Emisiones de CO2 en Colombia (1980 - 2022)

Introducción

En las últimas décadas, el cambio climático se ha consolidado como uno de los mayores retos globales, y las emisiones de dióxido de carbono (CO₂) representan uno de sus principales impulsores. Aunque Colombia no se encuentra entre los mayores emisores del mundo, su evolución económica, demográfica y energética ha estado acompañada por un crecimiento sostenido de sus emisiones per cápita. Desde 1980 hasta 2022, el país ha experimentado transformaciones significativas en su estructura productiva, su matriz energética y su marco normativo ambiental, factores que han incidido directamente en su huella de carbono.

Durante los años noventa, con la promulgación de la Constitución de 1991 y la liberalización del mercado eléctrico mediante las leyes 142 y 143 de 1994, se sentaron las bases de una política ambiental moderna, pero también de una expansión del consumo energético. En los 2000, el auge extractivista y la expansión del transporte incrementaron el uso de combustibles fósiles, mientras que la década del 2010 estuvo marcada por compromisos internacionales como el Acuerdo de París y la firma del Acuerdo de Paz. A pesar de algunos esfuerzos por diversificar la matriz energética, fenómenos como la deforestación, el crecimiento urbano y el desarrollo industrial continúan presionando las emisiones.

Este trabajo tiene como objetivo analizar el comportamiento de las emisiones de CO₂ per cápita en Colombia entre 1980 y 2022, e identificar los factores que han influido en su evolución. Para ello, se utilizan herramientas de modelación lineal y de series de tiempo (ARIMAX), incorporando variables explicativas como el consumo de energía eléctrica, el PIB per cápita, las emisiones de óxidos nitrosos, la población total, la intensidad de carbono y la participación de sectores como la industria y la agricultura. El análisis no solo permite entender el comportamiento histórico, sino también generar proyecciones que pueden ser útiles para la toma de decisiones en política ambiental y desarrollo sostenible

Metodología

Series de tiempo

Una serie de tiempo es una secuencia de observaciones recolectadas y ordenadas cronológicamente a lo largo del tiempo, generalmente con intervalos regulares, por ejemplo, años, meses o días. El análisis de series de tiempo permite identificar patrones como:

  • Tendencia: cambios a largo plazo en el nivel de la serie.
  • Estacionalidad: fluctuaciones periódicas que se repiten con regularidad.
  • Ciclos: movimientos de largo plazo no necesariamente regulares.
  • Ruido: variaciones aleatorias e impredecibles.

Para aplicar modelos estadísticos sobre series de tiempo, es fundamental verificar que la serie sea estacionaria, es decir, que sus propiedades estadísticas como la media y la varianza no cambien con el tiempo. Una serie no estacionaria puede llevar a inferencias engañosas si se modela incorrectamente.

La prueba de Dickey-Fuller aumentada (ADF) es una herramienta común para evaluar si una serie es estacionaria. Cuando una serie no lo es, se pueden aplicar transformaciones como la diferenciación para volverla estacionaria.

Regresión lineal múltiple

La regresión lineal múltiple es un modelo estadístico que permite explicar una variable dependiente \(Y\) como una combinación lineal de varias variables independientes \(X_1, X_2, ..., X_k\). Su forma general es:

\[ Y_t = \beta_0 + \beta_1 X_{1,t} + \beta_2 X_{2,t} + \cdots + \beta_k X_{k,t} + \varepsilon_t \]

Donde: - \(Y_t\) es la variable de interés en el tiempo \(t\), - \(X_{i,t}\) son las variables explicativas, - \(\beta_i\) son los coeficientes que representan el efecto de cada variable \(X_i\) sobre \(Y\), - \(\varepsilon_t\) es el término de error, que se asume con media cero, varianza constante y sin autocorrelación.

Cuando se trabaja con datos temporales, es importante verificar los supuestos clásicos del modelo lineal:

  • Linealidad de la relación.

  • Independencia y no autocorrelación de los errores.

  • Homocedasticidad (varianza constante).

  • Normalidad de los residuos.

Uno de los desafíos más comunes al trabajar con series de tiempo en modelos de regresión es la autocorrelación de los errores, es decir, cuando los residuos del modelo están correlacionados con sus propios valores pasados. Esto viola el supuesto de independencia y puede afectar la validez de las inferencias estadísticas. Por ello, se utilizan modelos como el ARIMAX, que permiten corregir esta dependencia temporal incluyendo términos autorregresivos en los errores.

COMPLETAR

Descripción de Variables

A continuación se presentan las variables que serán analizadas en el estudio de series de tiempo. La variable de interés o variable dependiente es Y, correspondiente a las emisiones de dióxido de carbono (CO₂). Esta representa la cantidad de CO₂ liberado a la atmósfera, principalmente como resultado de actividades humanas como la quema de combustibles fósiles (petróleo, gas y carbón) y ciertos procesos industriales. Las emisiones de CO₂ constituyen uno de los principales factores del cambio climático debido a su contribución directa al efecto invernadero.

Como variables explicativas o predictoras se seleccionaron aquellas que, con base en investigacion propia, podrían tener relación con el comportamiento de las emisiones de CO₂. Estas son:

  • x1: Consumo de energía eléctrica: Medida del total de electricidad utilizada en el país. Se relaciona directamente con la demanda energética y, en muchos casos, con el uso de fuentes emisoras de CO₂.

  • x2: PIB per cápita: Producto interno bruto dividido por la población. Refleja el nivel de desarrollo económico. Un mayor PIB suele asociarse a mayor actividad industrial y consumo energético.

  • x3: Emisiones de óxido nitroso (N₂O): Otro gas de efecto invernadero, proveniente principalmente del transporte y el uso de fertilizantes. Puede estar correlacionado con las emisiones de CO₂ por compartir fuentes comunes.

  • x4: Población total: Número de habitantes. El crecimiento poblacional tiende a aumentar la demanda de energía, transporte y consumo, lo que puede elevar las emisiones.

  • x5: Intensidad de carbono: cantidad de CO₂ emitido por unidad de producto económico generado. Indica cuán contaminante es la economía de un país en términos relativos.

  • x6: Industria: Valor agregado por el sector industrial. Es uno de los principales emisores de CO₂ debido al uso de energía y procesos productivos intensivos.

  • x7: Agricultura: Participación del sector agropecuario. Aunque emite menos CO₂ que la industria, está relacionada con otras emisiones como el metano (CH₄) .

Cada una de estas variables representa un posible factor determinante de las emisiones de CO₂, ya sea desde el consumo energético, la actividad económica, el crecimiento demográfico o el tipo de actividad productiva predominante.

Estadisticas Descriptivas

Estadísticas Descriptivas
Variable Min Q1 Median Mean Q3 Max SD
Y 4.108850e+01 5.421580e+01 6.043440e+01 6.309732e+01 7.093220e+01 9.176050e+01 1.374847e+01
x1 6.528591e+02 8.484424e+02 9.240508e+02 1.029684e+03 1.190742e+03 1.569171e+03 2.844563e+02
x2 3.228356e+03 3.713681e+03 4.198691e+03 4.601814e+03 5.596429e+03 6.856726e+03 1.118837e+03
x3 9.690000e-02 1.504000e-01 2.784000e-01 2.669209e-01 3.580500e-01 4.760000e-01 1.178481e-01
x4 2.610450e+07 3.276922e+07 3.970926e+07 3.918678e+07 4.548771e+07 5.173794e+07 7.593103e+06
x5 2.573275e-01 2.840481e-01 3.896145e-01 3.677432e-01 4.456110e-01 4.900516e-01 8.336070e-02
x6 2.343924e+01 2.741739e+01 3.034815e+01 3.010257e+01 3.160963e+01 3.694435e+01 3.160265e+00
x7 5.392715e+00 6.688563e+00 8.510005e+00 1.131498e+01 1.677162e+01 1.935990e+01 4.974432e+00

El análisis de las ocho variables revela características estadísticas significativas que guiarán el preprocesamiento para el modelo lineal. Variables como población total, consumo energético y PIB per cápita presentan escalas en millones con alta dispersión (DE > 30% de la media), evidenciando marcadas diferencias estructurales entre observaciones. En contraste, indicadores como emisiones de N₂O e intensidad de carbono muestran rangos reducidos (DE < 15% de la media) y distribuciones más homogéneas.

Si bien la mayoría de las variables exhiben simetría (media ≈ mediana), se detectan asimetrías clave: consumo energético y agricultura presentan colas hacia valores altos (media > mediana), sugiriendo la presencia de outliers, mientras que intensidad de carbono muestra una leve asimetría negativa (media < mediana). Estas diferencias, sumadas a la disparidad de escalas (ej. millones vs. decimales), podrían sesgar los coeficientes del modelo lineal y violar sus supuestos. Por lo tanto, apartir del modelo los datos estaran estandarizados.

Evolución comparada de las emisiones de CO₂ y el PIB per cápita

El gráfico muestra la evolución conjunta de las emisiones de dióxido de carbono (CO₂) y el PIB per cápita en Colombia entre 1990 y 2022. Se observa una tendencia general creciente en ambas variables, con mayor aceleración a partir de 2005. Este comportamiento sugiere una posible relación directa entre el crecimiento económico y el aumento de las emisiones, especialmente en periodos de expansión como 2005–2014.

En 2020, ambos indicadores presentan una caída asociada a la crisis por la pandemia, seguida de una recuperación en 2022, donde se alcanzaron 91,76 Mt de CO₂ emitidos y un PIB per cápita cercano a los 6.680 USD. Estos patrones respaldan la aplicación de un modelo de regresión lineal para analizar su relación a lo largo del tiempo.

Relacion entre la poblacion total y las emisiones de co2

El gráfico muestra cómo el crecimiento de la población colombiana se ha asociado con un aumento progresivo en las emisiones de dióxido de carbono (CO₂). A medida que la población crece, también lo hacen las emisiones, lo que sugiere una relación directa entre ambos fenómenos.

Esta relación respalda la hipótesis de que el crecimiento demográfico puede ser un factor determinante en el incremento de las emisiones, al aumentar la demanda de energía, transporte, producción industrial y consumo general. El patrón observado justifica la inclusión de la variable poblacional dentro del modelo de regresión para explicar la dinámica de las emisiones en el tiempo.

El gráfico muestra una relación positiva entre el consumo energético y las emisiones de CO₂ en Colombia entre 1980 y 2022. Ambas variables presentan una tendencia creciente, especialmente marcada a partir de 2010, donde se observa un aumento simultáneo. Esta relación sugiere que el incremento en el consumo de energía ha sido un factor clave en el aumento de las emisiones contaminantes.

El gráfico compara la evolución de las emisiones de CO₂ y la actividad industrial en Colombia entre 1980 y 2022. Se observa que la industria alcanzó su punto más alto hacia 1990, pero desde entonces ha mostrado una tendencia descendente, situándose en 2022 por debajo del 20% de su valor máximo.

En contraste, las emisiones de CO₂ han aumentado de forma sostenida desde los años 90, alcanzando su valor máximo en 2022. Esta divergencia indica que, aunque la industria ha perdido peso relativo, las emisiones han seguido creciendo, probablemente por el impacto de otros sectores como el transporte, la generación eléctrica o el consumo residencial

Representación de las variables a lo largo del tiempo

El conjunto de gráficos muestra la evolución de cada una de las variables del modelo en forma de serie de tiempo desde 1980 hasta 2022. Se observa un crecimiento sostenido en variables como el consumo energético (x1), el PIB per cápita (x2), las emisiones de óxidos nitrosos (x3) y la población total (x4). Por el contrario, variables como la intensidad de carbono (x5), la actividad industrial (x6) y la participación agrícola (x7) presentan una tendencia decreciente o fluctuante.

Las versiones normalizadas de consumo energético e industria (x1_norm y x6_norm) permiten comparar fácilmente sus trayectorias relativas, reforzando lo observado en análisis anteriores: mientras el consumo energético ha aumentado, la participación del sector industrial ha disminuido.

La variable dependiente, emisiones de CO₂ (Y), muestra una clara tendencia creciente, lo que concuerda con el crecimiento de variables como el consumo energético, el PIB y la población.

Contexto Historico

Colombia ha sido tradicionalmente un país con emisiones moderadas de dióxido de carbono (CO₂) per cápita en comparación con potencias industriales. En 1980, las emisiones alcanzaban 6.912,30 miles de toneladas, y para 1985 ya habían aumentado a 25.009 miles de toneladas, según datos de IndexMundi. Este incremento se vio impulsado por el avance de la industrialización, el crecimiento urbano y el aumento sostenido en el uso de combustibles fósiles. Aunque la Revolución Industrial se había consolidado décadas atrás, sus efectos persistieron a lo largo del siglo XX, y en países como Colombia se manifestaron con intensidad en los años 80, principalmente por el fortalecimiento del sector energético, la demanda de transporte y los procesos de urbanización.

En 1990, las emisiones provenientes de la quema de combustibles fósiles alcanzaban los 53 millones de toneladas, con una tasa per cápita de 1,63 toneladas por habitante. A pesar de representar solo un 0,24 % de las emisiones globales, el país ha experimentado un crecimiento sostenido de sus emisiones, alcanzando 88 millones de toneladas en 2022, con un valor per cápita de 1,71 toneladas.

Este incremento se explica no solo por el crecimiento económico y poblacional, sino también por una serie de transformaciones estructurales que han moldeado el perfil energético y ambiental del país.

Durante la década de 1990, la entrada en vigor de la Constitución Política de 1991 reconoció el derecho colectivo a un ambiente sano, lo que dio impulso a la legislación ambiental. Sin embargo, en paralelo, el país vivía un proceso de modernización del sector energético con la aprobación de las leyes 142 y 143 de 1994, que promovieron la liberalización del mercado eléctrico. Aunque la generación hidroeléctrica seguía siendo dominante, el crecimiento urbano, el aumento del parque automotor y la expansión del transporte público informal —conocido como la “guerra del centavo”— incrementaron las emisiones asociadas al uso de gasolina y diésel.

En la década de 2000, Colombia vivió un auge económico gracias al incremento en la producción y exportación de petróleo, carbón y otros minerales, bajo políticas como el Plan Colombia y la estrategia de “seguridad democrática”. Este auge extractivista impulsó la actividad industrial y aumentó el uso de combustibles fósiles, especialmente en el transporte de carga. Paralelamente, se promovió el uso de gas natural vehicular (GNV) como alternativa más limpia en ciudades como Bogotá. Sin embargo, el conflicto armado desplazó a muchas comunidades rurales, provocando una ocupación desordenada del territorio y presiones sobre los bosques, lo que incrementó la deforestación, una de las principales fuentes indirectas de emisiones.

La década de 2010 estuvo marcada por dos hechos relevantes: la firma del Acuerdo de París en 2015 y la del Acuerdo de Paz con las FARC en 2016. El primero posicionó a Colombia como actor comprometido con la agenda climática global, y el segundo permitió el acceso a zonas previamente ocupadas por grupos armados. Sin embargo, esto también facilitó el avance de la deforestación en la Amazonía, debido a la expansión de la frontera agrícola y actividades ilegales como la minería y la ganadería extensiva. En 2016 se registró el valor más alto de emisiones per cápita desde 1990, con 1,80 toneladas por habitante. Aunque el país se mantuvo activo en la promoción de energías renovables no convencionales (como solar y eólica), estas aún no superaban el 3 % de la matriz energética hacia 2020.

Durante la pandemia de COVID-19 en 2020, Colombia experimentó una leve disminución de emisiones, cayendo a 1,61 toneladas per cápita, debido a la reducción de la movilidad, el cierre temporal de industrias y la menor demanda energética. Sin embargo, esta caída fue transitoria. En 2021 y 2022 las emisiones volvieron a incrementarse, alcanzando de nuevo niveles cercanos a los máximos históricos.

Analisis Exploratorio

A continuación, se presentan gráficos que permiten analizar el comportamiento temporal de la serie de emisiones de CO₂ y evaluar su estacionariedad. En el primer gráfico se observa la serie original, la cual muestra una tendencia creciente a lo largo del tiempo, lo que podria indicar que no es estacionaria.

El segundo gráfico corresponde a la función de autocorrelación (ACF) de la serie original, donde las correlaciones decrecen de forma lenta y sostenida a medida que aumenta el rezago.

Como parte del analisis, consideramos importante conocer como se comportan las demas variables. Se utilizaron gráficos de dispersión entre la variable dependiente (emisiones de CO₂) y cada variable explicativa.

se observa una relación positiva y aproximadamente lineal entre las emisiones y variables como el consumo de energía eléctrica (x1), el PIB per cápita (x2), las emisiones de óxido nitroso (x3), la población (x4) y la industria (x6). Por otro lado, la intensidad de carbono (x5) muestra una relación negativa con las emisiones, lo cual es coherente, ya que una mayor eficiencia (menor intensidad) implica menos emisiones por unidad de producto. Estos resultados respaldan la elección de un modelo lineal, aunque será necesario validar su ajuste con análisis de residuos y autocorrelación.

Análisis de residuos y autocorrelación

Al ajustar un modelo de regresión lineal con variables explicativas, se analizaron los residuos resultantes para evaluar la validez del modelo. La función de autocorrelación (ACF) de dichos residuos mostró la persistencia de patrones de autocorrelación, lo que indica que el modelo no logró capturar adecuadamente la estructura temporal de la serie. Esto refuerza la conclusión de que la variable dependiente no es estacionaria.

Prueba de estacionariedad sobre la variable independiente Y

Para validar la aplicabilidad de modelos de series de tiempo, se realizó la prueba de Dickey-Fuller aumentada (ADF) sobre la variable dependiente Y, correspondiente a las emisiones de dióxido de carbono (CO₂) en Colombia entre 1980 y 2022. Esta prueba permite verificar si la serie es estacionaria, es decir, si sus propiedades estadísticas (media, varianza, covarianza) se mantienen constantes en el tiempo.

La siguiente tabla muestra los resultados los obtenidos :

Dado que el p-valor es mayor a 0.05, no se rechaza la hipótesis nula de presencia de raíz unitaria. Esto indica que la serie no es estacionaria en nivel.

Creación de la serie diferenciada

Primera diferencia

Como consecuencia, se aplicó la primera diferencia a la serie, obteniendo una nueva variable (Y_diff) que representa el cambio anual en las emisiones. Este paso es necesario para evitar relaciones espurias en los modelos y garantizar validez estadística.

Segunda diferencia

Tras aplicar la primera diferencia (Y_diff), el p-valor seguía siendo mayor a 0.05. Asi que se decide aplicar una segunda diferencia (Y_diff2), obteniendo un p-valor de 0.028. Dado que este valor es menor a 0.05, se concluye que la segunda diferencia de la serie es estacionaria, y será utilizada como variable dependiente en los modelos posteriores.

  • p < 0.05, por lo tanto se rechaza la hipótesis nula.

Modelo Lineal

El modelo lineal ajustado arrojó resultados poco satisfactorios. Ninguna de las variables resultó estadísticamente significativa, y el coeficiente de determinación (R²) fue de apenas 13.37%, lo que indica una baja capacidad explicativa. Además, el R² ajustado fue negativo (-0.05), lo que sugiere que el modelo no mejora frente a una predicción sin variables independientes. El estadístico F tampoco resultó significativo (p = 0.6498), lo que refuerza la falta de relación estadísticamente sólida entre las variables explicativas y la variable dependiente.

El análisis de los residuos mostró una alta dispersión y valores extremos. Más importante aún, la prueba de Breusch-Godfrey para autocorrelación reveló la presencia de correlación serial en los errores (p = 0.002), lo que viola uno de los supuestos fundamentales del modelo de regresión clásica y pone en evidencia que la estructura temporal de la serie no fue adecuadamente capturada.

Esto podría deberse a la falta de estacionariedad de las variables explicativas o a la pérdida de estructura temporal al trabajar con segundas diferencias. Por ello, hemos decidido explorar un modelo ARIMAX que permita capturar tanto los efectos de las variables externas como la dinámica propia de la serie temporal.

Modelo ARIMAX

Residuos del modelo

Los gráficos de diagnóstico de residuos del modelo ARIMAX(1,0,0) indican un buen ajuste del modelo a los datos. En primer lugar, la serie de residuos oscila alrededor de cero sin mostrar patrones evidentes ni tendencias sistemáticas, lo que sugiere que el modelo capturó adecuadamente la estructura temporal de la variable dependiente. Además, el correlograma (ACF) muestra que las autocorrelaciones de los residuos se encuentran dentro de los límites de confianza, lo que indica que no hay autocorrelación significativa entre los errores. Finalmente, el histograma de residuos presenta una forma aproximadamente simétrica y cercana a una distribución normal. Estos resultados, junto con el p-valor de 0.29 obtenido en la prueba de Ljung-Box, permiten concluir que los residuos del modelo son independientes y aproximadamente normales, lo cual valida los supuestos del modelo ARIMAX aplicado.

Tabla 1.
Metricas de desempeño del modelo ARIMAX
Métrica Valor
RMSE (Error cuadratico medio) 0.8394
MAE (Error absoluto medio) 0.5483
MAPE (%) 0.9139
AIC 128.0800
BIC 145.6900
p-valor Ljung-Box (residuos) 0.2900
Tabla 2.
Coeficientes estimados del modelo ARIMAX
Variable Coeficiente Error.estándar
x1 0.0022 0.0026
x2 0.0112 0.0009
x3 1.1443 2.9675
x4 0.0000 0.0000
x5 185.7101 10.7227
x6 0.0268 0.1082
x7 -0.1142 0.1372

Estos resultados representan un modelo ARIMAX con errores AR(1) y variables explicativas externas (x1 a x7). El modelo seleccionado fue un ARIMA(1,0,0), lo que indica que las emisiones de CO₂ no requirieron diferenciación adicional. Dentro de los regresores, el PIB per cápita (x2) y la intensidad de carbono (x5) resultaron estadísticamente significativos, lo que sugiere que el crecimiento económico y el tipo de energía usada inciden directamente en el aumento de las emisiones. El resto de variables no mostró un efecto significativo al nivel del 5 %.

El modelo presentó un buen ajuste, con un RMSE de 0.84 y residuos sin autocorrelación significativa (p = 0.29 en la prueba de Ljung-Box), lo que indica que los errores son aleatorios y el modelo es estadísticamente confiable.

Comprobación y Elección del Modelo

El modelo anterior fue seleccionado automáticamente como ARIMAX(1,0,0), y si bien esta opción puede ser útil como punto de partida, no siempre representa la mejor elección. Los métodos automáticos pueden ser prácticos, pero también pueden llevar a decisiones engañosas si no se evalúan cuidadosamente. Por ello, decidimos realizar una comparación manual entre diferentes configuraciones de modelos ARIMAX, con el fin de verificar cuál opción resulta más conveniente para nuestros datos. Para ello, utilizamos principalmente el criterio AICc, una versión ajustada del AIC que penaliza la complejidad del modelo y es especialmente adecuada para muestras pequeñas. En total, se evaluaron 15 modelos y seleccionamos los seis con los valores más bajos de AICc. La siguiente tabla muestra esta comparación.

Comparación de modelos ARIMAX
Modelo AIC AICc BIC
ARIMAX(1,0,0) 128.08 129.45 145.69
ARIMAX(2,0,0) 129.45 137.96 148.82
ARIMAX(1,0,2) 111.32 121.72 132.46
ARIMAX(1,0,1) 129.80 138.32 149.18
ARIMAX(1,1,0) 123.44 129.07 139.08
ARIMAX(3,0,2) 115.19 130.19 139.85

Se observa que el modelo ARIMAX seleccionado automáticamente fue una elección acertada, al presentar un buen desempeño. No obstante, se identificó otro modelo que podría superar su rendimiento. Por lo tanto continuamos con el modelo ARIMAX (1,0,2)

Resultados

Al analizar los residuos del modelo ARIMAX(1,0,2), se observa que estos se encuentran centrados en torno a cero a lo largo del tiempo, sin mostrar patrones sistemáticos ni tendencias evidentes, lo que indica que el modelo logró capturar adecuadamente la estructura de la serie. La gráfica de autocorrelación (ACF) de los residuos muestra que ninguna de las correlaciones significativas excede los límites de confianza, lo que sugiere que no existe autocorrelación residual y, por tanto, que los errores son independientes. Por otro lado, el histograma de los residuos con la curva de densidad superpuesta presenta una forma aproximadamente simétrica y cercana a una distribución normal, aunque con ligeras desviaciones. Tambien se evidencia quelos residuos se comportan como ruido blanco, lo que valida la adecuación del modelo y sugiere que puede utilizarse de manera confiable si se desea pronosticar.

Valor real vs predicho

Se construyó un gráfico comparativo entre los valores reales de emisiones de CO₂ y los valores ajustados por el modelo ARIMAX. Se observa que el modelo captura adecuadamente la evolución general de la serie, con ligeras desviaciones en años puntuales, pero sin errores sistemáticos, lo cual es consistente con la prueba de Ljung-Box aplicada previamente.

Predicción Serie de Tiempo

El gráfico evidencia una tendencia creciente en las emisiones de CO₂ per cápita proyectadas para los próximos 5 años. A partir del modelo ARIMAX ajustado, se observa que si se mantienen las condiciones actuales, las emisiones seguirán aumentando, aunque con un intervalo de confianza que refleja cierta incertidumbre. La banda azul representa el rango probable de valores futuros: la línea oscura muestra el valor estimado, mientras que las zonas más claras indican el rango de confianza al 80 % y 95 %.

Este pronóstico sugiere que, sin intervenciones significativas en las políticas energéticas, industriales y de transporte, Colombia podría continuar incrementando su huella de carbono, lo que refuerza la necesidad de fortalecer las estrategias de mitigación ambiental y transición energética

Conclusiones

  • Se evidencia que las emisiones de dióxido de carbono (CO₂) en Colombia han aumentado de forma sostenida desde 1980, especialmente a partir del año 2000. Este incremento está asociado al crecimiento económico, la expansión del parque automotor, el aumento del consumo energético y la intensificación de actividades industriales y extractivas. Aunque el país ha promovido políticas ambientales, estas aún no han sido suficientes para contrarrestar el impacto de estos sectores emisores.

  • El modelo ARIMAX permitió identificar cómo ciertas variables, como el consumo de energía eléctrica, el PIB per cápita y las emisiones de óxidos nitrosos, están asociadas con el comportamiento de las emisiones de CO₂ en Colombia. Aunque no todas las variables regresoras fueron estadísticamente significativas, el análisis sugiere que los factores económicos y energéticos inciden directamente en la dinámica de las emisiones.

  • Inicialmente se ajustó un modelo de regresión lineal múltiple, pero este resultó inadecuado debido a la falta de estacionariedad en la variable dependiente. Esto resalta la necesidad de emplear modelos dinámicos como el ARIMAX, que permiten capturar la evolución temporal y manejar la autocorrelación de los errores.

  • Para garantizar la validez estadística del modelo, se aplicaron diferenciaciones sucesivas a la serie de emisiones hasta alcanzar la estacionariedad. Esta transformación es clave en el análisis de series de tiempo, pues evita errores de especificación y mejora la fiabilidad de las inferencias.

  • El primer modelo ajustado, ARIMAX(1,0,0), mostró un buen desempeño, con residuos sin autocorrelación significativa y con distribución aproximadamente normal, lo que validó el modelo en términos de ajuste y confiabilidad.

  • Posteriormente, se ajustó el modelo ARIMAX(1,0,2) de forma manual, el cual presentó mejores indicadores de calidad (AIC, BIC y AICc) y residuos aún más cercanos al ruido blanco. La prueba de Ljung-Box arrojó un p-valor de 0.79, confirmando la ausencia de autocorrelación. Este modelo resulta más robusto para propósitos predictivos, ya que mejora la captura de la dinámica residual en comparación con el ARIMAX(1,0,0).