Crecimiento económico y energía residencial en la EU-28.

Crecimiento Económico y Energía Residencial en EU-28 Autores y e-mail de la persona de contacto: María del P. Pablo-Romero y Antonio Sánchez-Braza [email protected] Departamento: Análisis Económico y Economía Política Universidad: Sevilla Área Temática: Energía, sostenibilidad, recursos naturales y medio ambiente Resumen: Recientemente, los países participantes en la Conferencia Climática de París (COP21) acordaron establecer objetivos nacionales de reducción de emisiones revisables cada 5 años. Para el cumplimiento de este acuerdo, casi todos los países tienen que aumentar sus compromisos de reducción de emisiones, lo que afecta a casi todos los sectores económicos. El sector residencial puede considerarse clave para alcanzar estos objetivos, ya que a nivel mundial representa en torno al 25% del consumo de energía global y el 17% de emisiones de CO2. En este sentido, el análisis de la relación entre el crecimiento económico de los países y del consumo de energía residencial resulta especialmente interesante con el fin de poder determinar políticas de ahorro energético en este sector. A pesar de ello, los estudios que relacionan el crecimiento económico y el consumo energético residencial son muy escasos, en contraposición a los estudios que analizan la relación entre crecimiento económico y consumo energético global o emisiones de CO2, fundamentalmente por medio del análisis de la curva medioambiental de Kuznets (EKC). El objetivo de este trabajo es analizar la relación entre crecimiento económico y consumo de energía residencial en los países de la UE-28 en el periodo 1990-2013. Para ello se estima una función energética de EKC mediante datos de panel y se estudian las elasticidades de la energía consumida respecto a la renta per cápita. Dada la heterogeneidad entre los países analizados, resulta conveniente utilizar un modelo multinivel con efectos aleatorios para estimar la EKC, lo que permite estimar coeficientes diferentes para cada país, reflejando así las características propias de cada uno. Los resultados confirman la existencia de la EKC en este sector, si bien claras diferencias se observan entre los países considerados, no llegando a alcanzar el punto inflexión de la EKC los países de reciente incorporación. Palabras Clave: Energía residencial, Curva de Kuznets medioambiental, Datos de Panel, modelo multinivel. EU-28 Clasificación JEL: C23, O52, Q43, Q52 2 Crecimiento Económico y Energía Residencial en EU-28 1. Introducción En la conferencia celebrada en Paris (COP21) en 2015, 195 países firmaron el acuerdo de llevar a cabo planes de acción destinados a evitar que la temperatura global del planeta suba por encima de los 2°C (Burleson, 2016). Todos los países tienen responsabilidad en este objetivo, el cual depende de su prosperidad económica. Por ello, deben determinar en un documento sus contribuciones a esa reducción global (INDCs, Intended Nationally Determined Contributions), estando obligados a revisar sus objetivos individuales cada cinco años (UNFCCC , 2015). En este sentido, la UE ha comunicado sus objetivos, los cuales indican que las UE y sus Estados miembros están obligados a reducir sus emisiones internas de gases de efectos invernaderos al menos un 40% en 2030 en relación con los valores de 1990. Este objetivo va más allá del objetivo actual de reducción de 20% en 2020. Asimismo, está en línea con los objetivos marcados en el último informe del IPCC (IPCC, 2014). Para alcanzar el objetivo del 40%, la UE está llevando a cabo diversas acciones destinadas a limitar las emisiones de CO2, las cuales están relacionadas con el uso energético, el transporte, el uso de la tierra y la agricultura, las ciudades sostenibles y otras. No obstante, las acciones energéticas pueden ser consideradas las principales medidas de reducción de emisiones, ya que el uso y producción de energía genera más del 80% del total de emisiones en la UE-28, ya sea en el sector industrial, de servicios, transportes y residencial. En este sentido, el sector residencial consumo un 27% de la energía total, justo detrás del sector transporte que consume el 32 (EEA, 2015). A pesar de la importancia del consumo del sector residencial, cabe decir que este, junto a la industria, son los sectores que ha mantenido en el periodo de 1990 a 2014un crecimiento negativo, siendo su tasa de crecimiento en el periodo en el sector residencial igual a -0.03. Algunos autores han señalado que las reducciones en el consumo del sector industrial pueden ser atribuidas, al menos en parte, a una deslocalización industrial. De tal modo que las industrias se han desplazado hacia lugares en los que los estándares medioambientales son inferiores (Lau et al., 2014). Sin embargo, el consumo de energía residencial no es posible desplazarlo fuera de las 3 fronteras. De este modo, puede considerarse que las políticas energéticas pueden ser más eficaces en este sector. Por ello, el análisis de la evolución del uso de energía en el sector residencial resulta ser especialmente interesante en la UE. No obstante, a pesar de este interés, hay pocos estudios que analicen su evolución y su relación con la renta de los países. Así, la mayoría de estudios que se centran en el consumo de los hogares se relaciona con el comportamiento económico de esos hogares. Hasta donde conocemos, el único estudio que compara la tendencia de la energía residencial entre un grupo de países es el estudio Nejat et al. (2015). Este estudio se refiere a 10 países que representan las dos terceras partes de las emisiones de CO2, y revisa las tendencias de uso energético del sector residencial, las emisiones del sector y las políticas aplicadas. Adicionalmente, algunos estudios se refieren a la situación en países específicos, tales como Štreimikienė (2014) centrado en Lituania, y Heinonen y Junnila (2014) referido a Finlandia. El objetivo de este estudio es analizar las relaciones entre uso de energía residencial y renta en los países de la UE-28 en el periodo 1990-2013. Para ello, se estiman curvas energéticas medioambientales de Kuznets (EKC) utilizando técnicas de datos de panel. Se llevan a cabo dos aproximaciones diferentes. Primero, se introducen variables e control para captar el posible efecto de la urbanización en el consumo residencial, tal como en Heinonen y Junnila (2014) y en Wiedenhofer et al., (2013). Segundo, ya que autores como Piaggio y Padilla (2012) han cuestionado la idoneidad de asumir parámetros iguales para países diferentes, se utiliza un modelo de efectos mixtos que dota al modelo de mayor flexibilidad al permitir que los parámetros estimado varíen de forma aleatoria (Rabe-Hesketh y Skrondal, 2008; West y Galecki, 2011; Leckie, et al., 2014). Por último, a partir de las estimaciones realizadas mediante el modelo mixto, se calculan las elasticidades del uso energético residencial respecto a la renta. Dichas elasticidades varían para cada país y año, lo que permite observar las diferencias entre países (Pablo-Romero y Sánchez-Braza, 2015). El estudio se organiza como sigue. En la sección 2 se explica la metodología utilizada. En la sección 3 se especifica los datos utilizados en el estudio. En la sección 4 se presentan los resultados obtenidos y por último se concluye. 4 2. Metodología La función general del modelo para testar la hipótesis EKC se expresa del siguiente modo: itititititit eYYYAE  3 3 2 21  [1] donde E es un indicador de presión medioambiental en términos per cápita, que en este estudio es el consumo final de energía residencial per cápita expresado en logaritmos, Y es el PIB per cápita, en logaritmos y A representa la suma del efecto temporal e individual. Asimismo, i y t indican países y años respectivamente. Finalmente, e es el error aleatorio. Algunos problemas econométricos han sido observados en estudios previos. Así Narayan y Narayan (2010) consideran que las estimaciones de la EKC en estudios previos pueden presentar problemas de multicolinealidad. Para analizar este problema, en este trabajo se ha calculado los valores VIFs (variance inflation factors). En general se considera que el valor VIF no debe exceder 10. Si bien algunos estudios utilizan un criterio más estricto, y el VIF no debe superar el valor de (Pablo-Romero et al., 2015). Para mitigar el problema de multicolinealidad, los valores han sido convertidos en desviaciones respecto a su media geométrica. Este cambio, implica que el coeficiente  1 representa la elasticidad del consumo de energía residencia respecto a la renta en el punto central de la muestra (De la Fuente, 2008; Pablo-Romero y Sánchez-Braza, 2015). La trasformación de las variables se señala con un guión encima de cada variable. it ititititit eYYYAE  3 3 2 21  [2] Asimismo, otros autores han señalado la posibilidad de realizar estimaciones espurias (Stern, 2014). Para evitar estas estimaciones espurias, se ha analizado la naturaleza estocástica de las variables. Primero se ha llevado a cabo un test de dependencia trasversal siguiendo el test de Pesaran (2004), bajo la hipótesis nula de independencia trasversal. Después se utiliza el test de Pesaran (2007), CIPS test, para investigar la presencia de raíces unitarias. Finalmente, se lleva a cabo el test de cointegración de Westerlund (2007) que permite testar las relaciones de cointegración en presencia de 5 dependencia trasversal (Persyn y Westerlund, 2008) La hipótesis nula es la usencia de cointegración. Los estadísticos Gt y Ga testan si existe cointegración al menos para un individuo, mientras que Pt y Pa si existe cointegración para el panel de forma global. Teniendo en cuenta los resultados del estudio previo, los datos son transformados en primeras diferencias. Utilizando Δ para indicar este cambio, se expresa la función a estimar del siguiente modo: it ititititit eYYYAE  3 3 2 21  [3] donde it A= δt. Finalmente, cabe señalar que Piaggio y Padilla (2012) han cuestionado la idoneidad de utilizar datos de panel, debido a la heterogeniedad de la muestra. Con el fin de reducir dicha heterogeneidad o de controlarla se han llevado a cabo dos aproximaciones. La primera ha consistido en introducir la variable de control (C) en [3]. Esta variable representa el efecto de la urbanización en el consumo energético residencial, tal como ha sido señalado en Heinonen y Junnila (2014) y Wiedenhofer et al. (2013). Así la ecuación se expresa como it it ititititit eCYYYAE   3 3 2 21 [4] Adicionalmente, se ha estimado [4] permitiendo que los coeficiente  no sean constantes, sino que se les permite variar al incluir un término aleatorio en el coeficiente, de esta manera puede mejorarse la eficiencia de la estimación econométrica (Hsiao et al., 1995). Así, los coeficientes  se definen del siguiente modo: ii ii ii 333 222 111         [5] donde μ representa el efecto aleatorio para las observaciones individuales. De esta manera, [4] se expresa como sigue: it it iti it iti it iti ititit eCYYYYYYAE   3 3 3 3 2 2 2 211 [6] donde [6] se estima utilizando un modelo de efectos mixtos (Rabe-Hesketh and Skrondal, 2008; West y Galecki, 2011; Leckie et al., 2014). Varios test de máxima 6 verosimilitud han sido llevados a cabo para determinar si el modelos más adecuado es estimando con los coeficientes  fijos o introduciendo efectos aleatorios. Asimismo, se realizan test de máxima verosimilitud para analizar el modelo con efectos aleatorios en el coeficiente  1 y  2 versus modelo con efecto aleatorio en  1 y modelo con efecto aleatorio en  1,  2 y  3 versus modelo con efecto aleatorio en  1 y  2. Una vez que se estiman las ecuaciones [4] y [6] los coeficientes β nos indican la relación que existe entre el consumo energético y la renta. Si todos los coeficientes β son positivos, entonces existe una relación creciente entre ambas variables. Pero si  1>0,  2<0 y  30 entonces la EKC existe (Dinda, 2004). En este caso, puede calcularse el punto de inflexión de la curva, lo que puede calcularse haciendo la elasticidad de E respecta a Y igual a cero. Esta elasticidad puede calcularse del siguiente modo: 2 321 32 itit it YYela   [7] Las elasticidades permiten también conocer el diferente comportamiento de los países. En este sentido, es adecuado hacer notar que la elasticidad de E respecto a Y es mucho más flexible cuando  se obtiene a partir de [6]. 3. Datos Este estudio utiliza datos de los 28 países de la UE: Austria, Bélgica, Bulgaria, Croacia, Chipre, R. Checa, Dinamarca, Estonia, Finlandia, Francia, Alemania, Grecia, Hungría, Irlanda, Italia, Letonia, Lituania, Luxemburgo, Malta, Holanda, Polonia, Portugal, Romania, Eslovaquia, Eslovenia, Suecia, España, and UK. El periodo de estudio comprende desde 1990 a 2013. Se utilizan datos de energía final consumida por el sector residencial obtenidos a partir de la base de datos de la IEA (IEA, 2016). Esta variable se expresa en miles de toneladas equivalente de petróleo, en términos per cápita. Los valores han sido expresados en logaritmos. Asimismo, se utilizan datos de PIB obtenidos de la base de datos del Banco Mundial (The World Bank, 2016), en millones de dólares constantes de 2005. Los valores se expresan en términos per cápita y han sido igualmente convertidos a logaritmos. Por último, la variable de control se expresa como 7 porcentaje de población que vive en áreas urbanas. Se obtiene de la base de datos del Baco Mundial (The World Bank, 2016). 4. Resultados 4.1. Estudio de multicolinealidad, dependencia trasversal, raíces unitarias y cointegración La Tabla 2 muestra los valores VIF para las variables sin transformar y transformadas respecto a su media geométrica. Puede observarse, que una vez que las variables han sido transformadas, el valor VIF no excede de 5. Por lo que el problema de multicolinealidad de las variables desaparece. Tabla 2. Valores VIF Va ri ab le VIF (variables) VIF (deviations from the geometric mean) Y 658..94 3.64 Y2 2941.04 1.66 Y3 879.71 4.99 C 1.20 1.21 Media VIF 1120.22 2.89  La Tabla 3 muestra los resultados del test de dependencia trasversal de Pesaran (2004). La hipótesis nula de independencia trasversal se rechaza para todas las series. Por esta razón se emplea el test de segunda generación de raíces unitarias de Pesaran (2007). La Tabla 4 muestra el valor de estos test en niveles y primeras diferencias. Los resultados muestran que las variables son I(1). Finalmente, la Tabla 5 muestra los resultados de aplicar el test de Westerlund (2007), obtenido para 400 réplicas. Los resultado muestran que la hipótesis de no cointegración no puede ser rechazada. Por lo que resulta conveniente estimar en primeras diferencias. 8 Tabla 3. Test de dependencia trasversal Variables CD test Y 85.96*** Y2 85.75*** Y3 85.43*** C 15.56*** Tabla 4. Test de raíces unitarias en presencia de dependencia trasversal. Variables Nivel Primeras diferencias Constante Constante y tendencia Constante Constante y tendencia E -2.140* -2.427 -4.471*** -4.611*** Y -2.050 -2.119 -3.615*** -4.089*** Y2 -0.603 -1.108 -2.947*** -3.440*** Y3 -2.105* -2.584* -3.525*** -3.643*** C -2.142* -2.601* -3.707*** -4.592*** . Tabla 5. Resultados del test de cointegración Variable dependiente Variables independientes Tests Gt Ga Pt Ga E Y, Y2, Y3, C -2.375 -1.567 -12.452 -5.536 Y, Y2, C -3.728 -2.032 -14.112 -5.292 4.2. Resultados de las estimaciones La Columna (a) de la Tabla 6 muestra los resultados de estimar [4]. Las estimaciones se obtienen utilizando el modelo de mínimos cuadrados generalizado (FGLS) en presencia de autocorrelación, heterocedasticidad y dependencia trasversal, de acuerdo con los test de Wooldridge (2002), Greene (2000), y Pesaran (2004). La Columna (a) muestra que los coeficientes  1 coeficientes son positivos y significativos. Por lo tanto en el punto central de la muestra, la elasticidad de la energía residencial respecto a la renta es positiva. Así, un aumento del PIB per cápita aumenta el consumo energético ene el sector residencial. No obstante, dado que su valor es igual a 0.277, este incremento es menos que proporcional. Los resultado muestran también que los coeficientes  2 y  3 9 son negativos y significativos, por los que la hipótesis de la EKC es confirmada, ya que de acuerdo con Dinda (2004), si  1>0,  2<0 y  3<0, existe una relación con forma de U invertida. Tabla 6. Resultados de estimar [4] y [6]. FGLS [4] Modelo Multinivel  1 aleatorio [6] Modelo Multinivel  1 y  2 aleatorio [6] (a) (b) (c) Y 0.277*** 0.280*** 0.280*** (0.022) (0.115) (0.117) Y2 -0.101*** -0.112*** -0.114*** (0.014) (0.034) (0.033) Y3 -0.062*** -0.051** -0.050** (0.007) (0.026) (0.026) sd (  1) _ 0.221*** 0.188* (0.083) (0.109) sd (  2) _ 0.028 (0.046) Todas las estimaciones incluyen dummies temporales y la variable de control C Las Columnas (b) y (c) en la Tabla 6 muestran los resultados de estimar [6] utilizando el modelo multinivel de efectos mixtos. La Columna (b) muestra la estimación cuando se incluye el término aleatorio en el coeficiente  1 permitiendo que su valor varíe entre países. En la Columna (c) también se incluye el efecto aleatorio en el coeficiente  2 haciendo la función más flexible todavía. Ambas estimaciones se obtienen utilizando el método de máxima verosimilitud en presencia de heterocedasticidad y autocorrelación. El efecto aleatorio no se estima de forma directa, pero puede ser obtenido a partir de las varianzas y covarianzas estimadas. La Columna (b) y (c) muestran las desviaciones estándar (sd(  1) y sd(  2)) de  1 y  2. Los resultados obtenidos muestran que los coeficientes  1 dependen de los valores γ1 y μ1i, por lo que varían aleatoriamente entre países, ya que la desviación estándar  1 es significativamente diferente de cero. No obstante, la desviación estándar de  2 no es significativamente distinta de cero. Para testar si es adecuado incluir el efecto aleatorio 16 Pablo-Romero, M., Sánchez-Braza, A. (2015): “Productive energy use and economic growth: Energy, physical and human capital relationships”, Energy Economics, nº 49, p. 420-429. Pablo-Romero, M.., Sánchez-Braza, A., González-Limón, J.M. (2015): “Covenant of Mayors: Reasons for being an environmentally and energy friendly municipality”, Review of Policy Research, nº 32, p. 576–599 Persyn, D., Westerlund, J. (2008): “Error-correction-based cointegration tests for panel data”, Stata Journal, nº 8, p. 232-241. Pesaran, M.H. (2004): General Diagnostic Tests for Cross Section Dependence in Panels, Cambridge Working Papers WP0435, Faculty of Economics, University of Cambridge, Cambridge. Pesaran M.H. (2007): “A simple panel unit root test in the presence of cross section dependence”, Journal of Applied Econometrics, nº 22, p. 265-312. Piaggio, M., Padilla, E. (2012): “CO2 emissions and economic activity: Heterogeneity across countries and non-stationary series”, Energy Policy, nº 46, p. 370-381. Rabe-Hesketh, S., Skrondal, A. (2008): Multilevel and Longitudinal Modeling Using Stata, Stata press, College Station (TX). Stern, D. (2014): The Environmental Kuznets Curve: A Primer, CCEP Working Paper 1404, Centre for Climate Economic & Policy, Crawford School of Public Policy, The Australian National University, Canberra. Štreimikienė, D. (2014): “Residential energy consumption trends, main drivers and policies in Lithuania”, Renewable and Sustainable Energy Reviews, nº 35, p. 285-293. The World Bank (2016): Databank, Washington DC. http://www.worldbank.org/ [Last access 1 June 2016] UNFCCC (2015): Adoption of the Paris Agreement, United Nations Framework Convention on Climate Change, Bonn. https://unfccc.int/resource/docs/2015/cop21/eng/l09r01.pdf West B.T., Galecki, A.T. (2011): “An overview of current software procedures for fitting linear mixed models”, The American Statistician, nº 65, p. 274–282. Westerlund J. (2007): “Testing for error correction in panel data”, Oxford Bulletin of Economics and Statistics, nº 69, p. 709-748. Wiedenhofer, D., Lenzen, M., Steinberger, J.K. (2013): “Energy requirements of consumption: Urban form, climatic and socio-economic factors, rebounds and their policy implications”, Energy Policy, nº 63, 696-707. Wooldridge, J. (2002): Econometric Analysis of Cross Section and Panel Data, MIT Press, Massachusetts.