Problemática

En las últimas décadas, el cambio climático ha ocupado un lugar central en la agenda global debido al aumento sostenido de las emisiones de gases de efecto invernadero, entre los cuales el dióxido de carbono (CO2) representa uno de los principales responsables del calentamiento global. Dentro de este contexto, el crecimiento económico ha sido identificado como uno de los factores clave en la evolución de estas emisiones. La hipótesis del Environmental Kuznets Curve (EKC) sugiere que existe una relación no lineal entre el Producto Interno Bruto per cápita (PIB per cápita) y la contaminación ambiental, de manera que en las etapas iniciales del desarrollo económico las emisiones aumentan, pero luego disminuyen una vez alcanzado cierto umbral de ingreso (Grossman & Krueger, 1995). En el caso de Argentina, un país de ingresos medios con un perfil productivo altamente dependiente de recursos naturales, resulta relevante analizar si su patrón de crecimiento económico contribuye a aumentar o reducir las emisiones de CO2.

Otro determinante clave de las emisiones es el consumo de energía, ya que las actividades industriales, el transporte y el consumo residencial energético suelen estar directamente relacionados con la quema de combustibles fósiles. Argentina ha experimentado una alta dependencia de fuentes no renovables como el gas natural y el petróleo (Secretaría de Energía de la Nación, 2023), lo que implica que un aumento en el consumo energético tiende a traducirse en mayores emisiones contaminantes. Diversos estudios empíricos en economías emergentes confirman esta relación positiva entre consumo de energía y emisiones de CO2 (Apergis & Payne, 2010; Shahbaz et al., 2013). Por tanto, incluir esta variable en el análisis permite observar el impacto estructural del modelo energético argentino sobre el ambiente.

Finalmente, el grado de urbanización es otro componente crucial en el análisis de la presión ambiental. Las zonas urbanas concentran no solo a la mayoría de la población, sino también la mayor parte de la actividad económica, el transporte motorizado y el consumo de servicios, lo cual puede contribuir a mayores niveles de contaminación si no existe una planificación sostenible. En Argentina, más del 90% de la población vive en áreas urbanas (INDEC, 2022), y se han observado dinámicas de expansión urbana que generan mayores emisiones por el uso del suelo, la congestión vehicular y el consumo energético residencial.

library(readxl)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(tidyr)
library(kableExtra)
## 
## Attaching package: 'kableExtra'
## The following object is masked from 'package:dplyr':
## 
##     group_rows
Bdatos <- read_excel("Bdatos.xlsx")
datos_modelo <- Bdatos %>%
  select(Co2, Pib_per, Cons_ener, pob_urb)
# Crear tabla de estadísticos simple y clara
tabla_desc <- data.frame(
  Variable = names(datos_modelo),
  Media = sapply(datos_modelo, function(x) round(mean(x, na.rm = TRUE), 2)),
  Mediana = sapply(datos_modelo, function(x) round(median(x, na.rm = TRUE), 2)),
  Desv_Estandar = sapply(datos_modelo, function(x) round(sd(x, na.rm = TRUE), 2)),
  Minimo = sapply(datos_modelo, function(x) round(min(x, na.rm = TRUE), 2)),
  Maximo = sapply(datos_modelo, function(x) round(max(x, na.rm = TRUE), 2))
)

# Mostrar en formato tabla para PDF
kable(tabla_desc,
      caption = "Tabla 1. Estadísticos descriptivos del modelo",
      booktabs = TRUE,
      format = "latex") %>%
  kable_styling(latex_options = c("hold_position", "scale_down"))

La variable dependiente Co2, que representa las emisiones de dióxido de carbono, muestra una media de 155.92 unidades y una mediana ligeramente mayor (162.62), lo que sugiere una leve asimetría hacia la izquierda. La desviación estándar de 31.99 indica una variabilidad moderada entre las observaciones. Los valores mínimo (100.19) y máximo (196.25) reflejan un rango amplio, aunque no extremo, de emisiones entre las distintas unidades observadas.

En cuanto al Pib_per (Producto Interno Bruto per cápita), se observa una media de 15,688.03 y una mediana de 14,843.58, lo que indica que la distribución está sesgada positivamente (hacia la derecha), ya que hay valores altos que elevan la media. La dispersión es significativa (5933.35), lo que denota una fuerte heterogeneidad en el nivel de ingreso per cápita en las distintas regiones o períodos considerados.

La variable Cons_ener (consumo de energía) también presenta un sesgo positivo: la media (2366.73) es menor que la mediana (2502.54), lo que indica valores bajos que reducen el promedio. La desviación estándar es de 584.46, lo cual muestra una dispersión considerable, aunque menor que en el caso del PIB per cápita. El rango entre el mínimo (1306.12) y el máximo (3140.46) es también notable.

Finalmente, la variable pob_urb (población urbana) muestra una media de aproximadamente 35.7 millones, con una mediana similar (35.7 millones), lo que sugiere una distribución relativamente simétrica. No obstante, la desviación estándar es muy alta (alrededor de 4.19 millones), indicando que hay diferencias notables entre las observaciones. El valor mínimo (28.4 millones) y máximo (41.9 millones) dan cuenta de la evolución o diferencias territoriales de la población urbana.

library(GGally)
## Loading required package: ggplot2
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2
library(ggplot2)

ggpairs(datos_modelo,
        title = "Diagrama de correlación entre las variables del modelo",
        upper = list(continuous = wrap("cor", size = 5)),
        lower = list(continuous = wrap("smooth", alpha = 0.8, size = 0.3)),
        diag = list(continuous = wrap("densityDiag", alpha = 0.5))
        ) +
  theme_bw(base_size = 12) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),
    plot.title = element_text(hjust = 0.5, size = 14, face = "bold")
  )

El diagrama de correlación presenta tanto los coeficientes de correlación de Pearson entre las variables como las nubes de dispersión con las líneas de tendencia. El objetivo es identificar la fuerza y dirección de las relaciones lineales entre las variables incluidas en el análisis: emisiones de CO2 (Co2), PIB per cápita (Pib_per), consumo de energía (Cons_ener) y población urbana (pob_urb).

Todas las correlaciones reportadas son positivas, altas y estadísticamente significativas (p < 0.001), lo que indica que las variables se mueven en la misma dirección. Por ejemplo, la correlación entre Co2 y Cons_ener es de 0.986, lo que sugiere que a medida que aumenta el consumo energético, también lo hacen las emisiones de dióxido de carbono. Esta relación es coherente con la teoría económica y ambiental, ya que el consumo de energía en Argentina proviene principalmente de fuentes fósiles, como gas natural y petróleo (Secretaría de Energía, 2023).

Asimismo, se observa una fuerte correlación entre Pib_per y Cons_ener (0.888) y entre Pib_per y pob_urb (0.957), lo cual indica que el crecimiento económico y el proceso de urbanización están altamente asociados con mayores niveles de consumo energético. Esto es consistente con el patrón de desarrollo urbano e industrial observado en las últimas décadas, donde la concentración poblacional en grandes ciudades impulsa tanto el crecimiento económico como la demanda de servicios y energía.

Por último, la correlación entre pob_urb y Co2 también es elevada (0.948), lo que refuerza la idea de que la expansión urbana contribuye de forma significativa a las emisiones, posiblemente debido a la mayor actividad vehicular, residencial y comercial en áreas densamente pobladas. Estos resultados evidencian un alto grado de multicolinealidad entre las variables, lo cual debe considerarse al momento de construir modelos econométricos, ya que puede afectar la estimación de coeficientes.

library(broom)

# Modelo simple
modelo_simple <- lm(Co2 ~ Pib_per, data = Bdatos)
tabla_simple <- tidy(modelo_simple)

# Modelo múltiple
modelo_multiple <- lm(Co2 ~ Pib_per + Cons_ener + pob_urb, data = Bdatos)
tabla_multiple <- tidy(modelo_multiple)

# Mostrar ambas tablas
library(kableExtra)

kable(tabla_simple,
      caption = "Tabla 2. Resultados del modelo de regresión lineal simple",
      booktabs = TRUE,
      digits = 3,
      format = "latex") %>%
  kable_styling(latex_options = c("hold_position", "scale_down"))
kable(tabla_multiple,
      caption = "Tabla 3. Resultados del modelo de regresión lineal múltiple",
      booktabs = TRUE,
      digits = 3,
      format = "latex") %>%
  kable_styling(latex_options = c("hold_position", "scale_down"))

En la Tabla 2 se reportan los resultados del modelo de regresión lineal simple, en el cual el PIB per cápita (Pib_per) es el único predictor de las emisiones de CO2. El coeficiente estimado para esta variable es 0.005, lo cual implica que, en promedio, por cada unidad adicional de PIB per cápita, las emisiones de CO2 aumentan en 0.005 unidades, manteniéndose todo lo demás constante. El valor del estadístico t (12.555) y un p-valor de 0 indican que esta relación es altamente significativa. Este resultado apoya la hipótesis de que el crecimiento económico, en su fase actual, está asociado positivamente con el aumento de las emisiones en Argentina, lo cual coincide con la primera parte de la curva de Kuznets ambiental (Grossman & Krueger, 1995).

La Tabla 3 presenta los resultados del modelo de regresión lineal múltiple, en el cual se incluyen tres predictores: Pib_per, Cons_ener (consumo de energía) y pob_urb (población urbana). En este modelo, el efecto del PIB per cápita sigue siendo positivo y significativo, aunque su coeficiente se reduce a 0.003. Esto indica que parte del efecto del ingreso está siendo compartido con las otras variables explicativas, especialmente con el consumo energético, con el cual mantiene una alta correlación (ver diagrama anterior). El consumo de energía muestra un coeficiente de 0.067, altamente significativo, lo cual sugiere que es el principal determinante directo de las emisiones. En cambio, el coeficiente asociado a la población urbana es prácticamente nulo (0.000) y negativo, además de significativo, lo que puede interpretarse como un posible efecto indirecto o un caso de multicolinealidad.

La significancia estadística de todas las variables (p < 0.001) sugiere que cada uno de los predictores aporta información útil para explicar la variabilidad de las emisiones, pero la magnitud y dirección de sus efectos deben interpretarse con cautela. El signo negativo en el coeficiente de la población urbana podría estar capturando un efecto supresor o bien un resultado distorsionado por la fuerte colinealidad con las otras variables explicativas, como se observó en el análisis de correlación.

El presente análisis empírico permite identificar los principales determinantes económicos y estructurales de las emisiones de CO2 en el contexto de la economía argentina. Los resultados muestran que el crecimiento del PIB per cápita está positivamente asociado con el aumento de las emisiones, lo que sugiere que el actual modelo de desarrollo económico aún se encuentra en una fase intensiva en carbono. Asimismo, el consumo de energía se consolida como el principal factor explicativo directo, dado su fuerte impacto positivo y significativo sobre las emisiones, reflejando la alta dependencia del país en fuentes de energía fósil. En contraste, aunque la urbanización presenta inicialmente una fuerte correlación con las emisiones, su efecto en el modelo multivariado resulta negativo y estadísticamente significativo, lo cual podría deberse a interacciones complejas con las otras variables y a problemas de multicolinealidad.

Grossman, G. M., & Krueger, A. B. (1995). Economic growth and the environment. The Quarterly Journal of Economics, 110(2), 353–377. https://doi.org/10.2307/2118443