Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
!
Consumo de los hogares y contaminación ambiental a nivel regional:
análisis de cointegración con datos de panel periodo 1985-2016
Household consumption and environmental pollution at the regional level: coin-
tegration analysis with panel data for the period 1985-2016
Lethy Minga1| Jessica Guamán1| Wilfrido
Torres-Ontaneda ID 1
1Carrera de Economía, Universidad Nacional de
Loja, Loja, Ecuador
2Carrera de Economía, Universidad Nacional de
Loja, Loja, Ecuador
Correspondencia
Lethy Minga, Carrera de Economía,
Universidad Nacional de Loja, Loja, Ecuador
Email: lethy.minga@unl.edu.ec
Agradecimientos
Club de Investigación de Economía (CIE)
Fecha de recepción
Julio 2020
Fecha de aceptación
Diciembre 2020
Dirección
Bloque 100. Ciudad Universitaria Guillermo
Falconí. Código Postal: 110150, Loja, Ecuador
RESUMEN
La contaminación sin duda es un fenómeno mundial, que ha causado estragos negativos en el ambiente;
además, la demanda de los recursos limitados se va incrementado con el paso del tiempo. En este sentido,
el objetivo de la presente investigación es analizar la relación que tienen el consumo de los hogares y la
contaminación ambiental. Utilizando datos del World Development Indicators (2010) para 101 países del
mundo, durante el periodo 1985-2016. Los países fueron clasificados por regiones de acuerdo al Banco
Mundial. Se utilizaron técnicas de: cointegración de Pedroni (1999); corrección de error de Westerlund
(2007); y causalidad Dumitrescu y Hurlin (2012) para evaluar la relación entre las variables. Con el fin de
valorar la fuerza del vector de cointegración de corto y largo plazo, se aplicó el método de Mínimos Cuadra-
dos Ordinarios de Panel Dinámico para los países en forma individual y el modelo de Mínimos Cuadrados
Ordinarios Dinámicos para los grupos de países. Se encontró evidencia empírica con respecto a las emi-
siones de CO2 y al consumo de los hogares en diferentes ámbitos el cual establece una relación a corto y
a largo plazo. Algunas implicaciones de políticas para los países serían: aplicación programas para un con-
sumo más sostenible; implementación de tecnología destinada a la transformación de plásticos; y ejecución
de procesos modernos amigables con el medio ambiente para evitar altos niveles de contaminación.
Palabras clave: Contaminación ambiental; Consumo; Datos de panel; Producción.
Códigos JEL: Q53. C23. E21. E23.
ABSTRACT
Pollution is undoubtedly a global phenomenon, which has caused negative havoc on the environment; In ad-
dition, the demand for limited resources increases over time. In this sense, the objective of this research is to
analyze the relationship between household consumption and environmental pollution. Using data from the
World Development Indicators (2010) for 101 countries in the world, during the period 1985-2016. The coun-
tries were classified by region according to the World Bank. Techniques were used: cointegration of Pedroni
(1999); Westerlund’s bug fix (2007); and causality Dumitrescu and Hurlin (2012) to evaluate the relationship
between the variables. In order to assess the strength of the cointegration vector in the short and long term,
the method of Dynamic Panel Ordinary Least Squares was applied for individual countries and the Dynamic
Ordinary Least Squares model for groups of countries. Empirical evidence was found regarding CO2 emissions
and household consumption in different areas, which establishes a short-term and long-term relationship. Some
policy implications for the countries would be: implementation of programs for more sustainable consumption;
implementation of technology for the transformation of plastics; and execution of modern processes that are
friendly to the environment to avoid high levels of contamination.
Keywords: Environmental pollution; Consumption; Panel data; Production.
JEL codes: Q53. C23. E21. E23.
Consumo de los hogares y contaminación ambiental a nivel regional...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
1|INTRODUCCIÓN
El cambio ambiental que azota al mundo está ocurriendo a un ritmo
muy acelerado, siendo importante que los gobiernos actúen ahora
para revertir el daño causado al planeta en el futuro, considerando
que el crecimiento económico origina efectos sobre el medio natu-
ral, según Labandeira, León y Vázquez (2007) el aumento en la renta
per cápita parte de un mayor consumo de materias primas y energía;
y esto genera más residuos y los problemas ambientales se agudizan.
En este sentido, bajo el título Global Environmental Outlook (GEO-
6) dirigido por el Programa de las Naciones Unidas para el Medio
Ambiente (PNUMA) se realizaron evaluaciones regionales sobre la
contaminación ambiental, dónde en casi todas las regiones, el crec-
imiento de la población, la rápida urbanización, los crecientes nive-
les de consumo, la degradación de la tierra y el cambio climático se
han combinado catastróficamente para los países en vías de desar-
rollo.
América Latina y el Caribe, aporta relativamente poco a las emi-
siones globales, sin embargo, es altamente vulnerable a los efectos
de las emisiones de CO2. En base a esto, se calcula que los costos
asociados al fenómeno alcanzaron los $100 mil millones en el año
2015 para la región; y, por otro lado, únicamente produce cerca de
10% de las emisiones. Adicionalmente, la generación de residuos
municipales, correspondientes a 160 millones de toneladas, ha au-
mentado progresivamente debido a la urbanización, aumento del
consumo y cambios de estilos de vida de sus habitantes, tras la dis-
minución en los índices de pobreza en los últimos 20 años. Final-
mente, respecto a previsiones que se plantean de la región para el
año 2025, se estima que la generación de desechos se duplique (Re-
visión, 2016).
En América del Norte, las condiciones ambientales (contami-
nación del aire, calidad del agua potable y áreas protegidas) bien
gestionadas han mejorado debido a las políticas, las instituciones,
la recopilación y evaluación de datos y los marcos regulatorios. Sin
embargo, los métodos agresivos de extracción de hidrocarburos
pueden conducir a un aumento de las emisiones, el uso del agua y la
sismicidad inducida, mientras que los ambientes marinos y costeros
están experimentando, entre otras cosas, la acidificación del océano
y el aumento del nivel del mar. Por otro lado, en la región de Asia y el
Pacifico, el crecimiento económico sin precedentes, que ha sacado
a millones de personas de la pobreza y está ejerciendo una gran pre-
sión sobre los ecosistemas, provocando el aumento de los patrones
de consumo insostenible y empeorando la contaminación del aire,
escasez de agua y generación de desechos; todo esto amenaza la
salud humana y ambiental. Por tanto, el aumento de la demanda
de combustibles fósiles y recursos naturales, agricultura extensiva,
la acuicultura, el comercio ilegal de vida silvestre, entre otros están
causando la degradación ambiental y la pérdida de biodiversidad.
Mientras que Asia Occidental, está sufriendo un aumento en
la demanda de agua, la sobreexplotación de los recursos de aguas
subterráneas y el deterioro de la calidad del agua, así como patrones
de consumo insostenibles que amenazan la capacidad de la región
para asegurar sus fuentes de alimentos, agua y energía (Econ et al.,
2010). En las regiones restantes, el consumo de bienes y servicios
por parte de los hogares sigue en crecimiento, incrementado las emi-
siones de CO2, dado la población y el consumo siguen en aumento,
los residuos que afectan negativamente al medio ambiente también
mantienen esta tendencia; siendo motivo de preocupación para las
organizaciones encargadas de los análisis de la contaminación am-
biental y el cambio climático.
En este contexto, el objetivo de esta investigación es exami-
nar el nexo causal del consumo de los hogares y la contaminación
ambiental a nivel regional durante el periodo 1985-2016. Para lo
cual, se aplican un conjunto de técnicas econométricas de datos de
panel. Primero, el modelo de regresión mediante Mínimos Cuadra-
dos Generalizados (GLS) para verificar la dirección de la relación en-
tre las variables. Segundo, con el fin de asegurar que las series no
presentan el problema de no estacionalidad, el test de raíz unitaria
tipo Fisher basado en las pruebas de Dickey y Fuller Aumentado
(1981) y Philip y Perron (1988). Los resultados obtenidos con estas
dos pruebas son contrastadas con los resultados obtenidos medi-
ante los test de Levine, Lin y Chu (2002), Im, Pesaran y Shin (2003)
y Breitung (2000). Tercero, para verificar la relación de corto y largo
plazo, utilizamos el modelo de Westerlund (2007) y el modelo de
Pedroni (1999) respectivamente.
Además, la literatura empírica que investiga el nexo causal en-
tre el consumo de los hogares y la contaminación ambiental, han
ignorado el rol de la fuerza del vector de cointegración para los
grupos de países o países de forma individual. En consecuencia,
en esta investigación estimamos un modelo de Mínimos Cuadrados
Ordinarios Dinámicos (DOLS) para obtener la fuerza del vector de
cointegración para los grupos de países clasificados de acuerdo a
la región establecida por el Banco Mundial. Entonces, la fuerza del
vector de cointegración de forma individual fue obtenida mediante
un modelo de Panel de Mínimos Cuadrados Ordinarios Dinámicos
(PDOLS). Adicionalmente, el presente trabajo aportará con eviden-
cia empírica para futuras investigaciones y también para conocer el
nexo existente entre el consumo de los hogares y la contaminación
ambiental.
Finalmente, este artículo está estructurado en cuatro sec-
ciones adicionales a la introducción. En la segunda, consta la dis-
cusión de la literatura previa. La tercera, contiene la descripción de
los datos y la estrategia econométrica. En la cuarta, se discuten los
resultados, y finalmente en la quinta, sección se concluye la investi-
gación
2|REVISIÓN DE LITERATURA
A mediados de los años cincuenta del siglo pasado, Simón Kuznets
estableció la hipótesis de la Curva Medio Ambiental que explora la
relación existente entre el consumo de los hogares y calidad ambien-
tal, intentando demostrar que a corto plazo el consumo de los hog-
ares genera un mayor deterioro medio ambiental, pero en el largo
plazo, a medida que las economías son más ricas, se plantea que el
consumo de los hogares es beneficioso para el medio ambiente. En-
tonces, la calidad del medio ambiente mejora con el incremento en
el ingreso (Falconí y Burbano, n.d.). El consumo es conocido como
el disfrute de los bienes y servicios producidos en una economía
por otra, y parte de la contaminación ambiental, hace referencia a
las emisiones de C02 causadas por la actividad del hombre, y en
este caso por el consumo de los hogares. Existen investigaciones
que estudian el nexo causal existente entre las emisiones de CO2 y
el consumo de los hogares, y en varias se concuerda con la hipóte-
sis planteada, donde, las emisiones de CO2 van disminuyendo con-
forme el consumo va aumentando (S. Liu, et al. , 2014; Mach,et al.,
2018).
En las investigaciones de Gürlük (2015); Perumal y Timmons
(2015);Duarte, et al. (2010); Li et al. (2016); Quaicoe, et al. (2017);
Kawajiri, et al. (2017); L. Liu y Wu (2015); Chang, et al. (2013)
y Mcgee y Greiner (2018) manifiestan que la Curva Ambiental del
Kuznets (EKC) es un indicador ambiental importante que exhibe una
curva en forma de U invertida entre una medida especifica de con-
taminación ambiental y el ingreso per cápita en Alemania, Paises
Bajos, Turquia, India, España, Francia, Italia, China, Brazil y Estados
Unidos, variando según su región. Estos resultados hacen énfasis
en que las personas en un principio aumentan su consumo y au-
mentan las emisiones de CO2, sin embargo, a medida que pasa el
tiempo estas emisiones van disminuyendo, dado que, las economías
atraviesan una etapa de crecimiento económico per cápita, y, por
ende, el consumo se vuelve más selectivo (productos innovadores
Minga L., Guamán J. & Torres-Ontaneda W.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
y ecologistas).
Por otro lado, para S. Liu et al. (2014); Perobelli, et al. (2015);
Landis, et al. (2017); Goh, et al. (2017); Rahman (2017); Gao, et al.
(2014); y X. Wang, et al. (2013) las emisiones de CO2 están ligadas
con el transporte y pronostican un crecimiento continuo en muchos
países y en el caso de estudio Beijing. En este caso, el transporte pri-
vado junto con la demanda de viajes por parte de la población, hace
que la contaminación aumente, una solución es la implementación
de políticas que controlen el número de vehículos en circulación y
aumentar la proporción de transporte público para reducir las emi-
siones futuras. En este sentido, Vaca y Cartuche (2018) establecen
implicaciones de políticas estructuradas en tres ejes formulados en
la teoría de Kuznets, que son los de generar un mayor nivel de edu-
cación; una regulación de las industrias y la implementación de una
matriz productiva en base al uso de tecnologías sustentables y ami-
gables con el medio ambiente.
En las investigaciones realizadas por Das, et al. (2011); Min,
et al. (2018); Delis y Iosi (2016); Huang y Jorgenson (2018); Mah-
moodi y Mahmoodi (2016); Miankhel, et al. (2009); C. Hu y Tan
(2016); Min et al. (2018) y Yates (2016) intentan proyectar las cor-
respondientes emisiones de CO2 y la variación de temperatura en
India donde la demanda total de productos derivados del petróleo
se duplique para el año 2020, creciendo a una tasa de 3,5% por año
haciendo que el nivel de CO2 ascienda a una vez y media para el año
2020 en comparación con el nivel de 2008. El consumo de bienes
y servicios derivados de combustibles fósiles crece a una medida
desenfrenada, provocando mayor contaminación que únicamente
puede controlarse reemplazando el consumo de productos deriva-
dos del petróleo y carbón con gas natural, así como también acom-
pañado de métodos de producción más sofisticados para una pro-
ducción menos contaminante y por ende más amigable con el ambi-
ente. Por otra parte las emisiones de CO2 asociadas con el consumo
de energía de los hogares continuaran creciendo según las investi-
gaciones Yang, Zhao, et al. (2013); Jia, et al. (2018); Zoundi (2017);
Ye, et al. (2016); Cellura, et al. (2011); Rehman y Rashid (2017);
You, et al. (2017); Sapci y Considine (2014); Zhao y Luo (2018); Y.
Zhang, et al. (2015); y Jacques y Keho (2016). El consumo de en-
ergía en los hogares es un aspecto fundamental, y a medida que va
creciendo la población este consumo van aumentando las emisiones
de CO2, sin embargo, para este impacto sea menor se debe imple-
mentar nuevas alternativas para obtener energía verde y educar el
aspecto consumista en cada persona para disminuir las emisiones.
Además, para Sánchez (2017) las políticas deben enfocarse en la
adecuada explotación de recursos naturales, es decir, tecnologías
eficientes y no exceder la extracción de recursos naturales a su con-
servación.
Otro factor contaminante que incrementa las emisiones de
CO2 son la utilización de plásticos y residuos domésticos según es-
tudios realizados en Japón por: Inaba, Nansai, Fujii, y Hashimoto
(2010); Sokolov-Mladenović, Milovančević, Mladenović, y Alizamir
(2016); Chen (2017); Jarreau y Poncet (2012); Rehner, Baeza, y
Barton (2014); Ekanayake (1999) y Gielen y Moriguchi (2015). Los
residuos alimenticios y la utilización de plásticos, provocan que las
emisiones de CO2 se incrementen, porque terminan siendo dese-
chos sin el tratamiento adecuado; y en consecuencia terminan en
los bosques, reservas, ríos y finalmente los mares. Para solucionar
este problema, es necesario que se implementen plantas para la
transformación a los plásticos y así ser reutilizados, disminuyendo
la contaminación, y los residuos alimenticios, pueden llegar a ser uti-
lizados correctamente sin que terminen en espacios verdes o en los
mares.
Finalmente para Zhang, et al. (2017); Evans (2012); Yang et
al., (2013); Kawajiri et al., (2017); Omri y kahouli (2014); Bonnet,
Bouamra-mechemache y Corre (2018); Liu y Wu (2015); Elbeydi
(2010); Miankhel et al. (2009); Vianna (2016) y Wang (2016) calcu-
lan los impactos del consumo de los hogares en todas las emisiones
de carbono. Estos impactos, se fortalecen con el crecimiento del
ingreso, los hogares con mayores ingresos tienen 1,8 veces más im-
pacto que los de menores ingresos, siendo los sectores para la al-
imentación quienes más emisiones producen. El consumo de los
hogares es un factor muy ligado al aumento progresivo de las emi-
siones, dado que estos son los que más bienes y servicios deman-
dan para el consumo diario. Para hacer frente a esta problemática
se debe establecer políticas y programas dirigidos hacia un consumo
sostenible y una producción sana, esto va a variar dependiendo de
la región, considerando el nivel de desarrollo tecnológico y políticas.
Otra idea fundamental es la aplicación de un impuesto ambiental
para reducir efectivamente las emisiones de CO2 según establece
Hu, et al. (2018).
3|DATOS Y METODOLOGÍA
3.1 |Datos
Los datos de panel utilizados en la presente investigación fueron
obtenidos de la base del World Development Indicator del Banco
Mundial (2010), para 101 países, durante el periodo 1985-2016.
Los países están divididos por regiones, clasificadas por el Banco
Mundial: África, Asia Oriental y el Pacifico; Europa y Asia Central;
América Latina y el Caribe; Oriente Medio y Norte de África; Asia
Meridional y América de Norte. La variable dependiente son las
emisiones de CO2, medida por kilotón. La variable independiente,
es el consumo de los hogares a precios constantes del año 2010.
Además, solamente se aplicó logaritmo al consumo de los hogares.
Por otro lado, en los países donde no se encontró algunos datos
para las variables se interpoló y extrapoló los mismos. La Tabla 1
resume las variables utilizadas en el modelo econométrico de este
artículo.
Tabla 1. Definición de variables
Tipo de Variable Variable Descripción Unidad de medida
Dependiente Emisiones de CO2 Contaminación Ambiental Kilotón.
Independiente Consumo Consumo de los hogares Dólares, constantes de 2010
La Figura 1 muestra la correlación entre las emisiones y el con-
sumo de los hogares a nivel global y por regiones de acuerdo a lo
establecido por el Banco Mundial. Los paneles A y B muestran que
a nivel global y la región de África no se cumple la hipótesis de
ECK, pues existe una tendencia decreciente, se estabiliza y luego
tiende a crecer. Los paneles C, D, E representan las regiones de
Asia Oriental y el Pacifico; Europa y Asia Central; América Latina y
el Caribe; siguen una tendencia lineal entre las emisiones de CO2 y
Consumo de los hogares y contaminación ambiental a nivel regional...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
el consumo de los hogares. Mientras que en los paneles F y G cor-
respondientes a la región de Oriente Medio y Norte de África; Asia
Meridional, siguen una tendencia lineal creciente entre las variables
estudiadas. Finalmente, el panel H con resultados para América del
Norte se corrobora la ECK.
Figura 1. Correlación entre las emisiones y el consumo de los hogares.
La Tabla 2 muestra los estadísticos descriptivos de las emi-
siones y el consumo de los hogares para los 101 países y para las
regiones según lo establecido por el Banco Mundial. De acuerdo a
la desviación estándar, los resultados son relevantes debido a que
ésta es mayor entre países que dentro de países. El panel de datos
está estrictamente equilibrado en tiempo (T=1, ... , 32) y en la sec-
ción transversal (i=1, ... , 101).
Tabla 2. Estadísticos Descriptivos
Variable Media Desviación estándar Mín. Máx. Observaciones
Emisiones CO2 Global 4,78 5,27 -1,69 36,09 N = 3232
Entre países 5,08 0.06 23,21 i = 101
Dentro del país 1,49 -5,26 17,66 T = 32
Log Consumo hogares Global 24,37 1,98 19,29 30,10 N = 3232
Entre países 1,95 20,29 29,69 i = 101
Dentro del país 0,36 23,17 25,48 T = 32
3.2 |Metodología
Kuznets en 1955 formuló una hipótesis en la que se relaciona la
distribución de los ingresos a través del crecimiento económico, en
1971 obtuvo el premio Nobel de economía como reconocimiento
a la formulación de esta teoría. Así mismo, esta relación se ha ex-
trapolado a la reflejada entre el consumo de los hogares y la calidad
del medio ambiente, demostrándose en una relación en forma de
U-invertida. Esta hipótesis plante que el deterioro ambiental es una
función creciente del consumo de los hogares, a partir del cual, los
mayores niveles de consumo de bienes y servicios por parte de los
hogares lleva a niveles menores de degradación del medio ambiente.
Minga L., Guamán J. & Torres-Ontaneda W.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
A partir de estas ecuaciones la estrategia econométrica para evaluar
la cointegración entre la Inversión Extranjera Directa (IED) y las man-
ufacturas se divide en cinco etapas. En la primera etapa, estimamos
un modelo de regresión básico de datos de panel.La variable de-
pendiente son las emisiones de C O 2(C O 2i,t)y la variable indepen-
diente es el logaritmo del consumo de los hogares l og (c(i,t)) del
país t=1,.. . ,101 del período t=1985,.. . ,2016. Este modelo básico
permite verificar el grado de asociación y la dirección de la relación
entre las dos variables globalmente y por regiones del mundo. La
ecuación (1) formaliza la relación entre las dos variables:
l og C O 2i,t=(γ0+δ0)+γ0l og Ci,t+θi,t(1)
La prueba de Hausman (1978) se usó para elegir entre un modelo
de efectos fijos o aleatorios. El modelo propuesto en la ecuación
(1) presenta autocorrelación y heterocedasticidad. Para corregir el
sesgo en los estimadores causados por la autocorrelación y hete-
rocedasticidad, se utiliza un modelo GLS. Los parámetros (γ0+δ0)
la variabilidad en el tiempo y sección transversal. Finalmente, el
parámetro (i,t)es el término de error estocástico. En la teoría
econométrica, es bien sabido que las series temporales tienen un
componente de tendencia que hace que sea imposible medir de
manera eficiente la relación entre ellas. Para garantizar que la se-
rie no tenga el problema de la raíz unitaria, utilizamos un conjunto
de pruebas, que coinciden en que la primera diferencia elimina el
efecto de tendencia de las dos variables. Las pruebas utilizadas
fueron: Dickey y Fuller Augmented (1981); Phillips y Perron (1988);
Levine, Lin y Chu (2002); Im, Pesaran y Shin (2003); y Breitung
(2002) que se pueden estimar a partir de la siguiente ecuación:
yt=αt+λy t=1 +α1t+
p
Õ
i=2
βjyt=i=1 +εt(2)
Donde ytes la serie que se supone que contiene al menos una raíz
unitaria, 0es el intercepto y 1captura el efecto de tendencia en el
tiempo t.εtes el error gausiano, y prepresenta la longitud del des-
fase. En la ecuación (2), cuando el parámetro es significativo, se
concluye que al menos uno de los paneles tiene raíz unitaria. Los
tests aseguran que las series usadas en la estimación subsecuente
no tengan problemas de raíz unitaria. La segunda etapa, determina
el equilibrio a corto y largo plazo entre las dos variables usando el
test de cointegración desarrollado por Pedroni (1999), el equilibrio
a largo plazo está determinado en base a la siguiente ecuación (3):
yi t =α0+
n=1
Õ
j=1
βi,jyi,j+
n=1
Õ
j=1
ωj y i ,t=j+πiE CT t=1 +εi,t(3)
Donde yi,trepresenta la variable dependiente del país ien el
período t.,yson los parámetros a ser estimados y el término
E CT(t= 1)es el vector de cointegración a largo plazo. Finalmente,
i,tes el término de error aleatorio estacionario con media cero y es
la longitud del desfase determinado con el criterio de información
de Akaike (1974). Además, el equilibrio a corto plazo se determina
mediante la prueba de Westerlund (2007) a partir de la siguiente
ecuación (4):
yi,t=δidt+αi©
«yi,t=1 −βiXi,t=1 +
pi
Õ
j=q1
αi,jyi t =1 +
j=q1
Õ
p=i
yi,jXi t =1 ª
®
¬+εi,t
(4)
Donde t= 1, . . . . ., Tson los períodos estimados y t = 1, . . . ., Nson
los países considerados para la estimación. El término dtes el com-
ponente determinístico. Se asume que el vector K-dimensional de
Xi,tes aleatorio e independiente de i,tpor lo que se supone que
estos errores son independientes de iyt. En la siguiente etapa, se
estima la fuerza del vector de cointegración utilizando el enfoque de
Pedroni (2001). Esta estrategia permite evaluar la fuerza del vector
de equilibrio entre las emisiones de CO2 y el consumo de los hoga-
res. Para lograr este objetivo, se estima a nivel de países un modelo
DOLS y para la clasificación de regiones se aplica el modelo PDOLS.
La siguiente ecuación (5) plantea la relación de las dos variables:
yi,t=αi+δiXi,t+
p
Õ
j=−p
yi,j∆Xi,t−j+µi,t(5)
Donde yi,trepresenta a la industria manufacturera, i=
1,2, . . . , 104 países, t= 1,2, . . . , Tes el tiempo, p= 1,2, . . . , Pes
el número de retardos y avances en la regresión DOLS, mientras i
mide el cambio del consumo de los hogares cuando las emisiones
de CO2 cambia. De los coeficientes y los valores tse obtienen
los valores promedio en todo el panel utilizando el método de los
promedios grupales. Finalmente, se aplica el test de Dumitrescu y
Hurlin (2012) para determinar la existencia y la dirección de causal-
idad entre las dos variables usando la siguiente expresión (6):
yi,t=αi+
k
Õ
k=1
yk
jt−kyi,t=k+
k
Õ
k=1
βk
iXi,t−k+µi,t(6)
En la Ecuación se asume que Bi=B(1)
i, .. ., B(k)
i, y que el tér-
mino ies fijo en la dimensión del tiempo. El parámetro autorre-
gresivo YK
jy el coeficiente de regresión BK
jvarían entre las sec-
ciones transversales. La siguiente sección muestra los resultados
obtenidos al aplicar las cuatro etapas de la estrategia econométrica.
4|DISCUSIÓN Y RESULTADOS
La Tabla 3 reporta los resultados de la estimacion de la ecuacion (3).
El test de Hausman (1978) se utilizo para elegir entre los modelos
de Efectos Fijos (FE) y los Efectos Aleatorios (Re) el cual es estadisti-
camente diferente de 0. Existe una mayor consistencia en el uso de
efectos aleatorios para estimar las regresiones. Se aplico la prueba
de Wooldridge (1991) para determinar que los datos presentan au-
tocorrelacion a nivel mundial y en los grupos de paises para lo cual
fue necesario estimar un modelo que corrija en su totalidad, dado
el caso, en la tabla se muestran los resultados corregidos. Encon-
tramos que los coeficientes son positivos y estadisticamente signi-
ficativos en todas las regiones, a excepcion de Africa, Asia Sur y
Norte América; sin embargo, a nivel mundial es estadisticamente
significativo. Estos resultados no concuerdan en sutotalidad con
los resultados obtenidos Zhang et al., (2017) quienes afirman que
el consumo de los hogares tiene un enfoque positivo sobre las emi-
siones de CO2 en el corto y largo plazo.
Minga L., Guamán J. & Torres-Ontaneda W.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 3. Resultados de las regresiones de line base GLS
Global África Asia Oriental
y el Pacifico
Europa y
Asia Central
América Latina
y el Caribe
Oriente Medio y
Norte de África
Asia
Meridional
América
del Norte
lConsumo 0,575*** 0,0295 1,181*** 0,681*** 0,336*** 0,642*** 0,0295 0,840
(15,77) (1,19) (6,35) (7,18) (5,28) (3,87) (0,40) (1,70)
Hausman test (p-value) 0,0730 0,2423 0,1850 0,1136 0,0112 0,8436 -13,78 0,0000
Serial correlation test (p-value) 0,9765 0,9632 0,9763 0,9663 0,9808 0,9668 10,212 0,9378
Efectos Fijos (Tiempo) NO NO NO NO NO NO NO NO
Efectos Fijos (Grupos de países) NO NO NO NO NO NO NO NO
Constante -11,73*** -0,421 -25,66*** -11,10*** -6,644*** -13,35*** -1,030 -6,782
(-13,46) (-0,75) (-5,43) (-4,61) (-4,32) (-3,32) (-0,61) (-0,48)
Observaciones 3232 736 416 1024 672 192 128 64
Note: t statistics in parentheses, * p <0.05, ** p <0.01, *** p <0.001
Los resultados de la segunda etapa de la estrategia
econométrica son reportados en la Tabla 4. La cual muestra los
resultados de la prueba no paramétrica de raíz unitaria tipo Fisher
basada en el test ADF de Dickey y Fuller Aumentado (1981) y el
test PP basado en Phillips y Perron (1988). Las pruebas fueron
estimadas sin efectos del tiempo y con efectos del tiempo. Los
resultados de las pruebas ADF y PP demuestran que las series son
estacionarias en niveles I(0) al 1% de significancia. Con el fin de
asegurar la robustez de los valores estimados, aplicamos los test de
Levine et al. (2002); Im et al. (2003); Huang y Jorgenson (2018) y
Breitung (2001) conocidas en la literatura de datos de panel como
LLC, IPS y UB, respectivamente. La Tabla 4 reporta los resultados
de las pruebas de raíz unitaria agrupados por grupos de regiones a
nivel mundial. En donde se puede apreciar que son significativos
con efectos del tiempo y sin efectos del mismo.
Tabla 4. Resultados de las regresiones de line base GLS
Grupos Variables PP ADF LLC UB IPS PP ADF LLC UB IPS
Sin efectos del tiempo Con efectos del tiempo
GLOBAL Emisiones -46,95** -14,25** -37,69** -10,59** -39,98** -46,34** -12,56** -40,35** -9,82** -41,55**
Consumo -35,43** -12,21** -29,96** -8,35** -33,58** -35,92** -12,07** -27,30** -8,31** -31,57**
A Emisiones -20,61** -9,25** -17,68** -5,84** -20,04** -25,13** -12,51** -18,39** -7,83** -24,22**
Consumo -24,04** -8,35** -22,52** -5,61** -23,73** -25,23** -9,82** -21,35** -5,83** -22,82**
AOP Emisiones -15,33** -5,53** -15,28** -3,59** -14,35** -11,62** -5,89** -13,17** -2,07** -11,53**
Consumo -10,28** -5,34** -14,73** -1,77** -10,49** -10,55** -6,24* -10,31** -1,58** -10,77**
EAC Emisiones -27,25** -6,19** -17,91** -5,43** -19,59** -26,82** -6,27** -15,99** -5,62** -17,66**
Consumo -13,33** -3,69** -9,40** -4,75* -10,79** -14,93** -2,67** -7,18** -4,34** -8,99**
ALC Emisiones -22,82** -7,42** -20,16** -6,19** -21,06** -21,54** -3,93** -14,50** -5,82** -17,03**
Consumo -16,46** -6,01** -17,04** -4,34** -18,48** -17,44** -5,71** -17,49** -4,41** -18,26**
OMNA Emisiones -13,84** -2,54** -12,97** -3,43** -12,62** -14,88** -3,34** -11,89** -2,14** -12,66**
Consumo -11,48** -2,37** -4,47** -0,89** -6.02** -12,76** -2,71** -7,11** -1,11** -8,55**
AM Emisiones -8,98** -1,15** -4,51** -0,79** -4,15** -8,19** 0,60** -4,15** -0,18** -4,55**
Consumo -10,98** -3,68** -11,52** -2,21** -10,91** -11,97** -3,45** -9,14** -1,81** -10,81**
AN Emisiones -5,03** -1,15** -5,54** -0,94** -5,28** -8,62** -1,61** -4,91** -3,79** -9,41**
Consumo -1,99** -1,23** -3,29** -1,99** -2,59** -1,78** -1,24** -3,32** -2,73** -2,11**
Los resultados de la Tabla 5 muestran la determinación de la
relación a corto y largo plazo entre las variables usando técnicas de
cointegración para datos de panel. Primeramente, utilizamos el test
de cointegracion de Pedroni(1999) para determinar el equilibrio en
el largo plazo. Estos resultados indican que el consumo de los hoga-
res y las emisiones de CO2 tienen una relación de largo plazo en la
mayor parte de las regiones, porque los estadísticos de dimensiones
y entre dimensiones de los paneles son estadísticamente significa-
tivos. A nivel global, en la región Europa y Asia Central y África
podemos observar que tienen una relación a largo plazo, es decir,
la existencia de un vector de integración. En investigaciones real-
izadas por You et al. (2017), Sapci y Considine (2014); Zhao y Luo
(2018); Zhang et al. (2015); Tang (2018) y Jacques y Keho (2016)
aseguran que la relación que se establece entre estas variables es de
largo plazo, dado que a medida que aumenta la población su fuerza
de cointegración es mayor.
Minga L., Guamán J. & Torres-Ontaneda W.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 5. Resultados del test de cointegración de Pedroni
Global África Asia Oriental
y el Pacifico
Europa y
Asia Central
América Latina
y el Caribe
Oriente Medio y
Norte de África
Asia
Meridional
América
del Norte
Estadística de prueba dentro de la dimensión
Estadística v
de panel 3,12** 3,94** 0,44** 3,27** 0,32** 2,07** 2,68** 0,21**
Estadístico p
de panel -3,77** -5,13** -0,14** -2,28** -2,19** -2,32** 0,90** -1,72**
Estadística PP
del panel -5,65** -6,54** -0,42** -3,25** -4,17** -2,23** -0,79** -2,79**
Estadística
ADF del panel -7,04** -4,55** -2,76** -4,04** -2,21** -0,77** -0,63** -2,61**
Estadísticas de prueba entre dimensiones
Estadístico p
de panel -0,72** -3,16** 1,11** -0,54** -0,74** -1,01** -0,76 -0,89**
Estadística PP
de grupo -4,25** -6,84** 0,39** -2,66** -3,58** -1,45** -1,15** -2,58**
Estadística de
ADF de grupo -7,89** -3,96** -2,27** -3,47** -1,11** -0,199** 0,24** -2,38**
En la Tabla 6 nos muestra la prueba de cointegración en el
corto plazo utilizando un modelo de Error Vectorial (VE) con datos
de panel, desarrollado por Westerlund (2007). El modelo tiene una
limitación, la cual consta en que solo es posible verificar el equilib-
rio a corto plazo entre parejas de variables. Por lo tanto, los resul-
tados se muestran de manera global y para el grupo de regiones en
donde la mayor parte de sus regiones la inexistencia de una relación
a corto plazo a excepción de América Latina y el Caribe en donde se
establece que un cambio en el consumo de los hogares genera cam-
bios inmediatos en las emisiones de CO2. Para Duarte et al. (2010);
Li et al., (2016); Alvarado, Iñiguez, y Ponce (2017) y Mcgee y Greiner
(2018) las emisiones de CO2 y el consumo de los hogares muestran
una relación a corto plazo y que a medida que pasa el tiempo en el
largo plazo esta relación desaparece.
Minga L., Guamán J. & Torres-Ontaneda W.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 5. Resultados del test de cointegración de Pedroni
Grupo Estadístico Valor Valor-Z Valor-p
GLOBAL Gt -2,46 -1,35 0,09
Ga -12,25 -0,54 0,29
Pt -25,04 -4,42 0,00
Pa -12,30 -5,63 0,00
África Gt -2,36 -0,04 0,48
Ga -11,16 0,53 0,70
Pt -12,23 -2,44 0,01
Pa -14,86 -4,74 0,00
Asia Oriental
y el Pacifico Gt -2,66 -1,36 0,09
Ga -12,60 0,38 0,35
Pt -10,84 -3,75 0,00
Pa -14,96 -3,63 0,00
Europa y
Asia Central Gt -2,28 0,56 0,71
Ga -12,78 -0,75 0,23
Pt -7,87 4,75 1,00
Pa -7,33 1,54 0,94
América Latina
y el Caribe Gt -2,75 -2,26 0,01
Ga -12,87 -0,67 0,25
Pt -12,49 -3,28 0,00
Pa -12,02 -2,35 0,01
Oriente Medio y
Norte de África Gt -2,75 -1,19 0,12
Ga -16,10 -1,55 0,06
Pt -3,09 2,43 0,99
Pa -10,28 -0,54 0,29
Asia Meridional Gt -1,10 3,12 0,99
Ga -7,55 1,31 0,90
Pt -1,94 2,66 0,99
Pa -5,90 1,02 0,85
4* América
del Norte Gt -4,23 -3,30 0,00
Ga -5,64 1,33 0,91
Pt -4,98 -2,32 0,01
Pa -4,09 1,15 0,87
La Tabla 7 reporta los estimadores obtenidos mediante DOLS
para los países de forma individual. Encontramos que, a nivel global,
las emisiones de CO2 es estadísticamente significativa y los esti-
madores son cercanos a 1. Por lo tanto, la fuerza del vector de
cointegración es contundente en el largo plazo. Estos resultados
sugieren las fuentes contaminantes en la mayor parte depende del
consumo de los hogares de los países. En la región de África, en-
contramos que todos los países poseen un estimador significativo y
mayor a uno, esto indica que estos países también contienen un vec-
tor de cointegración fuerte e indica que estos países son altamente
Minga L., Guamán J. & Torres-Ontaneda W.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
contaminantes dado el consumo de sus hogares. La región de Eu-
ropa y Asia Central, a diferencia de África, en su existen tres países,
Albania, Bulgaria y Finlandia, indican que las emisiones de Co2 no
dependen tanto del consumo de los hogares. Los resultados encon-
trados coinciden con las investigaciones expuestas por Ekanayake
(1999); Liu et al. (2014); Van Giessen, Van Ooyen-Houben, y Moole-
naar (2016); Bonnet et al., (2018); Liu y Wu (2015); y Wang (2016);
Mach et al. (2018) dado que con el tiempo las emisiones de CO2
van tomando consistencia.
Tabla 7. Resultados de las pruebas de modelos DOLS individuales (sin dummy)
Global CO2it Global CO2it Global CO2it África CO2it Europa y
Asia Central CO2it
Albania 0,7172 El Salvador 4,916 Netherlands 5,557 Benin 12,94 Albania 0,7172
Algeria 5,694 Finland -4,878 New Zealand 2,254 Botswana 5,334 Armenia 11,7
Argentina 10,53 France -4,134 Nicaragua 7,56 Burkina Faso 6,48 Austria 3,823
Armenia 11,7 Gabon -8,098 Nigeria 12,03 Cameroon 2,213 Azerbaijan -1,593
Australia 3,982 Germany 21,05 Norway 7,791 Congo -3,353 Belarus 1,353
Austria 3,832 Greece 7,101 Pakistan 8,466 Congo, Rep. -0,4167 Belgium -1,043
Azerbaijan -1,593 Guatemala 23,86 Panama 9,367 Gabon -4,134 Bulgaria 0,3638
Bahamas, The -4,321 Honduras 3,776 Paraguay 2,505 Kenya 1,547 Cyprus 3,28
Bangladesh 13,68 Hong Kong SAR,
China -6,1 Peru -5,174 Madagascar 1,161 Czech Republic -3,716
Belarus -1,335 Hungary -2,577 Philippines 4,848 Mali 0,2708 Denmark -4,782
Belgium -1,043 Iceland 15,09 Poland -2,237 Mauritania 11,49 Finland -0,2762
Belize -0,8467 India 11,86 Portugal -1,905 Mauritius 4,734 France -4,878
Benin 12,94 Indonesia 25,55 Romania 5,222 Mozambique 3,668 Germany -8,098
Bolivia 5,348 Iran, Islamic Rep. 3,543 Rwanda -3,021 Namibia 2,254 Greece 21,05
Botswana 5,334 Ireland 1,931 Senegal 1,48 Nigeria -1,905 Hungary -6,1
Brazil 22,11 Israel 2,595 Singapore 7,695 Rwanda 5,222 Iceland -2,577
Brunei Darussalam 4,379 Italy 0,8107 South Africa 14,05 Senegal 1,48 Ireland 3,543
Bulgaria 0,3638 Japan 7,858 Spain 5,588 South Africa 5,588 Italy 2,595
Burkina Faso 6,48 Kazakhstan 1,547 Sri Lanka 1,417 Sudan 1,417 Kazakhstan 7,858
Cambodia 8,648 Kenya 12,93 Sudan 7,036 Swaziland 5,563 Luxembourg -1,904
Cameroon 2,213 Korea, Rep -1,904 Swaziland -12,11 Tanzania 1,512 Macedonia,
FYR -6,707
Canada -2,037 Luxembourg -2,596 Sweden 2,301 Togo 8,085 Netherlands 1,881
Colombia 0,3925 Macao SAR,
China -6,707 Switzerland 5,563 Uganda 15,15 Norway 7,56
Congo, Dem. Rep. -3,353 Macedonia, FYR 1,161 Taijikistan 23,21 Poland -5,174
Congo, Rep. -0,4167 Madagascar 17,47 Tanzania 1,512 Portugal 4,848
Costa Rica 6,934 Malaysia 1,492 Thailand 9,328 Romania -2,237
Cuba 4,789 Mali 0,2708 Togo 19 Spain 7,695
Cyprus 3,28 Mauritania 2,831 Trinidad and
Tobago 20,12 Sweden -7,036
Czech Republic -3,716 Mauritius 27,02 Tunisia 8,085 Switzerland -12,11
Denmark -4,782 Mexico 4,734 Turkey -5,326 Tajikistan 2,301
Dominican Republic 2,637 Morocco 3,668 Uganda -2,68 Turkey 20,12
Ecuador 6,393 Mozambique 1,881 United states 6,866 United Kingdom -5,326
Egypt, Arab Rep 16,84 Namibia 0,2041 Uruguay 0,3825
Venezuela, RB 46,82
En la Tabla 8 reporta las estimaciones de los modelos de panel
PDOLS con y sin efectos del tiempo. Los resultados muestran la
fuerza de cointegración a nivel global y de los grupos de regiones
y ya no por países. De manera general existe una relación a largo
plazo a nivel global y en tres de sus regiones: Europa y Asia Central;
América Latina y el Caribe; y Oriente Medio y Norte de África. Para
Yang, Zhao, Wu, y Fan (2013); Jia et al. (2018), Bakirtas y Akpolat
(2018); Tekin (2012); Zoundi (2017); y Delis y Iosi (2016) las emi-
siones de CO2 van creciendo continuamente, y por lo tanto, a largo
plazo es donde representan un factor negativo para el país.
Minga L., Guamán J. & Torres-Ontaneda W.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
Tabla 8.Resultados de pruebas de los modelos de panel PDOLS
Con dummy del tiempo Sin dummy del tiempo
CO2it CO2it
Grupos PDOLS Estadísticos t PDOLS Estadísticos t
Global 2,588 31,88 0,6051 46,82
África 0,3042 -1,235 0,1784 15,15
Asia Oriental y el Pacifico 1,409 4.556 1,644 23,34
Europa y Asia Central 5,299 26,25 -0,3572 4,795
América Latina y el Caribe 2,812 2,963 1,789 30,65
Oriente Medio y Norte de África 2,02 0,6207 1,825 39,21
Asia Meridional 1,512 15,19 0,4544 27,43
América de Norte -1,853 -0,9485 -1,632 -3,335
En la Tabla 9 muestra las relaciones de causalidad tipo Granger
(1988) para datos de panel. Usando la estrategia de Dumitrescu
y Hurlin (2012) para encontrar la existencia de causalidad y la di-
rección de causalidad. Los resultados indican que existe causalidad
unidireccional entre las emisiones de CO2 y el consumo de los hog-
ares (CO2→C) a nivel global y por regiones. Por otro lado no existe
una causalidad unidireccional entre el consumo de los hogares y las
emisiones de CO2 (C→CO2 en las regiones de Africa y Asia Oriental
y el Pacifico. Finalmente para Zhang et al., (2017); Evans (2012) y
Yang et al., (2013); Kawajiri et al., (2017) en sus investigaciones ase-
guran que las emisiones de CO2 están netamente relacionadas con
el consumo de los hogares, dado que estos generan las principales
fuentes de contaminación.
Tabla 9. Resultados de pruebas de causalidad Dumitrescu y Hurlin
Dirección de causalidad Grupo W-bar Z-bar p-value
CO2it Cit Global 40,855 219,263 0,0000
África 33,141 78,474 0,0000
Asia Oriental y el Pacifico 30,357 51,901 0,0000
Europa y Asia Central 52,942 171,766 0,0000
América Latina y el Caribe 36,606 86,213 0,0000
Oriente Medio y Norte de África 47,930 65,696 0,0000
Asia Meridional 39,475 41,685 0,0000
América de Norte 30,548 20,548 0,0399
CO2it Cit Global 28,010 127,982 0,0000
África 0,9741 -0,0879 0,9299
Asia Oriental y el Pacifico 15,922 15,098 0,1311
Europa y Asia Central 45,667 142,667 0,0000
América Latina y el Caribe 36,606 86,213 0,0000
Oriente Medio y Norte de África 47,930 65,696 0,0000
Asia Meridional 39,475 41,685 0,0000
América de Norte 30,548 20,548 0,0399
5|CONCLUSIONES
Con el fin de establecer la relación que presenta las emisiones de
CO2 y el consumo de los hogares en 101 países del mundo divi-
didos en las 7 regiones durante el periodo 1985-2014. Utilizamos
técnicas de coitegración y causalidad para datos de panel: el test de
cointegración de Pedroni (1999) para estimar el equilibrio de largo
plazo, y corrección de error de Westerlund (2007) para determinar
el equilibrio de corto y largo plazo, el método PDOLS y DOLS de
Pedroni (2001) para estimar la fuerza del vector de cointegración,
y el test de causalidad de Dumitrescu y Hurlin (2012) para verificar
la existencia y dirección de causalidad entre las parejas de variables.
Los resultados manifiestan que, emisiones de CO2 están netamente
ligadas con el consumo de los hogares, y que está a medida que va
pasando el tiempo aumenta su población y por ende incrementa las
emisiones tomando una relación más sustentable en el largo plazo,
lo que coincidió significativamente con el estudio en regiones como
Efecto del gasto en tecnología en el desempleo: evidencia para 50 países...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
África y Europa y Asia Central; y rechazo la hipótesis de Kuznets.
Visto de otra manera, el consumo de los hogares es un factor muy
ligado al aumento progresivo de las emisiones, dado que los hoga-
res son los que determinan la demanda de bienes y servicios, para
hacer frente a esta problemática dependiendo de la región de es-
tudio se debe establecer políticas y programas dirigidos hacia un
consumo sostenible y una producción sana. Por lo que se propone
en las regiones la implementación de tecnología como: máquinas
procesadoras de plásticos y métodos de producción más sofistica-
dos que resulten amigables con el medio ambiente y de esta man-
era disminuir las emisiones de CO2, coincidiendo con Evans (2012);
Yang et al., (2013) y Kawajiri et al., (2017).
Referencias bibliográficas
[1] Alvarado, R., Iñiguez, M., Ponce, P. (2017). Foreign di-
rect investment and economic growth in Latin America.
Economic Analysis and Policy, 56, 176–187
[2] Acemoglu, D. (1997). Technology, unemployment and
efficiency. European Economic Review, 41(3-5), 525-533.
[3] Bonnet, C., Bouamra-mechemache, Z., Corre, T. (2018).
An Environmental Tax Towards More Sustainable Food:
Empirical Evidence of the Consumption of Animal Prod-
ucts in France. Ecological Economics, 147(December
2017), 48–61.
[4] Cellura, M., Longo, S., Mistretta, M. (2011). The energy
and environmental impacts of Italian households con-
sumptions: An input – output approach. Renewable and
Sustainable Energy Reviews, 15(8), 3897–3908.
[5] Chang, C. P., Berdiev, A. N., Lee, C. C. (2013). Energy
exports, globalization and economic growth: The case
of south caucasus. Economic Modelling, 33, 333–346.
[6] Chang, C. P., Berdiev, A. N., Lee, C. C. (2013). Energy
exports, globalization and economic growth: The case
of south caucasus. Economic Modelling, 33, 333–346.
[7] Chen, Y. (2017). Evaluation of greenhouse gas emis-
sions from waste management approaches in the is-
lands, (151).
[8] Das, P. D., Srinivasan, P. R., Sharfuddin, P. A. (n.d.).
FOSSIL FUEL CONSUMPTION , CARBON EMISSIONS
AND TEMPERATURE VARIATION IN INDIA, (44).
[9] Delis, M. D., Iosi, M. (2016). Environmental awareness
, consumption , and labor supply: Empirical evidence
from household survey data, 129, 1–11. 7
[10] Duarte, R., Mainar, A., Sánchez-chóliz, J. (2010). The im-
pact of household consumption patterns on emissions
in Spain . Energy Economics, 32(1), 176–185.
[11] Econ, C., Per, C., Responsable, I., Paz, C. C., Neocl, N.,
Corriente, C., Modelo, E. (2010). No Title.
[12] Ekanayake, E. . (1999). Exports and Economic Growth
in Developing Countries: Cointegration and Error-
Correction Models. International Advances in Economic
Research, 5(1), 147–148.
[13] Elbeydi, K. (2010). The Relationship between Export
and Economic Growth in Libya Arab Jamahiriya. Theo-
retical and Applied ..., XVII(1), 69–76.
[14] Evans, D. (2012). Binning , gifting and recovery: the
conduits of disposal in household food consumption,
30(2007), 1123–1137.
[15] Falconí, F., Burbano, R. (n.d.). La discutible curva de
Kuznets, 1–19.
[16] Gao, Y., Whalley, J., Ren, Y. (2014). Decomposing
China’s export growth into extensive margin, export
quality and quantity effects. China Economic Review,
29(13), 19–26.
[17] Gielen, D. J., Moriguchi, Y. (2015). Waste benefits of
CO 2 policies in Japan, 2–15.
[18] DANE. (2015). Goh, S. K., Sam, C. Y., McNown,
R. (2017). Re-examining foreign direct investment, ex-
ports, and econJournal of Asian Economics, 51, 12–22
[19] Gürlük, S. (2015). Assessing agri-environmental man-
agement and inorganic fertilizer consumption using,
44(2), 135–141
[20] Hu, C., Tan, Y. (2016). Product differentiation, export
participation and productivity growth: Evidence from
Chinese manufacturing firms. China Economic Review,
41, 234–252. 6
[21] Hu, X., Liu, Y., Shi, Q., Zhang, W., Zhong, C. (2018). SO2
emission reduction decomposition of environmental tax
based on different consumption tax refunds. Journal of
Cleaner Production.
[22] Huang, X., Jorgenson, A. K. (2018). The Asymmetri-
cal Effects of Economic Development on Consumption-
based and Production-based Carbon Dioxide Emissions
, 1990 to 2014.
[23] Inaba, R., Nansai, K., Fujii, M., Hashimoto, S. (2010).
Waste Management Research.
[24] Jacques, L., Keho, Y. (2016). Energy consumption , eco-
nomic growth and carbon emissions: Cointegration and
causality evidence from selected African countries. En-
ergy, 114, 492–497.
Efecto del gasto en tecnología en el desempleo: evidencia para 50 países...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
[25] Jarreau, J., Poncet, S. (2012). Export sophistication and
economic growth: Evidence from China. Journal of De-
velopment Economics, 97(2), 281–292. 1
[26] ia, J., Gong, Z., Xie, D., Chen, J., Chen, C. (2018). Anal-
ysis of drivers and policy implications of carbon dioxide
emissions of industrial energy consumption in an under-
developed city: the case of Nanchang, China. Journal of
Cleaner Production.
[27] Kawajiri, K., Ihara, T., Hatayama, H., Tahara, K. (2017).
Affiliation: National Institute of Advanced Industrial Sci-
ence and Technology. Journal of Cleaner Production.
[28] Landis, J. D., Hsu, D., Guerra, E. (2017). Intersect-
ing Residential and Transportation CO 2 Emissions:
Metropolitan Climate Change Programs in the Age of
Trump.
[29] Li, J., Huang, X., Yang, H., Chuai, X., Li, Y., Qu, J. (2016).
Situation and determinants of household carbon emis-
sions in Northwest China, 51, 178–187.
[30] Liu, L., Wu, G. (2015). Relating fi ve bounded environ-
mental problems to China ’ s household consumption in
2011 e 2015. Energy, 57(2013), 427–433.
[31] Liu, S., Chen, S., Liang, X., Mao, B., Jia, S. (2014). Analy-
sis of Transport Policy Effect on CO 2 Emissions Based
on System Dynamics.
[32] Mach, R., Weinzettel, J., Šč, M. (2018). Environmental
Impact of Consumption by Czech Households: Hybrid
Input – Output Analysis Linked to Household Consump-
tion Data, 149(May 2017), 62–73
[33] Mahmoodi, M., Mahmoodi, E. (2016). Foreign direct
investment, exports and economic growth: evidence
from two panels of developing countries. Economic
Research-Ekonomska Istraživanja, 29(1), 938–949.
[34] Mcgee, J. A., Greiner, P. T. (2018). Can Reducing Income
Inequality Decouple Economic Growth from CO 2 Emis-
sions?
[35] Min, S., Bai, J., Huang, J., Waibel, H. (2018). Forest
Policy and Economics Willingness of smallholder rubber
farmers to participate in ecosystem protection: E ff ects
of household wealth and environmental awareness. For-
est Policy and Economics, 87(October 2017), 70–84.
[36] Miankhel, A. K., Thangavelu, S. M., Kalirajan, K. (2009).
Foreign Direct Investment , Exports , and Economic
Growth in South Asia and Selected Emerging Countries:
A Multivariate VAR Analysis *. Munich Personal RePEc
.. . , (May), 1–28.
[37] Omri, A., kahouli, B. (2014). The nexus among foreign
investment, domestic capital and economic growth: Em-
pirical evidence from the MENA region. Research in Eco-
nomics, 68(3), 257–263.
[38] Perobelli, F. S., Faria, W. R., Almeida, V. De. (2015). Ab-
stract. Energy Economics.
[39] Perumal, A., Timmons, D. (2015). Contextual Density
and US Automotive CO 2 Emissions across the Rural –
Urban Continuum, 1–26.
[40] Quaicoe, A., Aboagye, A. Q. Q., Bokpin, G. A. (2017). As-
sessing the impact of export processing zones on eco-
nomic growth in Ghana. Research in International Busi-
ness and Finance, 42, 1150–1163
[41] Rahman, M. M. (2017). Do population density, eco-
nomic growth, energy use and exports adversely af-
fect environmental quality in Asian populous countries?
Renewable and Sustainable Energy Reviews, 77(April),
506–514.
[42] Rehman, M. U., Rashid, M. (2017). Energy consump-
tion to environmental degradation, the growth appetite
in SAARC nations. Renewable Energy
[43] Rehner, J., Baeza, S. A., Barton, J. R. (2014). Chile’s
resource-based export boom and its outcomes: Re-
gional specialization, export stability and economic
growth. Geoforum, 56, 35–45.
[44] Revisión, B. (2016). ALC preside UNEA-2 en Nairobi.
[45] Sánchez, V. (2017). Relación entre crecimiento
económico y degradación ambiental, un análisis a
nivel global por niveles de ingresos
[46] Sapci, O., Considine, T. (2014). Ac ce p te d us t. Journal
of Behavioral and Experimental Economics.
[47] Sokolov-Mladenović, S., Milovančević, M., Mladenović,
I., Alizamir, M. (2016). Economic growth forecasting by
artificial neural network with extreme learning machine
based on trade, import and export parameters. Comput-
ers in Human Behavior, 65, 43–45.
[48] Tang, M. (2018). Accounting for carbon emissions as-
sociated with tourism-related consumption, (August
2014).
[49] Tekin, R. B. (2012). Economic growth, exports and for-
eign direct investment in Least Developed Countries:
A panel Granger causality analysis. Economic Modelling,
29(3), 868–878.
Efecto del gasto en tecnología en el desempleo: evidencia para 50 países...
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
[50] Vaca, P., Cartuche, I. (2018). Relación entre las emi-
siones de CO2 y el grado de urbanización a nivel global
y entre grupos de países: un enfoque usando técni-
cas econométricas avanzadas de datos de panel. Revista
Vista Económica, 5(1), 82-89.
[51] Van der Giessen, M., van Ooyen-Houben, M. M. J.,
Moolenaar, D. E. G. (2016). Estimating the production,
consumption and export of cannabis: The Dutch case.
International Journal of Drug Policy, 31, 104–112.
[52] Vianna, A. C. (2016). The impact of exports to China on
Latin American growth. Journal of Asian Economics, 47,
58–66.
[53] Wang, X., Khattak, A., Zhang, Y. (2013). Is Smart
Growth Associated with Reductions in Carbon Dioxide
Emissions?, (2375), 62–70.
[54] Wang, Y. (2016). Promoting Sustainable Consumption
Behaviors: The Impacts of Environmental Attitudes and
Governance in a Cross-National Context.
[55] Yang, S., Zhao, D., Wu, Y., Fan, J. (n.d.). REGIONAL
VARIATION IN CARBON EMISSIONS AND ITS DRIV-
ING FORCES IN CHINA: AN INDEX DECOMPOSITION
ANALYSIS, 2010(Figure 1), 1249–1270.
[56] Yates, L. (2016). Sharing , households and sustainable
consumption.
[57] Ye, Y., Shi, X., Zou, L. (2016). Accepted Manuscript.
[58] You, S., Gee, K., Wah, Y., Dai, Y., Wang, C. (2017). Varia-
tion of household electricity consumption and potential
impact of outdoor PM 2 . 5 concentration: A compar-
ison between Singapore and Shanghai. Applied Energy,
188, 475–484.
[59] Zhang, J., Yu, B., Cai, J., Wei, Y. (2017). Impacts of
household income change on CO2 emissions: An em-
pirical analysis of China. Journal of Cleaner Production. 6
[60] Zhang, Y., Bian, X., Tan, W., Song, J. (2015). The indi-
rect energy consumption and CO 2 emission caused by
household consumption in China: an analysis based on
the input e output method. Journal of Cleaner Production,
1–15.
[61] Zhao, C., Luo, K. (2018). Household consumption of
coal and related sulfur , arsenic , fl uorine and mer-
cury emissions in China. Energy Policy, 112(May 2017),
221–232.
[62] Zoundi, Z. (2017). CO2 emissions , renewable en-
ergy and the Environmental Kuznets Curve , a panel
cointegration approach. Renewable and Sustainable En-
ergy Reviews, 72(July 2016), 1067–1075 Revista Vista
Económica, 2(1).
[63] Sapci, O., Considine, T. (2014). Ac ce p te d us t. Journal of
Behavioral and Experimental Economics.
[64] Sokolov-Mladenović, S., Milovančević, M., Mladenović, I.,
Alizamir, M. (2016). Economic growth forecasting by artifi-
cial neural network with extreme learning machine based
on trade, import and export parameters. Computers in Hu-
man Behavior, 65, 43–45.
[65] Tang, M. (2018). Accounting for carbon emissions associ-
ated with tourism-related consumption, (August 2014).
[66] Tekin, R. B. (2012). Economic growth, exports and foreign
direct investment in Least Developed Countries: A panel
Granger causality analysis. Economic Modelling, 29(3),
868–878.
[67] Vaca, P., Cartuche, I. (2018). Relación entre las emisiones
de CO2 y el grado de urbanización a nivel global y entre
grupos de países: un enfoque usando técnicas econométri-
cas avanzadas de datos de panel. Revista Vista Económica,
5(1), 82-89.
[68] Van der Giessen, M., van Ooyen-Houben, M. M. J., Moole-
naar, D. E. G. (2016). Estimating the production, consump-
tion and export of cannabis: The Dutch case. International
Journal of Drug Policy, 31, 104–112.
[69] Vianna, A. C. (2016). The impact of exports to China on
Latin American growth. Journal of Asian Economics, 47,
58–66.
[70] Wang, X., Khattak, A., Zhang, Y. (2013). Is Smart Growth
Associated with Reductions in Carbon Dioxide Emissions?,
(2375), 62–70.
[71] Wang, Y. (2016). Promoting Sustainable Consumption Be-
haviors: The Impacts of Environmental Attitudes and Gov-
ernance in a Cross-National Context.
[72] Yang, S., Zhao, D., Wu, Y., Fan, J. (n.d.). REGIONAL
VARIATION IN CARBON EMISSIONS AND ITS DRIVING
FORCES IN CHINA: AN INDEX DECOMPOSITION ANAL-
YSIS, 2010(Figure 1), 1249–1270.
[73] Yates, L. (2016). Sharing , households and sustainable con-
sumption.
[74] Ye, Y., Shi, X., Zou, L. (2016). Accepted Manuscript.
Vol.9-N°1, Enero - Junio 2021
p-ISSN:2602-8204 |e-ISSN 2737-6257
[75] You, S., Gee, K., Wah, Y., Dai, Y., Wang, C. (2017). Variation
of household electricity consumption and potential impact
of outdoor PM 2 . 5 concentration: A comparison between
Singapore and Shanghai. Applied Energy, 188, 475–484.
[76] Zhang, J., Yu, B., Cai, J., Wei, Y. (2017). Impacts of house-
hold income change on CO2 emissions: An empirical anal-
ysis of China. Journal of Cleaner Production. 6
[77] Zhang, Y., Bian, X., Tan, W., Song, J. (2015). The indirect
energy consumption and CO 2 emission caused by house-
hold consumption in China: an analysis based on the input
e output method. Journal of Cleaner Production, 1–15.
[78] Zhao, C., Luo, K. (2018). Household consumption of coal
and related sulfur , arsenic , fl uorine and mercury emissions
in China. Energy Policy, 112(May 2017), 221–232.
[79] Zoundi, Z. (2017). CO2 emissions , renewable energy
and the Environmental Kuznets Curve , a panel cointegra-
tion approach. Renewable and Sustainable Energy Reviews,
72(July 2016), 1067–1075
