5078, p-value = 0.0008427 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: -22.24742 -11.02591 sample estimates: mean of x mean of y 86.7400 103.3767

# Prueba t para Brasil
t_test_brasil <- t.test(datos_pre_cop$Brasil, datos_post_cop$Brasil, paired = FALSE)
t_test_brasil

Welch Two Sample t-test

data: datos_pre_cop\(Brasil and datos_post_cop\)Brasil t = -0.32487, df = 3.2085, p-value = 0.7653 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: -79.34335 64.15168 sample estimates: mean of x mean of y 502.0150 509.6108

# Prueba t para México
t_test_mexico <- t.test(datos_pre_cop$Mexico, datos_post_cop$Mexico, paired = FALSE)
t_test_mexico

Welch Two Sample t-test

data: datos_pre_cop\(Mexico and datos_post_cop\)Mexico t = -0.075012, df = 1.3804, p-value = 0.9496 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: -157.9638 154.5188 sample estimates: mean of x mean of y 516.4900 518.2125

# Modelo de regresión para Colombia
modelo_colombia <- lm(Colombia ~ ANO + Post_COP16, data = datos)
summary(modelo_colombia)

Call: lm(formula = Colombia ~ ANO + Post_COP16, data = datos)

Residuals: Min 1Q Median 3Q Max -9.3641 -2.9875 -0.6413 2.1937 9.7341

Coefficients: Estimate Std. Error t value Pr(>|t|)
(Intercept) 316.0911 921.7733 0.343 0.73813
ANO -0.1141 0.4585 -0.249 0.80809
Post_COP16 17.4352 5.2816 3.301 0.00706 ** — Signif. codes: 0 ‘’ 0.001 ’’ 0.01 ’’ 0.05 ‘.’ 0.1 ’ ’ 1

Residual standard error: 5.492 on 11 degrees of freedom Multiple R-squared: 0.5894, Adjusted R-squared: 0.5148 F-statistic: 7.896 on 2 and 11 DF, p-value: 0.007475

# Modelo de regresión para Brasil
modelo_brasil <- lm(Brasil ~ ANO + Post_COP16, data = datos)
summary(modelo_brasil)

Call: lm(formula = Brasil ~ ANO + Post_COP16, data = datos)

Residuals: Min 1Q Median 3Q Max -35.600 -24.552 -8.101 24.829 58.984

Coefficients: Estimate Std. Error t value Pr(>|t|)
(Intercept) 25618.974 5386.300 4.756 0.000594 ANO -12.493 2.679 -4.663 0.000690 Post_COP16 95.046 30.863 3.080 0.010478 *
— Signif. codes: 0 ‘’ 0.001 ’’ 0.01 ’’ 0.05 ‘.’ 0.1 ’ ’ 1

Residual standard error: 32.09 on 11 degrees of freedom Multiple R-squared: 0.6651, Adjusted R-squared: 0.6042 F-statistic: 10.92 on 2 and 11 DF, p-value: 0.00244

# Modelo de regresión para México
modelo_mexico <- lm(Mexico ~ ANO + Post_COP16, data = datos)
summary(modelo_mexico)

Call: lm(formula = Mexico ~ ANO + Post_COP16, data = datos)

Residuals: Min 1Q Median 3Q Max -31.622 -8.310 4.097 7.713 26.158

Coefficients: Estimate Std. Error t value Pr(>|t|)
(Intercept) 14992.160 3160.994 4.743 0.000607 ANO -7.200 1.572 -4.580 0.000791 Post_COP16 52.123 18.112 2.878 0.015030 *
— Signif. codes: 0 ‘’ 0.001 ’’ 0.01 ’’ 0.05 ‘.’ 0.1 ’ ’ 1

Residual standard error: 18.83 on 11 degrees of freedom Multiple R-squared: 0.6561, Adjusted R-squared: 0.5936 F-statistic: 10.49 on 2 and 11 DF, p-value: 0.002821

Conclusiones

• Se lograron reducciones significativas en las emisiones de CO2 en sectores como la energía, transporte y agricultura, aunque vale la pena destacar que en algunos países no alcanzaron sus objetivos de reducción de emisiones.

• Se observó la implementación de políticas de apoyo a las energías renovables, como la energía solar y eólica, aunque la transición hacia energías limpias fue lenta, y la dependencia de los combustibles fósiles persistió.

• No hubo muchos recursos financieros para apoyar la transición a una economía baja en carbono. 

• La participación activa de la sociedad civil es crucial para impulsar cambios en el comportamiento y la política climática.

Fuentes de información

1. Our World in Data. (2023). Territorial and consumption-based CO2 emissions. Enlace
2. Global Biodiversity Outlook (GBO): Evaluaciones periódicas del estado de la biodiversidad mundial y los avances en la implementación de estrategias de conservación.
3. Base de Datos del Banco Mundial: Indicadores relacionados con la biodiversidad, áreas protegidas y la tasa de deforestación en países en desarrollo.
4. IPBES (Plataforma Intergubernamental Científico-Normativa sobre Biodiversidad y Servicios de los Ecosistemas): Análisis sobre la interrelación entre biodiversidad y cambio climático.
5. Red de Observación de la Tierra Global para la Biodiversidad (GEO BON): Datos geoespaciales sobre el estado de los ecosistemas y su respuesta a las políticas climáticas.