Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
El papel del consumo de energías renovables sobre los gases de
efecto invernadero a nivel global: Análisis econométrico de datos
de panel
The role of renewable energy consumption on global greenhouse gases: Econo-
metric analysis of panel data
Leidy Caraguay1| Michelle López-Sánchez ID 2
1Carrera de Economía, Universidad Nacional de
Loja, Loja, Ecuador
2Carrera de Economía, Universidad Nacional de
Loja, Loja, Ecuador
Correspondencia
Leidy Caraguay, Carrera de Economía,
Universidad Nacional de Loja, Loja, Ecuador
Email: leidy.caraguay@unl.edu.ec
Agradecimientos
Club de Investigación de Economía (CIE)
Fecha de recepción
Julio 2021
Fecha de aceptación
Diciembre 2021
Dirección
Bloque 100. Ciudad Universitaria Guillermo
Falconí. Código Postal: 110150, Loja, Ecuador
RESUMEN
El objetivo de este documento es analizar el impacto del consumo de energías renovables
sobre los gases de efecto invernadero a nivel global durante el periodo 1990 – 2015. Para
comprobar dicha relación utilizamos la metodología de datos de panel y técnicas de coin-
tegración. Los resultados confirman que el consumo de energía y las emisiones de gases
de efecto invernadero tienen una relación de equilibrio tanto en el corto como en el largo
plazo, existiendo una relación negativa y significativa entre ambas variables, es decir, a
mayor consumo de energía los gases de efecto invernadero tienden a disminuir excep-
tuando los países de ingresos extremadamente altos. Una implicación de política derivada
de esta investigación es implementar políticas para reducir las emisiones de GEI, reem-
plazando las fuentes de energía fósil con fuentes de energía renovable e incentivar al sector
público y privado a invertir en la utilización de este tipo de energías limpias.
Palabras clave: Energía renovable; Gases de efecto invernadero; Datos de panel.
Códigos JEL: C01. C33. Q42. Q53.
ABSTRACT
The objective of this document is to analyze the impact of renewable energy consump-
tion on greenhouse gases at a global level during the period 1990 - 2015. To verify this
relationship, we used the panel data methodology and cointegration techniques. The re-
sults confirm that energy consumption and greenhouse gas emissions have an equilibrium
relationship both in the short and long term, with a negative and significant relationship
between both variables, that is, the higher the energy consumption the higher the Green-
house gases tend to decline with the exception of extremely high-income countries. A
policy implication derived from this research is to implement policies to reduce GHG emis-
sions, replacing fossil energy sources with renewable energy sources and incentivize the
public and private sectors to invest in the use of this type of clean energy.
Keywords: Renewable energy; Greenhouse gases; Panel data.
JEL codes: C01. C33. Q42. Q53.
El papel del consumo de energías renovables sobre los gases...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
1|INTRODUCCIÓN
La contaminación ambiental es uno de los problemas más preocu-
pantes a nivel mundial, siendo un desafío difícil de abatir, pues
el aumento de la deforestación, desarrollo industrial, poblacional
y procesos para mejorar la calidad de vida han contribuido a una
aceleración del aumento de las emisiones de gases de efecto inver-
nadero (GEI) como el dióxido de carbono (CO2), metano (CH4) y
óxido nitroso (N2O), provocando que los eventos climáticos sean
más fuertes y letales. Según datos de la Organización Meteorológ-
ica Mundial (2018) en el 2017 los GEI obtuvieron un crecimiento
record al registrar 405,5 ±0,1 ppm para el CO2, 1859 ±2 ppb para
el CH4 y 329,9 ±0,1 ppb para el N2O. De acuerdo con datos del
Banco Mundial (2012) los principales emisores de gases de efecto
invernadero (kilotoneladas equivalente del CO2) en el mundo en
el 2012 está encabezado por China con 12.454.711 kt, Estados
Unidos (6.343.841 kt), India (3.002.895 kt), Brasil (2.989.418 kt),
Rusia (2.803.398 kt), Japón (1.478.859 kt), Canadá (1.027.064 kt),
Indonesia (780.551 kt), Australia (761.686 kt), Corea (668.990 kt),
México (663.425), Bolivia (621.727 kt) y Reino Unido (585.779 kt)
y África del sur (546.809 kt).
El principal causante de las emisiones de GEI es el consumo
excesivo de energía proveniente de combustibles fósiles como el
carbón, petróleo y gas natural, este tipo de combustibles son dom-
inantes en la mayoría de países del mundo, visto que contribuyen
en gran medida en sus procesos productivos e industrias (Mohlin
et al., 2018). La relación entre el consumo de energía fósil, las emi-
siones contaminantes y el crecimiento económico ha sido amplia-
mente analizada con diferentes métodos econométricos con el fin
de comprobar la validez de la teoría medioambiental de Kuznets
(1955), la cual establece que el desarrollo económico y contami-
nación ambiental asume una forma de U invertida, pues los nive-
les de contaminación aumentan a medida que el país se desarrolla
llegando a un punto limite en donde empiezan a decaer gracias al
aumento de los niveles de ingreso (Liobikien˙
e & Butkus, 2017; Kas-
man & Duman, 2015). Si bien dicha teoría se cumple en varias
economías, en otras los resultados pueden variar por diversos fac-
tores como la demografía, estructura energética, comercio e indus-
trias (Poumanyvong & Kaneko, 2010). Utilizar nuevas tecnologías
y procedimientos para fomentar el uso de energías renovables es
una de las alternativas más sugeridas para combatir la contami-
nación ambiental, estableciendo que las energías limpias tienen una
relación negativa significativa con los gases de efecto invernadero,
dado que, a medida que aumenta el uso de energías limpias el nivel
de emisiones de GEI disminuye (Nikzad & Sedigh, 2017; Oehmichen
& Thrän, 2017; Khondaker et al., 2016; Anders et al., 2015).
El objetivo de esta investigación es analizar la relación entre el
consumo de energía renovable y las emisiones de gases de efecto
invernadero a nivel global durante el periodo 1990 – 2015. Con la fi-
nalidad de comprobar esta relación, se utilizó modelos de datos de
panel, aplicando el método de mínimos cuadros ordinarios (MCO)
y mínimos cuadrados generalizados (GLS); para determinar el equi-
librio a corto y largo plazo. Los resultados confirman que el con-
sumo de energía y las emisiones de gases de efecto invernadero
tienen una relación de equilibrio tanto a corto como a largo plazo, ex-
istiendo una relación negativa y significativa entre ambas variables,
es decir, cuando aumenta el consumo de energía los gases de efecto
invernadero tienden a disminuir exceptuando los países de ingresos
extremadamente altos. Una implicación de política derivada de esta
investigación es implementar políticas para reducir las emisiones de
GEI reemplazando el uso de fuentes de energía fósil con fuentes de
energía renovable e incentivar al sector público y privado a invertir
en este tipo de energías para su producción, con el fin de encontrar
nuevas fuentes de energías limpias. Este documento contribuye a
la literatura empírica con resultados globales, diferenciando los pa-
trones de consumo de energía renovables y el nivel de emisiones de
gases de efecto invernadero según el nivel de ingresos entre países.
Este artículo está estructurado en cinco secciones incluida la
introducción. La segunda presenta una breve revisión de la liter-
atura previa. La tercera sección se enfoca en los datos y métodos
usados dentro del estudio. En la cuarta sección se presentan los
resultados de la investigación y la discusión con la literatura previa.
Finalmente, la quinta sección contiene las conclusiones y las impli-
caciones de política pública derivados del estudio.
2|MARCO TEÓRICO Y EVIDENCIA
EMPÍRICA
En la actualidad la preocupación por conservar y mejorar el medio
ambiente se ha convertido en uno de los objetivos principales de los
gobiernos a nivel mundial. De tal modo, se han realizado varias in-
vestigaciones para identificar los principales responsables del calen-
tamiento global y establecer posibles soluciones que ayuden a mit-
igarlos (Ali et al., 2017; Mirza & Kanwal, 2017; Kais & Sami, 2016;
Park & Hong, 2013; Soytas & Sari, 2007). En ese sentido, Paramati &
Gupta (2017); Thitanuwat, Polprasert, & Englande (2017); Saboori
& Sulaiman (2013); Ruíz & Ozawa (2011); Ang (2007) concluyeron
que el consumo intensivo de las energías convencionales derivadas
de los combustibles fósiles emite inmensas cantidades de gases con-
taminantes intensificando el daño ambiental.
La curva medioambiental de Kuznets (1955), es una de las
teorías que respalda el análisis de la mayor parte de investigaciones
relacionadas al consumo de energía y los GEI, aludiendo que el
nivel de contaminación ambiental aumenta junto con el crecimiento
económico hasta alcanzar cierto nivel de ingresos, en donde la
calidad ambiental comienza a mejorar (Kasman & Duman, 2015;
Salahuddin & Gow, 2014; Saboori & Sulaiman, 2013; Pao & Tsai,
2011). Debido a que, en el largo plazo, al tener mayores ingresos,
las economías pueden implementar el uso de tecnologías amigables
con el medio ambiente, tanto en los procesos de producción como
en las actividades humanas (Farhani, Chaibi, & Rault, 2014; Saboori
& Sulaiman, 2013; Poumanyvong & Kaneko, 2010; Xiangzhao & Ji,
2008). Priorizando el uso de energías limpias que además de dis-
minuir la contaminación ambiental, genera efectos positivos en el
crecimiento económico a largo plazo (Ito, 2017).
La utilización de energías renovables es una de las opciones
más recomendadas para mitigar los GEI, porque al ser producidas
por la naturaleza y no agotarse a diferencia de las energías con-
vencionales, su uso es ilimitado; entre las fuentes más populares
e implementadas se encuentran la energía solar, biomasa, eólica e
hidráulica, debido a su bajo costo de aplicación (Juana de Sardón,
2003). En este sentido, Sarango (2018) encontró la existencia de
una relación de equilibrio de corto y largo plazo entre las dos vari-
ables y, una causalidad tipo Granger unidireccional que va desde
las emisiones de dióxido de carbono hacia el consumo de energía.
Además, Tillaguango & Loaiza (2019) estimaron el efecto de la en-
ergía sustentable y no sustentable en el crecimiento económico, re-
saltándose su significancia estadística, también se contrarresta el
deterioro de los recursos naturales.
En este contexto, la evidencia empírica de la presente investi-
gación se divide en tres grupos. El primer grupo analiza la relación
del consumo de energía renovable y los gases de efecto inver-
nadero en los países con altos ingresos. Autores como: Mohlin et
al. (2018); Nordenstam, Ilic, & Ödlund (2018); Paramati & Gupta
(2017); Şener, Sharp, & Anctil (2017); Moutinho & Robaina (2016);
Baah-Acheamfour et al. (2016); Amponsah et al. (2014); Moreno
et al. (2006), en sus estudios acotaron que en países como Estados
Unidos, Alemania, Francia, Japón y España, al tener un gran número
de población y mayor industrialización generan mayores emisiones
Caraguay L. & López-Sánchez M.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
contaminantes al planeta, convirtiéndose en una de las principales
preocupaciones mundiales, por tal motivo han intentado sustituir
las energías convencionales por las energías limpias que les permi-
tan seguir desarrollándose de una forma más amigable con el medio
ambiente, provocando la disminución de los gases de efecto inver-
nadero, y confirmando así la teoría medioambiental de Kuznets.
Adicionalmente, Jin & Kim (2018), en su estudio realizado en
30 economías utilizando datos de panel, confirmaron la existen-
cia de una relación de equilibrio a largo plazo entre las emisiones
y consumo de energía renovable. En esa misma investigación, de
acuerdo a los resultados del vector de cointegración y causalidad de
Granger, las energías renovables contribuían a la disminución de las
emisiones, concluyendo que expandir y desarrollar la energía ren-
ovable es esencial para combatir el calentamiento global. A pesar
de los altos costos de las energías renovables, el consumo de es-
tas promueve el crecimiento económico, siempre y cuando la im-
plementación y combinación de políticas sean apropiadas, ya que
son clave para que las energías limpias y el desarrollo económico se
desenvuelvan sin contrariedades (Río, 2017).
Dentro del segundo grupo se incluyen los estudios para países
con ingresos medios altos y bajos. Benedek, Sebestyén, & Bartók
(2018); Chuang et al. (2018); Kim, Park, & Lee (2018); Pata (2018);
Shahsavari & Akbari (2018); Hosseinzadeh-Bandbafha et al. (2018);
Dong, Sun, & Hochman (2017), comprobaron al igual que el primer
grupo, que países como Romania, Taiwán, Brasil, China, India, en-
tre otros, al implementar energías limpias en sus economías, el nivel
de los gases contaminantes disminuyen obteniendo así una relación
negativa entre ambas variables, es decir, que a medida que aumenta
el uso de energías renovables los gases de efecto invernadero tien-
den a disminuir. Por otro lado, Ito (2016) en su estudio para 42
países en desarrollo, comprobó el impacto negativo que tiene el uso
de las energías no renovables en las economías subdesarrolladas,
siendo eficaz el uso de energías renovables para disminuir las emi-
siones contaminantes, sugiriendo formular políticas enfocadas en la
inversión y desarrollo del sector de energías limpias, ya que además
de mejorar la autosuficiencia energética genera nuevas fuentes de
empleo y contribuye al crecimiento económico.
Finalmente, en el tercer grupo se ubican los países de ingre-
sos bajos, en donde, Zoundi (2017); Jebli & Youssef (2017), en sus
artículos para países de África (Argelia, Egipto, Marruecos, Sudán,
Túnez, etc.) mediante técnicas de cointegración de panel y causal-
idad de Granger confirmaron que a largo plazo el consumo de en-
ergías limpias tiene una causalidad unidireccional con las emisiones,
además de tener un impacto significativo en la mitigación de los
GEI. Asimismo, Waheed et al. (2018) confirma efectos negativos y
significativos del consumo de energías renovables en las emisiones
en el corto y largo plazo en Pakistán. De acuerdo con Aized et al.
(2018) en Pakistán existe una gran necesidad del uso de recursos
naturales, no solo para la generación de energía sino también para
el trasporte y otros servicios sociales. Adicionalmente, Cherni &
Jouini (2017); Boontome, Therdyothin, & Chontanawat (2017) en
sus estudios en Túnez y Tailandia destacaron el uso de los recursos
renovables como fuentes de energía para mitigar las emisiones, re-
calcando que su utilización como solución aún tiene un largo camino
y se ralentiza debido a los elevados costos de inversión de las tec-
nologías para transformar los recursos naturales en energía. En ese
sentido, Mittal et al. (2016) señala que es fundamental aplicar políti-
cas nacionales que estén acorde al clima de cada economía, para
aprovechar y buscar recursos naturales generadores de energía.
3|DATOS Y METODOLOGÍA
3.1 |Datos
Los datos copilados de esta investigación provienen de los indi-
cadores de Desarrollo Mundial publicados por el Banco Mundial
(2018), con una cobertura temporal que va desde 1990 al 2015 para
148 países a nivel global. La variable dependiente son las emisiones
de gases de efecto invernadero en toneladas métricas equivalentes
del CO2 y la variable independiente es el consumo de energía renov-
able en porcentaje de consumo total de energía final, véase la Tabla
1.
Tabla 1. Descripción de las variables empleadas en el modelo econométrico
Variable Notación Descripción Unidad de medida
Variable dependiente:
Gases de efecto invernadero GEI
El consumo de energía renovable es
la participación de la energía renovable
en el consumo total de energía final.
Toneladas métricas
equivalentes del CO2
Variable independiente:
Energía renovable EnRenv
Las emisiones totales de gases de efecto
invernadero en kt de CO2 equivalente
están compuestas por totales de CO2
excluyendo la quema de biomasa de ciclo
corto (quema de residuos agrícolas) pero
incluyendo otra quema de biomasa
(incendios forestales, deterioro post-
combustión, etc), y todas las fuentes
antropogénicas de CH4, fuentes de N2O
y gases fluorados (HFC, PFC y SF6).
Porcentaje de consumo
total de energía final
En la Tabla 2, se muestra los estadísticos descriptivos del con-
sumo de energía renovable y los gases de efecto invernadero, en
donde se analiza la media, la desviación estandar, valores mínimos
y máximos y el número de observaciones entre los países analiza-
dos. El consumo de energías renovables y los GEI presentaron mas
variaciones entre los países que dentro de los países, ya que su
desviación estandar entre variables es superior a la desviación es-
tandar dentro. El número de observaciones disponibles aseguran
que los parámetros se generalizan entre países y en el tiempo.
El papel del consumo de energías renovables sobre los gases...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 2. Estadísticos descriptivos de las variables
Variable Media Des. Est. Min. Max. N
Overall 36.34 31.85 -2.44 196.07 N= 3874
Energía renovable Between 31.1 0.38 95.31 n= 148
Within 7.16 -9.58 175.68 T-bar 26
Overall 10.71 2.11 3.67 16.34 N= 3874
Gases de efecto invernadero Between 2.09 3.81 15.74 n= 148
Within 0.36 6.29 14.17 T-bar 26
Las investigaciones recientes han argumentado que la imple-
mentación de energías renovables ayuda a disminuir las emisiones
de GEI. La Figura 1 muestra la correlación que existe entre el con-
sumo de energía renovable y las emisiones de gases de efecto iver-
nadero a nivel global desde 1990 al 2015, en la cual se observa que
nivel GLOBAL, PIMA y PIA al aumentar el consumo de energías ren-
ovables, las emisiones de GEI disminuyen, mostrando una relación
negativa significativa; en los PIMB y PIEB la relación es negativa
pero las emisiones de GEI se mantienen. Sin embargo, los PIEA y
PIB muestra una relación positiva, existiendo poco consumo de en-
ergía limpia y un mayor grado de emiciones contaminantes.
Figura 1. Correlación entre el consumo de energía y los gases de efecto invernadero a nivel mundial según el nivel de ingreso
3.2 |Metodología
Para verificar econométricamente y cumplir con el objetivo
planteado; primero se realizó un modelo de regresión básica con
datos de panel usando el procedimiento de MCO donde la variable
dependiente es el consumo de energía renovable del país i en el peri-
odo t = (E n R envi,t), y la variable independiente es el total de gases
de efecto invernadero (G E Ii,t). Se contó con 148 países, es decir i
= 148 y con un periodo de análisis comprendido desde 1990 al año
2015 (t= 1990 −2015). La ecuación (1) formaliza esta relación.
G E Ii,t=(α0+β0)+α1Lo g E n R envi,t+θi,t(1)
Luego, se escogió entre efectos fijos y aleatorios mediante el
test de Hausman (1978). Teniendo en consideración que la ecuación
(1) presenta dos problemas propios de datos de panel: autocor-
relación y heterocedasticidad. Por lo tanto, se estimó la ecuación (2)
utilizando regresiones de mínimos cuadrados generalizados (GLS).
yt=α0+λyt−1+αit+
p
Õ
i=2
βjyt−i−1+ϵt(2)
Cuando el parámetro (λ y )de la ecuación (2) es significativo
podemos inferir en que al menos uno de los paneles tiene una raíz
unitaria. Para garantizar que las series no tengan problema de raíz
unitaria, empleamos un conjunto de pruebas como: Dickey & Fuller
Augmented (1981); Phillips & Perron (1988); Levine, Lin, & Chu
(2002); Breitung (2002); Im, Pesaran, & Shin (2003), que coinciden
al generar primeras diferencias se elimina el efecto tendencial de las
variables del modelo.
Caraguay L. & López-Sánchez M.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Para determinar el equilibrio a corto y largo plazo entre las
variables utilizamos la prueba de cointegración desarrollada por Pe-
droni (1999), el equilibrio a largo plazo se determina con base en la
ecuación (3).
yi,t=αi+
n−1
Õ
j=1
βi j xi j −j+
n−1
Õ
j=1
ωi j yi,t−j+πE CTt−j+ϵi,t(3)
En la ecuación (3), (yi,t)representa la variable dependiente del
país i en el periodo t. Los parámetros (β,ω y π)son los parámetros a
estimar y el termino (E CTt−j)es el vector de cointegración de equi-
librio a largo plazo. Por último, (ϵi,t)es el término de error aleatorio
estacionario con media cero y j es la longitud del desface. Posterior-
mente, se utilizó un modelo de corrección de errores para determi-
nar el equilibrio a corto plazo entre las series utilizando la prueba de
corrección de errores de Westerlund (2007), en base a la ecuación
(4).
yi,t=δidi+αiyi,t−1−βiXi,t−1+
pi
Õ
j=1
αi j yi t −j+
pi
Õ
j=−qi
γi j Xi,t−j+ϵi,t(4)
Donde t = 1, .. ., T periodos de tiempo y en i = 1, . .. , N países.
El término (di)es el componente determinista. Por lo tanto, con-
fiamos en la suposición de que el vector k-dimensional de (Xi,t)
(representa a la inversión extranjera directa) es aleatorio e indepen-
diente de (ϵi,t)lo que supone que estos errores son independientes
a través de i y t. Por lo tanto, la hipótesis nula establece que no hay
cointegración a corto plazo.
Siguiendo la metodología procedemos a verificar la existencia
o no de un vector de cointegración mediante el enfoque de Pedroni
(2001). Lo que permite es evaluar cuán fuerte es el vector de equi-
librio entre el consumo de energías renovables y los GEI. Para deter-
minar la fuerza de la relación de las dos variables en cada país, se es-
timó el modelo dinámico de mínimos cuadrados ordinarios (DOLS)
y para grupos de países mediante una dinámica ordinara del modelo
de panel de mínimos cuadrados (PDOLS). La ecuación (5) muestra
la relación.
yi,t=αi+δiXi,t+
P
Õ
j=−P
γi,t∆Xi,t−j+µi,t(5)
Finalmente, siguiendo el modelo propuesto por Dumitrescu &
Hurlin (2012) y llevado a la literatura empírica de datos de panel, de-
terminamos la existencia y dirección del tipo de causalidad Granger
(1988) para modelos con datos de panel, que puede ser estimado a
partir de la ecuación (6).
yi,t=αi+
K
Õ
K=1
γK
iYi,t−K+
K
Õ
K=1
βK
iXi,t−K+µi,t(6)
El término (yi,t)representa el crecimiento económico. La
prueba de causalidad se verifica entre pares de variables por sep-
arado. La letra (Xi,t)denota la variable independiente. Suponemos
que (βi=β1
i, . . . , βK
i), se supone que el término (αi)está fijo en la
dimensión de tiempo. El parámetro autorregresivo (YK
i)y el coe-
ficiente de regresión (βK
i)varían entre las secciones transversales.
La hipótesis nula para verificar es que no existe una relación causal
para ninguna de las secciones transversales del panel. A saber, (H0):
(βi= 0);([i= 1,2, . . . , N).
4|DISCUSIÓN Y RESULTADOS
En esta investigación se utilizaron varias pruebas, como la de Haus-
man (1978), la cual ayuda a elegir entre los modelos de efectos fijos
(FE) y los efectos aleatorios (RE). Para detectar problemas de auto-
correlación aplicamos la prueba de Wooldridge (2002) y la prueba
de Wald para detectar la heterocedasticidad. La Tabla 3 reporta las
estimaciones del consumo de energía renovables y el total de emi-
siones de gases de efecto invernadero a nivel global y por grupos
de países de la ecuación (1). De acuerdo con la prueba de Haus-
man (1978), los paneles PIEA, PIA y PIB se estimaron con FE y los
paneles de GLOBAL, PIMA, PIMB y PIEB con RE. Los resultados
obtenidos muestran una relación negativa y estadísticamente sig-
nificativa entre el consumo de energía renovable y las emisiones
de GEI a nivel global y para cada grupo de países. Por lo tanto,
las emisiones de gases d efecto invernadero disminuyen a medida
que una economía aumenta su consumo de energía limpia. El mod-
elo de mínimos cuadrados generalizados (GLS), nos permite elimi-
nar posibles complicaciones de distorsión en el término de pertur-
bación dando resultados confiables en comparación con las pruebas
de MCO tradicionales (Waheed et al., 2018).
Tabla 3. Relación entre el consumo de energía y los gases de efecto invernadero a nivel mundial según el nivel de ingreso (GLS)
GLOBAL PIEA PIA PIMA PIMB PIB PIEB
Log(Gases de efecto invernadero) -1.129*** 6.219** -1.397*** -2.864*** -0.258 -0.709** -0.871***
(-7.40) -3.02 (-4.83) (-4.73) (-0.99) (-2.98) (-3.70)
Constant 31.58*** -48.99* 26.67*** 41.79*** 15.11*** 34.96*** 92.59***
-14.52 (-2.21) -6.88 -5.91 -4.7 -12.58 -32.93
Housmas tests (p-value) 0.142 0.001 0.542 0 0.186 0.032 0.938
Serial correlation test (p-value)
Fixed effects (time) Yes Yes Yes Yes Yes Yes Yes
Fixed effects (country groups) No Yes No Yes No No Yes
Observations 3848 130 598 312 546 1378 884
estadístico ten paréntesis * p< 0,05 ** p< 0,01 *** p< 0,001
Con el fin de confirmar que las series no sean estacionarias se
utilizó la prueba de raíz unitaria de datos de panel a través de cinco
pruebas independientes. Las pruebas de Levine, Lin, & Chu (2002);
Im, Pesaran, & Shin (2003); Breitung (2002) son paramétricas y, las
pruebas de Fisher de Dickey & Fuller Augmented (1981); Phillips &
Perron (1988) son no paramétricas. Estas pruebas fueron propues-
tas por Maddala & Wu (1999) y Breitung (2002) basadas en la homo-
geneidad de la raíz unitaria. La Tabla 4 muestra los resultados con y
sin efectos de tiempo de la raíz unitaria del consumo e informa los
resultados de la prueba de raíz unitaria del consumo de energía ren-
ovable y las emisiones de gases de efecto invernadero. Para dichas
pruebas el análisis es por niveles y primeras diferencias, en donde,
existe alta consistencias y no hay problemas de raíz unitaria con un
orden de integración I.
El papel del consumo de energías renovables sobre los gases...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Los resultados de las pruebas de raíz unitaria coinciden con los
resultados encontrados por Ito (2017); Jin & Kim (2018), quienes
realizaron las pruebas de LL, IPS y UB; Cherni & Jouini (2017), que
aplicaron la prueba de ADF y PP en niveles y primeras diferencias
aceptando la hipótesis nula de no tener raíz unitaria con un orden
de integración I en la energía renovable y las emisiones. Apergis, Je-
bli, & Youssef (2018); Zoundi (2017); Jebli & Youssef (2017); Dong,
Sun, & Hochman (2017); Boontome, Therdyothin, & Chontanawat
(2017), emplearon las pruebas de LL, ADF, IPS y PP para varios gru-
pos de países del continente africano, los BRIC y Tailandia, encon-
trando que la hipótesis nula de raíz unitaria no se rechaza en todos
las series de niveles pero al aplicar las primeras diferencias las vari-
ables se vuelven estacionarias con un nivel de significancia del 1%
con una integración de orden uno.
Tabla 4. Pruebas de raíz unitaria en niveles y en primeras diferencias)
LL UB IPS ADF PP LL UB IPS ADF PP
Niveles Primeras diferencias
GLOBAL EnRenov -17.64* 6.31 -14.05* -6.54* -9.66* -5.6e+03* -9.67* -14.05* -12.49* -46.54*
GEI -8.39* 7.32 -3.35* -3.32* -16.41* -50.14* -11.75* -55.54* -15.03* -56.54*
PIEA EnRenov -1.64 0.58 0.73 -1.34 -3.51* -5.1e+03* -2.12* -2.5e+03* -2.80* -9.51*
GEI -2.68* 0.39 -0.82 -1.93* -1.46 -22.47* -2.13 -10.78* -2.15* -9.79*
PIA EnRenov 1.33 1.38 2.28 -0.86 -1.78* -20.07* -5.29* -20.36* -1.83* -19.81*
GEI -2.68* 1.98 -0.48 -1.41 -3.22* -21.01* -5.71* -21.68* -4.27* -20.21*
PIMA EnRenov -1.23 1.88 -0.77 -1.12 -3.24* -14.39* -1.82* -14.78* -3.05* -13.23*
GEI -8.27* 2.49 -5.03* -1.76* -8.70* -9.70* -2.71* -14.22* -5.15* -16.35*
PIMB EnRenov -2.17* 3.16 0.12 -3.63* -4.26* -18.52* -2.15* -18.36* -7.03* -17.06*
GEI -1.85* 3.34 -0.4 -1.51 -6.51* -19.06* -8.21* -19.77* -6.85* -20.64*
PIB EnRenov -60.04* 3.55 -26.14* -4.69* -6.28* -2.4e+02* -5.90* -62.51* -7.59* -28.71*
GEI -4.63* 4.98 -3.12* -2.08* -10.79* -32.62* -5.82* -35.27* -9.08* -34.93*
PIEB EnRenov 0.25 3.58 1.52 -3.04* -4.21* -18.74* -7.10* -19.20* -6.61* -20.01*
GEI -2.68* 3.15 0.93 -0.19 -7.26* -22.47* -6.14* -25.89* -7.24* -28.03*
estadístico ten paréntesis * p< 0,005
Con el fin de determinar el equilibrio en el largo y corto plazo
entre las variables, se utilizó técnicas de cointegración para datos
de panel. Para determinar el equilibrio a largo plazo se empleó la
prueba de cointegración de Pedroni (1999), que muestra un son-
deo de la dimensión estadística obtenida por la sumatoria entre nu-
meradores y denominadores a lo largo de la serie de forma inde-
pendiente. La Tabla 5, indica los resultados de la prueba de coin-
tegración, confirmando una relación en el largo plazo entre el con-
sumo de energía renovable y las emisiones de GEI, constando sig-
nificancia estadística entre y dentro de las dimensiones de los pan-
eles. De manera similar, Jin & Kim (2018); Jebli & Youssef (2017);
Boontome, Therdyothin, & Chontanawat (2017) en sus estudios en-
contraron coeficientes estadísticamente significativos en sus coefi-
cientes aseverando una relación de equilibrio en el largo plazo, Por
lo tanto, la energía renovable contribuye a la mitigación de las emi-
siones contaminantes.
Tabla 5. Cointegración de Pedroni)
GLOBAL PIEA PIMA PIA PIMB PIB PIEB
Within dimension test statistics
Panel p-statistic -28.01*** -6.57* -14.06** -7.14** -8.46** -20.19*** -10.48**
Panel PP-statistic -46.56*** -8.85** -22.68*** -12.96** -16.95*** -34.17*** -14.76**
Panel ADF statistic -33.14*** -7.75** -17.41*** -10.30** -10.95** -26.38*** -12.35**
Between dimension test statistics
Panel p-statistic -19.15*** -4.88* -10.20** -4.74* -5.45* -14.86** -6.43*
Group PP-statistic -47.55*** -8.96** -23.97*** -13.16** -16.99*** -36.74*** -13.64**
Group ADF statistic -28.17*** -4.83* -16.59*** -9.40** -9.52** -23.06*** -9.23**
estadístico ten paréntesis * p< 0,05 ** p< 0,01 *** p< 0,001
Después de comprobar el equilibrio a largo plazo, procedimos
a verificar el equilibrio a corto plazo entre las variables, empleando
un modelo de error vectorial con datos de panel (VECM) desarrol-
lado por Westerlund (2007). La prueba de cointegración de Wester-
lund nos permite verificar la dependencia transversal de un modelo
con dos paramentos autoregresivos. Los resultados tanto a nivel
Global como por grupos de países tienen un P-value menor a 0.05,
siendo estadísticamente significativos y confirmando la existencia
de un equilibrio a corto plazo, por lo tanto, un cambio en el con-
sumo de energía renovable genera cambios en los gases de efecto
invernadero, tal como lo indica la Tabla 6. Dichos resultados coinci-
den con los de Moutinho & Robaina (2016) y Dong, Sun, & Hochman
(2017) quienes constataron una relación de cointegración entre la
energía renovable y las emisiones en el corto plazo.
Caraguay L. & López-Sánchez M.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 6. Resultados de la prueba de cointegración Westerlund VECM)
Statistic Value Z-value P-value
GLOBAL Gt -35.69 -505.05 0
Ga -220.45 -381.42 0
Pt -1.40E+04 -1.70E+04 0
Pa -9.30E+03 -1.90E+04 0
PIEA Gt 934.33 -2.60E+03 0
Ga -5.70E+03 -1.90E+03 0
Pt -9.80E+03 -1.10E+04 0
Pa -3.20E+04 -1.20E+04 0
PIA Gt -4.25 -11.31 0
Ga -29.73 -12.86 0
Pt -16.28 -7.16 0
Pa -13.49 -3.64 0
PIMA Gt -4.03 -7.23 0
Ga -26.93 -7.82 0
Pt -12.13 -5.61 0
Pa -17.69 -5.07 0
PIMB Gt -4.51 -12.32 0
Ga -29.08 -11.83 0
Pt -20.68 -12.82 0
Pa -28.37 -14.9 0
PIB Gt -4.27 -17.34 0
Ga -26.51 -16 0
Pt -27.84 -14.51 0
Pa -26.17 -20.99 0
PIEB Gt -4.24 -13.69 0
Ga -26.15 -12.49 0
Pt -12.99 -0.78 0.21
Pa -24.58 -15.25 0
Para medir la fuerza del vector de cointegración estimamos por
mínimos cuadrados dinámicos (DOLS) el cual es paramétrico y es-
tablece una opción alternativa para obtener el estimador de panel
OLS. Esta regresión fue desarrollada por Pedroni (2001) y es con-
siderada como una de las técnicas más eficaces gracias a su veraci-
dad en problemas de endogeneidad y correlación serial, además de
tener mayor flexibilidad ante la presencia de heterogeneidad en la
integración de vectores. La Tabla 7 indica los estimadores consegui-
dos por mínimos cuadrados dinámicos (DOLS) para todos los países
y de forma individual. Encontramos que en la mayoría de países, la
energía renovable tiene significancia estadística y los estimadores
βestán cerca de 1. Los resultados del modelo DOLS son similares
al de Jebli & Youssef (2017) y Waheed et al. (2018), confirmando
que el uso de energías renovables reduce las emisiones en el largo
plazo, debido a su menor grado de contaminación en comparación
con la energía fósil. Convirtiendo a la energía renovable en un susti-
tuto perfecto de las energías fosiles, ya que además de satisfacer
la necesidad de energía a la sociedades contribuye al cuidado de la
atmosfera (Zoundi, 2017).
Después de obtener la fuerza del vector de cointegración de
los países de forma individual DOLS, se realiza por grupo de países
haciendo una estimación de panel PDOLS con y sin variables de
tiempo tal como lo muestra la Tabla 8, en donde se evidencia con-
tundencia en la fuerza del vector de cointegración a nivel GLOBAL,
PIEA, PIA, PIMA y PIB, demostrando una fuerte relación entre el
consumo de energía renovable y los gases de efecto invernadero.
Sin embargo, en PIEB la fuerza del vector de cointegración no es
contundente, dado que el βino se acerca a 1.
El papel del consumo de energías renovables sobre los gases...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 7. Resultados del modelo DOLS para países individuales
PIEA PIA PIMA PIMB PIB PIEB
Pais WD WOD País WD WOD País WD WOD País WD WOD País WD WOD País WD WOD
Denmark -20.66* -20.84* Australia 4.15 1.57 Chile 2.46 -22.18 Argentina 29.01 5.6 Albania -36.95 -39.02 Afghanistan 96.6 9.84
Luxembourg -10.4 -13.3 Austria -32.39 -53.39 Croatia -57.19 -48.26 Brazil -2.26 2.01 Algeria -9.1 -3.81 Bangladesh -10.25 -32.51
Norway 5.36 -7.75 Belgium -4.02 -1.65 Czech Republic 3.88 -1.34 Bulgaria -8.49 -2.47 Angola -38.91 -42.74 Benin 24.97 -14.7
Switzerland -9.02 10.88 Canada 4.81 -1.09 Guinea -37.42 -40.05 Colombia -29.39 22.25 Armenia 3.23 3.32 Burkina Faso -8.48 -5.53
United Arab -12.78 0.25 Cyprus 3.67 -2.09 Estonia -10.48 -6.39 Costa Rica -59.58 -8.73 Azerbaijan 4.7 2.66 Burundi 19.94 48.26
Finland -39.14 -25.64 Gabon -5.97 -5.73 Dominica -171.6 20.68 Belarus -3.91 -3.43 Centr African -2.06 -1.86
France 25.16 -40.43 Hungary -8.65 -36.93 Grenada 5.57 2.25 Belize -19.91 -22.43 Chad 4.1 2.52
Germany -3.95 39.12 Korea, Rep. -3.84 -3.14 Kazakhstan -1.63 -0.72 Bhutan 1.13 0.25 Comoros 74.6 31.8
Greece 1.56 -11.42 Lithuania -8.22 -7.16 Latvia -15.72 -11.11 Bolivia -5.17 -4.63 Eritrea -15.96 -10.79
Iceland -1.65 -0.24 Malta 0.33 0.26 Libya -0.07 0.71 Cabo Verde 17.01 26.95 Ethiopia 1.64 -0.38
Ireland -1.87 -23.21 Slovak Rep. 24.59 22.13 Malaysia -3.91 0.69 Cameroon 10.65 8.67 Guinea -11.65 -14.06
Israel -1.32 -8.11 Venezuela, RB 24.78 4.61 Mexico 11.14 10.56 China -12.42 -7.25 Haiti 8.62 -78.38
Italy 2.43 -27.85 Panama 26.47 19.94 Congo -9.29 -10.72 India -16.41 -61.9
Japan 9.44 -9.99 Poland 15.27 -0.23 Cuba 58.51 47.11 Kenya -18.27 -13.29
Netherlands -44.39 -9.66 Romania 0.81 -1.86 Djibouti 34.51 44.68 Kyrgyz Republic -15.62 -22.6
New Zealand 58.34 15.95 Russian Fed 4.32 -0.03 Ecuador 8.57 -5.74 Liberia -1.69 -5.56
Portugal -11.21 -18.9 Seychelles 3.6 6.75 Egypt, Arab -11.83 -7.16 Madagascar -7.66 -8.37
Puerto Rico -7.48 -142.6 South Africa 14.09 -18.4 El Salvador 12.74 55.66 Malawi 12.29 -1.26
Slovenia 22.47 -9.72 Suriname 8.29 8 Fiji 11.24 5.92 Mali 0.73 -1.23
Spain -6.67 -16.1 Turkey -4.23 13.17 Georgia -29.89 -32.09 Mozambique 1.45 0.35
Sweden -68.52 -70.36 Uruguay -83.71 -97.07 Ghana 4.48 3.2 Myanmar 0.76 1.43
United Kingdom -11.26 -23.56 Guatemala -0.9 0.02 Nepal -8.22 -18.12
United States 22.97 -8.42 Guyana 0.18 0.25 Niger -28.39 22.59
Honduras 6.95 30.82 Pakistan -5.79 -15.12
Indonesia -2.26 -0.78 Rwanda 15.3 3.37
Iran, Islamic -12.1 5.38 Senegal -8.61 -8.02
Iraq -22.18 -11.55 Sierra Leone -2.65 -1.67
Jamaica -39.33 -76.45 Syrian Arab -8.66 -3.58
Jordan -13.29 -1.73 Tajikistan -14.39 -23.68
Kiribati 11.6 0.17 Tanzania 6.88 3.13
Macedonia 5.7 15 Togo -47.29 12.73
Mauritania 57.13 63.79 Uganda -2.56 0.8
Moldova -5.57 -5.32 Vietnam -15 -2.57
Mongolia -2.87 -2.37 Zimbabwe -41.53 -15.46
Morocco -20.17 -8.12
Namibia 1.25 0.12
Nicaragua -19.83 -14.3
Nigeria -5.85 -9.59
New Guinea -0.98 -0.66
Paraguay 5.57 6.87
Peru -16.1 -8.24
Philippines -25.74 -19.44
Solomon Islands 83.58 -195
Sri Lanka -51.6 4.26
Sudan 5.46 4.32
Swaziland -118.4 -111.2
Thailand -31.31 -21.73
Tonga -4.2 1.68
Tunisia -2.43 15.37
Ukraine 0.24 1.66
Uzbekistan -15.8 -2.82
Yemen, Rep. -5.35 -1.1
Zambia 1.33 -1.33
estadístico ten paréntesis * p< 0,05 ** p< 0,01 *** p< 0,001
Caraguay L. & López-Sánchez M.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 8. Resultados del modelo PDOLS para grupos de países
Grupos With time dummy Without time dummy
(l)2-5 βiP-value βiP-value
GLOBAL -6.79** -13.61 -8.09** -9.96
PIEA -9.50* -2.4 -6.15* -1.34
PIA -3.43 -0.91 -19.47** -8.23
PIMA -6.31* -3.37 -12.01** -5.75
PIMB -12.48 0.02 -1.33* 1.25
PIB -4.68** -5.59 -6.09** -4.59
PIEB -0.68 -1.77 -6.58** -5.33
estadístico ten paréntesis * p< 0,05 ** p< 0,01 *** p< 0,001
Finalmente, verificamos la causalidad entre variables según la
causalidad de Granger calculada sobre la base de la prueba prop-
uesta por Dumitrescu & Hurlin (2012). En la Tabla 9 se puede obser-
var que en PIEB el consumo de energía causa a los gases de efecto
invernadero, además a nivel GLOBAL y PIB los GEI causan al con-
sumo de energía renovable confirmando una causalidad unidirecc-
cional. En los demás grupos de países no hay causalidad unidirec-
cional ni bidireccional.
Tabla 9. Resultados de la prueba de causalidad basada en Dumitrescu & Hurlin
Dirección causal Grupo W-bar Z-value P-value
EnRenov →LGEI
GLOBAL 1.13 1.19 0.23
PIEA 1.24 0.38 0.70
PIA 0.83 -0.55 0.58
PIMA 0.63 -0.89 0.37
PIMB 0.96 -0.1 0.91
PIB 1.06 0.35 0.72
PIEB 1.72 2.97 0
LGEI →EnRenov
GLOBAL 1.22 1.91 0.05
PIEA 0.37 -0.99 0.32
PIA 1.18 0.63 0.52
PIMA 1.04 0.1 0.91
PIMB 1.07 0.24 0.80
PIB 1.59 3.07 0
PIEB 0.94 -0.23 0.81
5|CONCLUSIONES
En la presente investigación la prueba de cointegración de Pe-
droni (1999) y Westerlund (2007) determinaron la presencia de una
relación de equilibrio en el largo y corto plazo con un efecto nega-
tivo significativo entre las variables analizadas, el método PDOLS
y DOLS confirmaron fuerza del vector de cointegración por país
y grupos de países. Los resultados de la prueba de causalidad de
Dumitrescu & Hurlin (2012) confirmaron una causalidad unidirec-
cional ya que en los países con ingresos extremadamente bajos el
consumo de energía causa a los gases de efecto invernadero tanto
a nivel global como en los países con ingresos bajos. Las emisiones
de GEI causan al consumo de energía renovable. Una implicación de
política derivada de esta investigación es implementar políticas ori-
entadas a reducir las emisiones de GEI reemplazando las fuentes de
energía fósil con fuentes de energía renovable e incentivar al sector
público y privado a invertir en la utilización de este tipo de energías
limpias.
Referencias bibliográficas
[1] Ali, Y., Ciaschini, M., Socci, C., Pretaroli, R., & Severini, F.
(2017). An analysis of CO2 emissions in Italy through the
Macro Multiplier (MM) approach. Journal of Cleaner Produc-
tion, 149, 238-250.
[2] Ahiduzzaman, M., & Islam, A. S. (2011). Greenhouse gas emis-
sion and renewable energy sources for sustainable develop-
ment in Bangladesh. Renewable and Sustainable Energy Re-
views, 15(9), 4659-4666.
[3] Aized, T., Shahid, M., Bhatti, A. A., Saleem, M., & Anandarajah,
G. (2018). Energy security and renewable energy policy analy-
sis of Pakistan. Renewable and Sustainable Energy Reviews, 84,
155-169.
[4] Amponsah, N. Y., Troldborg, M., Kington, B., Aalders, I., &
Hough, R. L. (2014). Greenhouse gas emissions from renew-
able energy sources: A review of lifecycle considerations. Re-
newable and Sustainable Energy Reviews, 39, 461-475.
[5] Anders, S., Kim, J. D., Silva-Send, N., Gordon, C., & Gu,
Y. (2015). Splitting the Electric Emissions Baby: Allocating
Greenhouse Gas Reductions between Efficiency and Renew-
able Energy Policies. The Electricity Journal, 28(8), 29-42.
[6] Ang, J. B. (2007). CO2 emissions, energy consumption, and
output in France. Energy Policy, 35(10), 4772-4778.
[7] Apergis, N., Jebli, M. B., & Youssef, S. B. (2018). Does renew-
able energy consumption and health expenditures decrease
carbon dioxide emissions? Evidence for sub-Saharan Africa
countries. Renewable Energy, 127, 1011-1016.
El papel del consumo de energías renovables sobre los gases...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
[8] Baah-Acheamfour, M., Carlyle, CN, Lim, SS, Bork, EW &
Chang, SX (2016). Los tipos de cobertura forestal y de pas-
tizales reducen las emisiones netas de gases de efecto inver-
nadero de los suelos agrícolas. Ciencia del Medio Ambiente To-
tal, 571, 1115-1127.
[9] Benedek, J., Sebestyén, T. T., & Bartók, B. (2018). Evaluation
of renewable energy sources in peripheral areas and renew-
able energy-based rural development. Renewable and Sustain-
able Energy Reviews, 90, 516-535.
[10] Boontome, P., Therdyothin, A., & Chontanawat, J. (2017). In-
vestigating the causal relationship between non-renewable
and renewable energy consumption, CO 2 emissions and eco-
nomic growth in Thailand. Energy Procedia, 138, 925-930.
[11] Breitung, J. (2002). Nonparametric tests for unit roots and
cointegración. Journal of Econometrics, 108(2), 343-363.
[12] Cherni, A., & Jouini, S. E. (2017). An ARDL approach to
the CO2 emissions, renewable energy and economic growth
nexus: Tunisian evidence. International Journal of Hydrogen En-
ergy, 42(48), 29056-29066.
[13] Chuang, J., Lien, H. L., Den, W., Iskandar, L., & Liao, P. H.
(2018). The Relationship Between Electricity Emission Factor
and Renewable Energy Certificate: The Free Rider and Out-
sider Effect. Sustainable Environment Research, 29, 138-147.
[14] Dickey, D., Fuller, W. A., 1981. Likelihood ratio statistics for
autoregressive time series with a unit root. Econometrica, 49,
1057-1072.
[15] Dong, K., Sun, R., & Hochman, G. (2017). Do natural gas and
renewable energy consumption lead to less CO2 emission?
Empirical evidence from a panel of BRICS countries. Energy,
141, 1466-1478.
[16] Farhani, S., Chaibi, A., & Rault, C. (2014). CO 2 emissions, out-
put, energy consumption, and trade in Tunisia. Economic Mod-
elling, 38, 426-434.
[17] Hausman, J. A. (1978). Specification tests in econometrics.
Econometrica: Journal of the Econometric Society, 1251-1271.
[18] Hosseinzadeh-Bandbafha, H., Nabavi-Pelesaraei, A., Khanali,
M., Ghahderijani, M., & Chau, K. W. (2018). Application of
data envelopment analysis approach for optimization of en-
ergy use and reduction of greenhouse gas emission in peanut
production of Iran. Journal of Cleaner Production, 172, 1327-
1335.
[19] Im, K. S., Pesaran, M. H., & Shin, Y. (2003). Testing for
unit roots in heterogeneous panels. Journal of Econometrics,
115(1), 53-74.
[20] Ito, K. (2017). CO2 emissions, renewable and non-renewable
energy consumption, and economic growth: Evidence from
panel data for developing countries. International Economics,
151, 1-6.
[21] Jebli, M. B., & Youssef, S. B. (2017). The role of renewable en-
ergy and agriculture in reducing CO2 emissions: Evidence for
North Africa countries. Ecological indicators, 74, 295-301.
[22] Jin, T., & Kim, J. (2018). What is better for mitigating car-
bon emissions–Renewable energy or nuclear energy? A panel
data analysis. Renewable and Sustainable Energy Reviews, 91,
464 471.
[23] Juana de Sardón, J. M. (2003). Energías renovables para el de-
sarrollo. Editorial Paraninfo
[24] Kais, S., & Sami, H. (2016). An econometric study of the im-
pact of economic growth and energy use on carbon emissions:
panel data evidence from fifty eight countries. Renewable and
Sustainable Energy Reviews, 59, 1101-1110.
[25] Kasman, A., & Duman, Y. S. (2015). CO2 emissions, economic
growth, energy consumption, trade and urbanization in new
EU member and candidate countries: a panel data analysis.
Economic Modelling, 44, 97-103.
[26] Kim, J., Park, S. Y., & Lee, J. (2018). Do people really want re-
newable energy? Who wants renewable energy?: Discrete
choice model of reference-dependent preference in South
Korea. Energy Policy.
[27] Kuznets, S. (1955). Economic growth and income inequality.
The American economic review, 45(1), 1-28.
[28] Khondaker, A. N., Hasan, M. A., Rahman, S. M., Malik, K.,
Shafiullah, M., & Muhyedeen, M. A. (2016). Greenhouse
gas emissions from energy sector in the United Arab Emi-
rates–An overview. Renewable and Sustainable Energy Reviews,
59, 1317-1325.
[29] Levin, A., Lin, C. F., & Chu, C. S. J. (2002). Unit root tests in
panel data: asymptotic and finite sample properties. Journal
of Econometrics, 108(1), 1-24.
[30] Li, K., & Lin, B. (2015). Impacts of urbanization and industri-
alization on energy consumption/CO 2 emissions: Does the
level of development matter? Renewable and Sustainable En-
ergy Reviews, 52, 1107-1122.
[31] Liobikien˙
e, G., & Butkus, M. (2017). Environmental Kuznets
Curve of greenhouse gas emissions including technological
progress and substitution effects. Energy, 135, 237-248.
[32] Mittal, S., Dai, H., Fujimori, S., & Masui, T. (2016). Bridging
greenhouse gas emissions and renewable energy deployment
target: comparative assessment of China and India. Applied
energy, , 166, 301-313.
[33] Mirza, F. M., & Kanwal, A. (2017). Energy consumption, car-
bon emissions and economic growth in Pakistan: Dynamic
causality analysis. Renewable and Sustainable Energy Reviews,
72, 1233.
[34] Mohlin, K., Camuzeaux, J. R., Muller, A., Schneider, M., & Wag-
ner, G. (2018). Factoring in the forgotten role of renewables
in CO 2 emission trends using decomposition analysis. Energy
Policy, 116, 290-296.
[35] Moreno, J. R., Ortiz, J. D. C., de Vega, R. G., & Caro, G. V.
(2006). Estimación de la emisión de contaminantes debida al
tráfico urbano mediante modelos de asignación de tráfico. In
X Congreso de Ingeniería de Organización.
[36] Moutinho, V., & Robaina, M. (2016). Is the share of renew-
able energy sources determining the CO2 kWh and income
relation in electricity generation? Renewable and Sustainable
Energy Reviews, 65, 902-914.
[37] Nikzad, R., & Sedigh, G. (2017). Greenhouse gas emissions
and green technologies in Canada. Environmental Develop-
ment, 24, 99-108.
Caraguay L. & López-Sánchez M.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
[38] Nordenstam, L., Ilic, D. D., & Ödlund, L. (2018). Corporate
greenhouse gas inventories, guarantees of origin and com-
bined heat and power production–Analysis of impacts on to-
tal carbon dioxide emissions. Journal of Cleaner Production,
186, 203-214.
[39] Oehmichen, K., & Thrän, D. (2017). Fostering renewable en-
ergy provision from manure in Germany Where to implement
GHG emission reduction incentives. Energy policy, 110, 471-
477.
[40] Pao, H. T., & Tsai, C. M. (2011). Multivariate Granger causal-
ity between CO2 emissions, Energy consumption, FDI (for-
eign direct investment) and GDP (gross domestic product): ev-
idence from a panel of BRIC (Brazil, Russian Federation, India,
and China) countries. Energy, 36(1), 685-693.
[41] Paramati, S. R., Mo, D., & Gupta, R. (2017). The effects of
stock market growth and renewable energy use on CO2 emis-
sions: evidence from G20 countries. Energy Economics, 36(1),
66, 360-371.
[42] Park, J., & Hong, T. (2013). Analysis of South Korea’s eco-
nomic growth, carbon dioxide emission, and energy consump-
tion using the Markov switching model.
[43] Pata, U. K. (2018). Renewable energy consumption, urban-
ization, financial development, income and CO2 emissions in
Turkey: Testing EKC hypothesis with structural breaks. Jour-
nal of Cleaner Production, 36(1), 187, 770-779.
[44] Pedroni, P. (1999). Critical values for cointegration tests in
heterogeneous panels with multiple regressors. Oxford Bul-
letin of Economics and Statistics, 61(S1), 653-670.
[45] Pedroni, P. (2001). Purchasing power parity tests in cointe-
grated panels. Review of Economics and Statistics, 83(4), 727-
731.
[46] Phillips, P., Perron, P. (1988). Testing for a unit root in time
series regression. Biometrica, 75, 335 346.
[47] Poumanyvong, P., & Kaneko, S. (2010). Does urbanization
lead to less energy use and lower CO2 emissions? A cross-
country analysis. Ecological Economics, 70(2), 434-444.
[48] Saboori, B., & Sulaiman, J. (2013). Environmental degradation,
economic growth and energy consumption: Evidence of the
environmental Kuznets curve in Malaysia. Energy Policy, 60,
892-90.
[49] Saboori, B., & Sulaiman, J. (2013). CO2 emissions, energy con-
sumption and economic growth in Association of Southeast
Asian Nations (ASEAN) countries: a cointegration approach.
Energy, 55, 813-822.
[50] Salahuddin, M., & Gow, J. (2014). Economic growth, energy
consumption and CO 2 emissions in Gulf Cooperation Coun-
cil countries. Energy, 73, 44-58.
[51] Sarango, D. (2018). Análisis de la relación entre el consumo de
energía y las emisiones de carbono en Ecuador. Revista Vista
Económica, 35-48.
[52] Şener, Ş. E. C., Sharp, J. L., & Anctil, A. (2017). Factors impact-
ing diverging paths of renewable energy: A review. Renewable
and Sustainable Energy Reviews, 75, 335 346.
[53] Soytas, U., & Sari, R. (2007). The relationship between energy
and production: evidence from Turkish manufacturing indus-
try. Energy Economics, 29(6), 1151-1165.
[54] Shahsavari, A., & Akbari, M. (2018). Potential of solar energy
in developing countries for reducing energy-related emis-
sions. Renewable and Sustainable Energy Reviews, 90, 275-291.
[55] Thitanuwat, B., Polprasert, C., & Englande Jr, A. J. (2017).
Green residues from Bangkok green space for renewable en-
ergy recovery, phosphorus recycling and greenhouse gases
emission reduction. Waste management, 61, 572-581.
[56] Tillaguango, B., & Loaiza, V. (2019). Efecto causal de la energía
sustentable y no sustentable en el crecimiento económico:
nueva evidencia empírica global por grupos de países. Revista
Vista Económica, 6(1), 37-48.
[57] Waheed, R., Chang, D., Sarwar, S., & Chen, W. (2018). Forest,
agriculture, renewable energy, and CO2 emission. Journal of
Cleaner Production, 172, 4231-4238.
[58] Westerlund, J. (2007). Testing for error correction in panel
data. Oxford Bulletin of Economics and Statistics, 69(6), 709-
748.
[59] World Bank, 2018. World Development Indicators. Wash-
ington D.C. Available on. https://data.worldbank.org/data-
catalog/world-development-indicators.
[60] Xiangzhao, F., & Ji, Z. (2008). Economic analysis of CO2 emis-
sion trends in China. China Population, Resources and Environ-
ment, 18(3), 43-47.
[61] Zoundi, Z. (2017). CO2 emissions, renewable energy and
the Environmental Kuznets Curve, a panel cointegration ap-
proach. Renewable and Sustainable Energy Reviews, 72, 1067-
1075.
Renewable and Sustainable Energy Reviews, 18, 543-551
[62] Pata, U. K. (2018). Renewable energy consumption, urbanization,
financial development, income and CO2 emissions in Turkey:
Testing EKC hypothesis with structural breaks. Journal of Cleaner
Production, 36(1), 187, 770-779.
[63] Pedroni, P. (1999). Critical values for cointegration tests in het-
erogeneous panels with multiple regressors. Oxford Bulletin of
Economics and Statistics, 61(S1), 653-670.
[64] Pedroni, P. (2001). Purchasing power parity tests in cointegrated
panels. Review of Economics and Statistics, 83(4), 727-731.
[65] Phillips, P., Perron, P. (1988). Testing for a unit root in time series
regression. Biometrica, 75, 335 346.
[66] Poumanyvong, P., & Kaneko, S. (2010). Does urbanization lead to
less energy use and lower CO2 emissions? A cross-country anal-
ysis. Ecological Economics, 70(2), 434-444.
[67] Saboori, B., & Sulaiman, J. (2013). Environmental degradation,
economic growth and energy consumption: Evidence of the envi-
ronmental Kuznets curve in Malaysia. Energy Policy, 60, 892-90.
[68] Saboori, B., & Sulaiman, J. (2013). CO2 emissions, energy con-
sumption and economic growth in Association of Southeast
Asian Nations (ASEAN) countries: a cointegration approach. En-
ergy, 55, 813-822.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
[69] Salahuddin, M., & Gow, J. (2014). Economic growth, energy con-
sumption and CO 2 emissions in Gulf Cooperation Council coun-
tries. Energy, 73, 44-58.
[70] Sarango, D. (2018). Análisis de la relación entre el consumo de
energía y las emisiones de carbono en Ecuador. Revista Vista
Económica, 35-48.
[71] Şener, Ş. E. C., Sharp, J. L., & Anctil, A. (2017). Factors impacting
diverging paths of renewable energy: A review. Renewable and
Sustainable Energy Reviews, 75, 335 346.
[72] Soytas, U., & Sari, R. (2007). The relationship between energy
and production: evidence from Turkish manufacturing industry.
Energy Economics, 29(6), 1151-1165.
[73] Shahsavari, A., & Akbari, M. (2018). Potential of solar energy in
developing countries for reducing energy-related emissions. Re-
newable and Sustainable Energy Reviews, 90, 275-291.
[74] Thitanuwat, B., Polprasert, C., & Englande Jr, A. J. (2017). Green
residues from Bangkok green space for renewable energy recov-
ery, phosphorus recycling and greenhouse gases emission reduc-
tion. Waste management, 61, 572-581.
[75] Tillaguango, B., & Loaiza, V. (2019). Efecto causal de la energía
sustentable y no sustentable en el crecimiento económico: nueva
evidencia empírica global por grupos de países. Revista Vista
Económica, 6(1), 37-48.
[76] Waheed, R., Chang, D., Sarwar, S., & Chen, W. (2018). For-
est, agriculture, renewable energy, and CO2 emission. Journal of
Cleaner Production, 172, 4231-4238.
[77] Westerlund, J. (2007). Testing for error correction in panel data.
Oxford Bulletin of Economics and Statistics, 69(6), 709-748.
[78] World Bank, 2018. World Development Indicators. Wash-
ington D.C. Available on. https://data.worldbank.org/data-
catalog/world-development-indicators.
[79] Xiangzhao, F., & Ji, Z. (2008). Economic analysis of CO2 emission
trends in China. China Population, Resources and Environment,
18(3), 43-47.
[80] Zoundi, Z. (2017). CO2 emissions, renewable energy and the En-
vironmental Kuznets Curve, a panel cointegration approach. Re-
newable and Sustainable Energy Reviews, 72, 1067-1075.
