U1A13. ¿Cómo serán las emisiones brutas de GEI para Sonora en los próximos 20 años?.

EQUIPO 2. Mariana Pompa Rivera, Cielo Aholiva Higuera Gutierrez, Saul Lopez Lopez y Cristina Arguelles Lema

08/03/2021

¿Cómo serán las emisiones brutas de GEI para Sonora en los próximos 20 años?.

Acerca de este documento

Este es un documento basado en el análisis acerca de datos de economía y desarrollo de Sonora, que se enfoca en como el efecto invernadero influye en el cambio climático para los años de 1990 a 2021. Relacionando su consumo Eléctrico y Energético, Transporte, Agricultura, ente otros que son complementos fundamentales para nuestro análisis. Además, se hará una predicción de la concentración del efecto invernadero para años futuros.

Para la descarga de este código

Para fines de reproducibilidad inmediata se incluye todo el código para su descarga

xfun::embed_file("U1A13.Rmd")

Download U1A13.Rmd

Introducción

El cambio climático es el mal de nuestro tiempo y sus consecuencias pueden ser devastadoras si no reducimos drásticamente la dependencia de los combustibles fósiles y las emisiones de gases de efecto invernadero.

Pero hoy también estamos viendo los impactos económicos y sociales, que serán cada vez más graves, como:

  • Daños en las cosechas y en la producción alimentaria.
  • Las sequías.
  • Los riesgos en la salud.
  • Los fenómenos meteorológicos extremos, como danas, tormentas y huracanes.
  • Mega-incendios.

Sonora es una de las entidades que a nivel nacional genera más emisiones de gases de efecto invernadero per cápita por habitante, debido a factores como el uso individual de automóviles, gasto de energía eléctrica por enfriamiento del hogar y uso de combustibles fósiles, entre otros.

Para el 2018 se realizó el inventario de gases de efecto invernadero en Sonora, con el cual se midieron las emisiones que tienen un efecto en el calentamiento global, lo cual dio como resultado que en el Estado se generan 19 millones de toneladas de bióxido de carbono, que es en lo que se convierten todos los gases.

¿Sabías que…? Un árbol absorbe el humo de 100 coches

Objetivo

Crear un modelo capaz de predecir cómo serán las emisiones de gases de efecto invernadero en los próximos 20 años.

  • Librerías y Paquetes
library(pacman) #Para importar la biblioteca "pacman"
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales")

Importar Datos

library(readxl)
library(DT)
datos <- read_excel("GEI.xlsx")
datatable(datos)
datos <- read_excel("GEI.xlsx")
head(datos)
## # A tibble: 6 x 11
##     Año Consumo_Energetico Consumo_Electrico `Res/Com/Ind` Transporte
##   <dbl>              <dbl>             <dbl>         <dbl>      <dbl>
## 1  1990                9.6              4.03          1.58       3.78
## 2  1995               12.4              5.5           2.56       4.12
## 3  2000               13.3              7.03          1.27       4.79
## 4  2005               13.4              6.84          1.06       5.25
## 5  2010               15.7              7.58          1.43       6.46
## 6  2015               19.3              9.76          1.78       7.57
## # ... with 6 more variables: Combustibles_fosiles <dbl>,
## #   Procesos_Industriales <dbl>, Manejo_residuos <dbl>, Agricultura <dbl>,
## #   Sivicultura <dbl>, Emisiones_Brutas <dbl>

Grafíco de líneas de Emisiones de Gases de Efecto Invernadero históricas y de casos de referencia en Sonora por sector duante 1990 a 2020

library(scales)
library(ggplot2)
library(plotly)
Año <- datos$Año
d1 <- datos$Consumo_Energetico
d2 <- datos$Consumo_Electrico
d3 <- datos$`Res/Com/Ind`
d4 <- datos$Transporte
d5 <- datos$Combustibles_fosiles
d6 <- datos$Procesos_Industriales
d7 <- datos$Manejo_residuos
d8 <- datos$Agricultura  
d9 <- datos$Sivicultura
d10 <- data.frame(d1, d2, d3, d4, d5, d6, d7, d8, d9) 
x <- ggplot(data = d10) + 
  geom_line(aes(Año, d1, colour="Consumo energético")) + 
  geom_line(aes(Año, d2, colour="Consumo eléctrico")) + 
  geom_line(aes(Año, d3, colour="RCI")) +
  geom_line(aes(Año, d4, colour="Transporte")) +
  geom_line(aes(Año, d5, colour="Industria de combustibles fósiles")) +
  geom_line(aes(Año, d6, colour="Procesos industriales")) + 
  geom_line(aes(Año, d7, colour="Manejo de residuos")) + 
  geom_line(aes(Año, d8, colour="Agricultura")) + 
  geom_line(aes(Año, d9, colour="Silvicultura y uso de terrenos")) + 
 xlab("Año") +
  ylab("Cantidad (millones de toneladas)") +
  labs(colour="Concepto") +
  ggtitle("Emisiones de GEI históricas y de casos de referencia en Sonora por sector 1990-2020 (Fuente: INEGI)")+
  scale_y_continuous(labels = comma)
ggplotly(x)

Interpretación:

RCI: Quema de combustible residencial, comercial e industrial

La mayor cantidad de gases de efecto invernadero son producto del consumo desmedidio de energía. En la parte inferior del gráfico puede observarse que la silvicultura y uso de terrenos contrarrestan la emisión de los gases, pero aún así están muy lejos de eliminarlos en un 100%.

Matriz de diagramas de dispersión de Gases de Efecto Invernadero

pairs(datos)

## Inferencias

Calculo y representación de la recta de mínimos cuadrados acerca de las Emisiones Brutas

regresion <- lm (Emisiones_Brutas ~ Año, data=datos)
summary(regresion)
## 
## Call:
## lm(formula = Emisiones_Brutas ~ Año, data = datos)
## 
## Residuals:
##       1       2       3       4       5       6       7 
##  1.4929  1.1000 -0.7929 -2.3857 -1.9786 -0.1714  2.7357 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1137.8500   155.9991  -7.294 0.000758 ***
## Año             0.5786     0.0778   7.436 0.000693 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.059 on 5 degrees of freedom
## Multiple R-squared:  0.9171, Adjusted R-squared:  0.9005 
## F-statistic:  55.3 on 1 and 5 DF,  p-value: 0.0006932
  • Ecuacion de la recta de mínimos cuadrados

\[ y = -1137.8500 + 0.5786x \] > Se demuestra que la intersección en Y es en -1137.8500 y la pendiente es de 0.5786.

plot (datos$Año, datos$Emisiones_Brutas, xlab = "Año", ylab = "Emisiones Brutas")
abline(regresion)

cor(datos)
##                               Año Consumo_Energetico Consumo_Electrico
## Año                    1.00000000          0.9507383        0.95807462
## Consumo_Energetico     0.95073826          1.0000000        0.99069799
## Consumo_Electrico      0.95807462          0.9906980        1.00000000
## Res/Com/Ind            0.10744499          0.3547705        0.25920625
## Transporte             0.97703412          0.9827071        0.97358196
## Combustibles_fosiles   0.98545088          0.8937385        0.90387074
## Procesos_Industriales -0.49698060         -0.4263209       -0.47188090
## Manejo_residuos        0.99571790          0.9242684        0.93390559
## Agricultura            0.64081260          0.6701336        0.60527824
## Sivicultura           -0.06801697         -0.1476712       -0.04583155
## Emisiones_Brutas       0.95764218          0.9961280        0.98246511
##                       Res/Com/Ind Transporte Combustibles_fosiles
## Año                    0.10744499  0.9770341           0.98545088
## Consumo_Energetico     0.35477050  0.9827071           0.89373854
## Consumo_Electrico      0.25920625  0.9735820           0.90387074
## Res/Com/Ind            1.00000000  0.2296041           0.03084438
## Transporte             0.22960409  1.0000000           0.93325911
## Combustibles_fosiles   0.03084438  0.9332591           1.00000000
## Procesos_Industriales -0.11236855 -0.3587188          -0.54159199
## Manejo_residuos        0.07101349  0.9554852           0.99666552
## Agricultura            0.24639301  0.7389150           0.60732883
## Sivicultura           -0.61983348 -0.1205510          -0.10994305
## Emisiones_Brutas       0.32737496  0.9925387           0.90507225
##                       Procesos_Industriales Manejo_residuos Agricultura
## Año                             -0.49698060      0.99571790   0.6408126
## Consumo_Energetico              -0.42632091      0.92426844   0.6701336
## Consumo_Electrico               -0.47188090      0.93390559   0.6052782
## Res/Com/Ind                     -0.11236855      0.07101349   0.2463930
## Transporte                      -0.35871876      0.95548517   0.7389150
## Combustibles_fosiles            -0.54159199      0.99666552   0.6073288
## Procesos_Industriales            1.00000000     -0.53660100   0.2784917
## Manejo_residuos                 -0.53660100      1.00000000   0.6133749
## Agricultura                      0.27849170      0.61337486   1.0000000
## Sivicultura                     -0.08467746     -0.08649448  -0.4695749
## Emisiones_Brutas                -0.37093737      0.93213831   0.7278702
##                       Sivicultura Emisiones_Brutas
## Año                   -0.06801697        0.9576422
## Consumo_Energetico    -0.14767123        0.9961280
## Consumo_Electrico     -0.04583155        0.9824651
## Res/Com/Ind           -0.61983348        0.3273750
## Transporte            -0.12055095        0.9925387
## Combustibles_fosiles  -0.10994305        0.9050723
## Procesos_Industriales -0.08467746       -0.3709374
## Manejo_residuos       -0.08649448        0.9321383
## Agricultura           -0.46957487        0.7278702
## Sivicultura            1.00000000       -0.1755199
## Emisiones_Brutas      -0.17551986        1.0000000

Matriz de coeficientes de correlación acerca de las emisiones brutas

Modelación

Se modelan (predecir) datos usando la recta de mínimos cuadrados representando a las emisiones brutas.

Se predicen (modelan) 20 datos en el que se representan los datos de la recta de mínimos cuadrados.

regresion <- lm(Emisiones_Brutas ~ Año, data=datos)
summary(regresion)
## 
## Call:
## lm(formula = Emisiones_Brutas ~ Año, data = datos)
## 
## Residuals:
##       1       2       3       4       5       6       7 
##  1.4929  1.1000 -0.7929 -2.3857 -1.9786 -0.1714  2.7357 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1137.8500   155.9991  -7.294 0.000758 ***
## Año             0.5786     0.0778   7.436 0.000693 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.059 on 5 degrees of freedom
## Multiple R-squared:  0.9171, Adjusted R-squared:  0.9005 
## F-statistic:  55.3 on 1 and 5 DF,  p-value: 0.0006932
plot(datos$Año, datos$Emisiones_Brutas, xlab='Año', ylab='Emisiones')
Emisiones_Brutas <- data.frame(Año=seq(1990,2030))
abline(regresion)


iconfianza <- predict(regresion, Emisiones_Brutas, interval = "confidence")
lines(Emisiones_Brutas$Año, iconfianza[, 2], lty=2, col="purple")
lines(Emisiones_Brutas$Año, iconfianza[, 3], lty=2, col="purple")


iconfianza <- predict(regresion, Emisiones_Brutas, interval = "prediction")
lines(Emisiones_Brutas$Año, iconfianza[, 2], lty = 2, col = "green")
lines(Emisiones_Brutas$Año, iconfianza[, 3], lty = 2,col = "green")

Interpretación:

En este gráfico se observa un crecimiento exponencial de emisión de GEI conforme pasa el tiempo. Las líneas cyan representan el intervalos de confianza, mientras que las verdes representan el intervalo de predicción.

Estimación de emisiones futuras (2021-2040)

Emisiones_Brutas <- data.frame(Año=seq(2021,2040))
predict(regresion, Emisiones_Brutas, interval = "prediction")
##         fit      lwr      upr
## 1  31.44286 24.94357 37.94214
## 2  32.02143 25.42137 38.62148
## 3  32.60000 25.89472 39.30528
## 4  33.17857 26.36382 39.99332
## 5  33.75714 26.82888 40.68540
## 6  34.33571 27.29009 41.38134
## 7  34.91429 27.74764 42.08093
## 8  35.49286 28.20171 42.78401
## 9  36.07143 28.65247 43.49039
## 10 36.65000 29.10010 44.19990
## 11 37.22857 29.54476 44.91238
## 12 37.80714 29.98659 45.62769
## 13 38.38571 30.42575 46.34568
## 14 38.96429 30.86237 47.06620
## 15 39.54286 31.29658 47.78914
## 16 40.12143 31.72850 48.51435
## 17 40.70000 32.15827 49.24173
## 18 41.27857 32.58597 49.97117
## 19 41.85714 33.01173 50.70255
## 20 42.43571 33.43564 51.43579
  • fit= Media
  • lwr= Valor mas bajo
  • upr= Valor mas alto

De acuerdo a los datos de predicción, es posible responder a nuestro cuestionamiento inicial. Para 2040 se espera que las emisiones brutas de GEI vayan desde las 33.43 hasta las 51.435 toneladas tan solo en ese año (42.435 toneladas en promedio).

Concluisón

Gracias al análisis anterior probablemente nos ayudará a identificar y resolver algunas de las necesidades principales de diversos sectores productivos del estado y como estos han afectado al planeta, por lo que es importante hacer conciencia de como podriamos reducir estos efectos negativos, no solo en nuestro estado, sino en todo el mundo. También una de las propuesta que se han adoptado es una política de promoción para atraer a Sonora grandes generadores de energías limpias, como los parques fotovoltaicos que se han instalado en los últimos cinco años, donde ahora la entidad es líder nacional.

Bibliografías