1. Elaboración de base de datos

A fin de realizar la prueba de la hipótesis de la curva ambiental de Kuznets sobre metano y óxido nitroso en países de América Latina y el Caribe, se ordenó una base de datos con información del ^{Banco Mundial (2022)}, la cual se recabó para 26 países de la región de 1990 a 2019. Los países se seleccionaron con base en la información existente. Los datos recabados de ^{Banco Mundial (2022)} para obtener las variables fueron:

Los países que tuvieron información disponible para 1990 a 2019 fueron 26: Argentina, Bahamas, Belice, Bolivia, Brasil, Barbados, Chile, Colombia, Costa Rica, Dominica, República Dominicana, Ecuador, Guatemala, Guyana, Honduras, Jamaica, Santa Lucía, México, Nicaragua, Panamá, Perú, Paraguay, El Salvador, Surinam, Trinidad y Tobago, y Uruguay.

Para el análisis econométrico y pruebas estadísticas, todas las variables se emplearon en términos per cápita. Posteriormente se transformaron con logaritmos naturales, a excepción de la variable SIED debido a que tuvo valores negativos.

2. Modelo básico

A fin de probar la posible existencia de CAK para metano y óxido nitroso se recurrió al modelo básico descrito para datos de panel (^{Neagu, 2019}; ^{Djoumessi Djoukouo, 2021}; ^{Sosa y Navarro, 2020}), que consiste en la siguiente forma funcional lineal cuadrática, con base en la variable independiente PIB per cápita:

Para este trabajo, tal forma funcional básica con variables per cápita consideró las emisiones de cada gas respectivamente como contaminantes. Con base en la ecuación (2), las hipótesis a considerar estadísticamente son (^{Hipólito y Cardoso, 2022}):

Por lo anterior, el punto de inflexión de la curva, con base en el uso de logaritmos, se determina con la razón: exp(-β₁/2β₂).

A la forma funcional básica se pueden añadir variables control, que pueden depender del contaminante de interés y de otras hipótesis a probar dentro de la teoría de CAK. Debido a que en este trabajo es de interés considerar la hipótesis del paraíso contaminante, en los modelos de emisiones de cada gas se probó como variable control: la variable SIED per cápita. Además, se emplea la variable de superficie de tierra agrícola per cápita. Sólo para el modelo de óxido nitroso, se incorporaron como variable independiente a las emisiones de metano per cápita, ya que estudios anteriores han verificado su significancia en modelos de CAK para óxido nitroso (^{Gómez, Cerquera y Acero, 2021}). Incluir uno de los contaminantes como variable independiente, de acuerdo con ^{Gómez et al. (2021)}, indicaría que cambios en la estructura agrícola productiva relacionada con las emisiones de dicho contaminante incidirían en las emisiones del otro contaminante.

3. Dependencia transversal

A fin de seleccionar el tipo de pruebas de raíz unitaria, se contrastó primero la hipótesis de dependencia cruzada en los paneles con el estadístico CD de Pesaran con la hipótesis nula (H0) de existencia de dependencia transversal débil (^{Pesaran, 2014}).

4. Heterogeneidad

En las funciones de cada gas se probó la existencia de heterogeneidad con la H0 de homogeneidad de pendientes en paneles (^{Sánchez y Caballero, 2019}). Para ello se aplicó una prueba estándar (Δ) de heterogeneidad de pendientes, la cual es robusta ante correlación cruzada (^{Bersvendsen y Ditzen, 2021}; ^{Pesaran y Yamagata, 2008}).

5. Pruebas de raíces unitarias

Con la existencia de dependencia trasversal en la mayoría de las variables se aplicaron la prueba de primera generación IPS (^{Im, Pesaran y Shin, 2003}) y la prueba de segunda generación CIPS robusta a dependencia transversal, que considera heterogeneidad en parámetros (^{Pesaran, 2007}; ^{Ben, Rault y Belaid, 2023}).

La IPS supone independencia transversal que permite un coeficiente heterogéneo; sin embargo, en variables que presentaron dependencia se aplicó mediante la resta de promedios de sección cruzada para intentar controlarla (^{Stata, 2022}). Empero, ^{Westerlund y Breitung (2013)} han señalado que de existir dependencia, la prueba IPS puede conducir a inferencia engañosa. Consecuentemente, para corroborar resultados se aplicó la CIPS. Por razones de espacio se omite el desarrollo matemático de ambas pruebas, éstas se pueden consultar en ^{Baltagi (2021)}. La aplicación de ambas p se hace mediante la hipótesis nula, con base en que todos los paneles tienen raíz unitaria frente a la hipótesis alternativa que establece que algunos paneles son estacionarios (^{Baltagi, 2021}).

6. Prueba de cointegración

Ante la presencia de variables integradas de primer orden I(1), se determinó si existe evidencia estadística de cointegración en las variables que constituirán los modelos de emisiones de cada gas con una H0 de no cointegración, respectivamente. Esto es, de existir cointegración puede asumirse una relación de equilibro de largo plazo, que es una combinación lineal de las variables que es estacionaria (^{Barreto Nieto y Campo Robledo, 2012}). Para ello, se aplicó la prueba de Westerlund de segunda generación para paneles heterogéneos (robusta ante dependencia transversal) (^{Persyn y Westerlund, 2008}).

La prueba de Westerlund se basa en un modelo de corrección de errores. El desarrollo completo de la prueba de Westerlund junto con el modelo de corrección de errores puede consultarse en ^{Westerlund (2007)}.

La prueba de Westerlund estima cuatro estadísticos:

7. Estimación de modelos

Al establecerse existencia de cointegración en el conjunto de variables seleccionado, se estableció la siguiente función de emisiones para metano:

Mientras que la forma funcional para emisiones de óxido nitroso que mostró estadísticamente cointegración fue:

Mediante las dos especificaciones, las variables para cada país i en el tiempo t se definen en los términos y las unidades de medición explicadas anteriormente.

A fin de estimar los coeficientes de largo plazo y probar estadísticamente las hipótesis de CAK y del paraíso o halo contaminante, se estimaron las ecuaciones (3) y (4) mediante FMOLS, CCE y AMG.

8. Estimadores FMOLS

Los estimadores de FMOLS se caracterizan por estar libres de correlación serial y endogeneidad (^{Ahmad et al., 2017}; ^{Djoumessi Djoukouo, 2021}; ^{Sosa y Navarro, 2020}). Igualmente, esta técnica permite flexibilidad ante la presencia de heterogeneidad en los vectores cointegrados considerados (^{Pedroni, 2001b}; ^{Dritsaki y Dritsaki, 2014}).

El estimador de panel FMOLS (estimador grouped) para datos de panel en tiempo t se obtiene como un promedio de la sección transversal a partir de las estimaciones FMOLS individuales (^{Pedroni, 2001b}) y estaría dado por:

donde Y_it es variable dependiente; c_i representa los efectos fijos específicos constantes de cada país i; X_it es el conjunto de variables independientes (por país y año); β_i corresponde a los coeficientes de cointegración de largo plazo. Además g_i t representa tendencias potencialmente heterogéneas y específicas por país (^{Pedroni, 2007}; ^{Neagu, 2019}). Aunque es opcional estimar la función con tendencia, se recomienda hacerlo, ya que la tendencia captura efectos inobservables que varían con el tiempo (^{Pedroni, 2007}).

Por lo anterior, el parámetro β de FMOLS (estimador G “grouped” de FMOLS) (^{Pedroni, 2001b}) para el modelo de datos de panel sería:

El desarrollo completo del método está en ^{Pedroni (2001a} y ^2001b). No debe perderse de vista que la aplicación de FMOLS supone independencia transversal. En consecuencia, ^{Pedroni (2001a)} recomienda el centrado de cada variable respecto al tiempo; sin embargo, se hace la observación de que dicho procedimiento sólo se justifica si las pendientes son homogéneas, lo cual lo hace restrictivo (^{Burdisso y Sangiácomo, 2016}), por lo que en este trabajo no se recurre a tal procedimiento y se aplica FMOLS en la versión grouped original de ^{Pedroni (2001b)}.

Además la versión grouped destaca por sus propiedades en muestras pequeñas de panel (^{Salahuddin, Gow y Ozturk, 2015}). Se ha demostrado que en esta versión la distorsión de tamaño de las pruebas estadísticas sobre los parámetros es muy pequeña aun en paneles pequeños -por ejemplo en N (países o grupos) = 20 y T (tiempo) = 30- (^{Pedroni, 2001}a; ^{Maeso Fernández, Osbat y Schnatz, 2004}). Sin embargo, por esta misma razón, las estimaciones individuales por panel o país deben ser consideradas con precaución, como se explica en la siguiente subsección. En consecuencia, en 2022 FMOLS es el método más aplicado en estudios de CAK que emplea panel (15% del total, incluyendo series de tiempo) (^{Naveed, Ahmad, FathollahZadeh Aghdam y Menegaki, 2022}).

9. Estimadores CCE y AMG

Los CCE y AMG son métodos alternativos que permiten considerar pendientes heterogéneas, correlación cruzada y endogeneidad (^{Eberhardt, 2012}; ^{Pesaran, 2015}; ^{Burdisso y Sangiácomo, 2016}; ^{Kar, 2022}; ^{Ben et al., 2023}). Los estimadores de CCE y AMG son robustos a factores comunes que afecten al conjunto de unidades de panel, a autocorrelación, variables omitidas y a que las variables sean o no estacionarias y cointegradas (^{Tenaw y Hawitibo, 2021}; ^{Ben et al., 2023}). Ambos métodos se están empleado en investigaciones de CAK como una alternativa a FMOLS ante la posible presencia de dependencia de sección cruzada en las unidades de panel (^{Ben et al., 2023}). Igualmente, CCE es robusto ante shocks macroeconómicos globales (factores fuertes) y factores de nivel local (^{Tenaw y Hawitibo, 2021}).

A fin de entender ambos modelos se tiene que:

Donde Y_it es la variable dependiente y X_it , las variables independientes; β es el parámetro estimado. En la ecuación (9) de efectos inobservables, se tienen α_1i como efectos fijos por país, f _t como factor común inobservable variante en el tiempo y λ_i como factores de carga heterogéneos. Éstos capturan la heterogeneidad variante en el tiempo y la dependencia transversal (^{Eberhardt y Bond, 2009}; ^{Eberhardt, 2012}). En la ecuación (10) cada variable X_it es función del efecto fijo, del factor común variante y del factor de carga heterogéneo, mientras que g_t es la correlación cruzada y γ_i es su factor de carga, siendo e_it el ruido blanco. Para CCE, la ecuación considerará la dependencia transversal al añadir al lado derecho de la ecuación (8) los promedios de las variables dependiente e independientes. Mientras que en AMG la dependencia transversal se considera al incluir como regresor una variable denominada “proceso dinámico común” mediante pasos explicados a detalle por ^{Tenaw y Hawitbo (2021)}.

Por lo anterior, ambos métodos se emplean como una alternativa a FMOLS, empero CCE no es un método apropiado para tamaños de muestra pequeños a moderados, ya que requiere un tamaño de muestra grande en N (número de grupos) y T (tiempo) (^{Beyene, 2023}). La relación del tamaño de panel con la precisión de sus estimaciones también se ha discutido para AMG a medida que N tamaño de panel se incrementa (^{Eberhardt y Bond, 2009}).

En la práctica, la estimación de la ecuación (8) por país mediante CCE y AMG incluye un intercepto que captura los efectos fijos y se recomienda añadir una tendencia que capture los efectos inobservables variantes en el tiempo, como se mencionó anteriormente para FMOLS (^{Pedroni, 2007}; ^{Eberhardt y Bond, 2009}; ^{Eberhardt, 2012}).

En FMOLS, CCE y AMG, los procedimientos permiten estimar un promedio de los parámetros específicos para cada regresor a nivel grupal y los parámetros específicos por país (^{Pedroni, 2001a}; ^{Eberhardt, 2012}; ^{Ben et al., 2023}). Sin embargo, estos últimos deben ser considerados con precaución.

En consecuencia, aunque algunos autores reportan y analizan los parámetros específicos por país obtenidos por estos métodos (^{Neagu, 2019}), se tiene que considerar la recomendación de ^{Pedroni (2007)} en cuanto a la debilidad estadística de los parámetros individuales obtenidos por estos métodos. Según ^{Pedroni (2007)}, a medida que el patrón por país se repite en el conjunto de datos, la señal grupal de largo plazo se amplifica lo suficiente para ser observada y probada estadísticamente, como se obtiene a partir de los métodos aquí empleados. Por ello, el resultado grupal es el que tiene que ser empleado para analizar por país las hipótesis de CAK, como lo hacen Tenaw y Hawitibo (2022) y ^{Ben et al. (2023)}, quienes realizan el análisis por país con base en los parámetros estimados a nivel grupal, mas no los parámetros individuales, “por lo que se sigue dicho proceso en este trabajo”.

Ya estimados los modelos, se obtuvieron los residuales de cada uno y se les aplicó el estadístico cd de Pesaran (^{Eberhardt, 2012}). De rechazarse la hipótesis nula se considera que el modelo presenta probablemente parámetros sesgados e ineficientes debido a la existencia de dependencia transversal.

Con base en los resultados de los métodos FMOLS, CCE y AMG se determinó si los resultados señalan posible existencia de curva ambiental de Kuznets y sustento de la hipótesis del paraíso o halo contaminante. Además se analizó las implicaciones económico-ambientales de los resultados considerando las tasas de evolución de las variables macroeconómicas (metano, óxido nitroso y PIB) por país durante el periodo de estudio.

Las pruebas estadísticas se realizaron mediante Stata versión 17 (^{Stata, 2022}) y RATS versión 10 (^{RATS, 2022}).

1. Resultados de pruebas de Pesaran y heterogeneidad

En Cuadro 2 se observa que, a excepción de óxido nitroso, en el resto de las variables involucradas en la estimación de los modelos se rechaza la hipótesis nula de existencia de dependencia transversal débil con un nivel de significancia (en adelante NS) de 0.01.

En una hipótesis nula de coeficientes homogéneos para las variables del modelo de metano, la prueba de heterogeneidad de coeficientes con base en dependencia transversal obtuvo un Δ = 10.497 con un NS = 0.01. Para el modelo de óxido nitroso, la prueba de heterogeneidad considerando dependencia transversal estimó un Δ = 6.826 significativo al 0.01 de NS. En ambos casos se rechaza la hipótesis nula, y se sustenta la hipótesis de coeficientes heterogéneos.

2. Resultados de raíces unitarias y cointegración

Los resultados de IPS (Cuadro 3) establecen que la mayoría de las variables tiene raíz unitaria en el nivel (en las opciones constante y constante + tendencia), a excepción de la variable SIED, que es estacionaria en el nivel, sólo en la opción con constante (NS = 0.01) (SIED muestra evidencia de dependencia transversal fuerte). Los resultados de CIPS (Cuadro 3) muestran que en primeras diferencias, considerando constante y constante más tendencia, todas las variables son integradas de orden I(1) (NS = 0.01). Aunque en el nivel no se rechaza H0 en las variables, a excepción de óxido nitroso que es estacionaria en el nivel; sin embargo, esta variable no presenta evidencia de dependencia transversal fuerte. Por esta misma razón, la IPS se aplicó a óxido nitroso sin restar promedio de sección cruzada.

Por lo anterior, si se considera que las variables son integradas de orden I(1), los resultados de la prueba de cointegración de Westerlund para paneles heterogéneos (Cuadro 4), en la hipótesis nula de no cointegración de la función, muestran lo siguiente. Para el modelo de metano, se observa que los estadísticos PA y PT son estadísticamente significativos a 0.01 de significancia, respectivamente. Igualmente los estadísticos de grupo GA y GT son significativos a 0.01 y 0.05 de nivel de significancia, respectivamente.

Para el modelo de óxido nitroso, los estadísticos PA y PT son estadísticamente significativos a 0.01 de nivel de significancia, respectivamente.

Con estos resultados, se rechaza significativamente la hipótesis de no cointegración para cada conjunto de variables, y, por lo tanto, se refuta la posibilidad de una regresión espuria para los modelos considerando las variables que constituyen las ecuaciones (3) y (4), respectivamente.

Se hace la observación de que se consideró incluir las emisiones de óxido nitroso como variable independiente en la función de metano; sin embargo, los resultados de los cuatro estadísticos estimados no demostraron evidencia estadística de cointegración en el conjunto de variables y dificultó el empleo de la técnica bootstrap. Por ello, se excluyó la presencia de óxido nitroso como variable independiente en el modelo de metano.

En ambos modelos, se probó también como variable independiente el uso de fertilizantes (nitrogenados + fosfatados + abonos potásicos) en kg por hectárea cultivable (^{Banco Mundial, 2022}). Sin embargo, los resultados de los estadísticos tampoco demostraron evidencia de cointegración, lo cual dificultó la estimación e impidió la aplicación de la técnica bootstrap robusta ante dependencia transversal. Por ello, se tomó la decisión de no incluir la variable de fertilizante en esta investigación, y se deja su empleo para futuros estudios.

3. Modelos estimados de metano

El modelo estimado por FMOLS (Cuadro 5) para emisiones de metano rindió parámetros de PIB y PIB ² significativos (NS = 0.01) y con los signos adecuados para sustentar una probable CAK en el conjunto de países, con un punto de inflexión igual a 7 200.2 dólares per cápita. Este último puede ser una señal de CAK a nivel de país, si se consideran los valores de PIB per cápita nacional a 2019, como se analizará posteriormente. Por otra parte, la elasticidad de las emisiones per cápita de CH₄ respecto al PIB per cápita es de 43.59, lo cual indica que si el PIB aumenta en 1% en promedio, las emisiones se incrementarán en 43.59 por ciento.

Sobre la aplicación de la prueba CD en los residuales del modelo estimado por FMOLS, no se rechaza la hipótesis nula de dependencia transversal débil (^{Eberhardt, 2012}; ^{Pesaran, 2015}; ^{Kar, 2022}). Además, los resultados de FMOLS sustentan la hipótesis del paraíso contaminante para el conjunto de países estudiado, siendo significativo (NS = 0.05) y con un signo positivo el parámetro del SIED. Finalmente los resultados de FMOLS indican una relación positiva en la que incrementos de la superficie agrícola (la variable SA) aumentan las emisiones del gas en el conjunto de países estudiados.

Pasamos a los resultados de los otros dos métodos, las estimaciones por CCE (Cuadro 5) no muestran evidencia significativa de sustentar la hipótesis de una probable curva ambiental de Kuznets para emisiones de metano en el conjunto de países estudiados. Además, la prueba CD no rechaza la hipótesis nula de dependencia transversal débil. Sin embargo, los resultados por CCE refutan la hipótesis del paraíso contaminante, ya que incrementos en el stock de inversión extranjera per cápita provocan una disminución en las emisiones de metano (NS = 0.1), como lo establece la hipótesis del halo contaminante (^{Chang et al., 2022}). Este resultado es opuesto a lo obtenido por FMOLS. Para el parámetro de SA, al igual que en FMOLS, los resultados de CCE determinan que existe evidencia estadística significativa (NS = 0.05) para señalar que incrementos en la superficie agrícola aumentan las emisiones de metano agrícola en los países estudiados.

En los resultados por AMG (Cuadro 5) ningún parámetro es estadísticamente significativo, por lo que no hay evidencia relevante de posible CAK en la relación emisiones-PIB; tampoco se observa relación estadística significativa de variables SIED y SA con emisiones de metano. Los resultados del estadístico cd tampoco rechazan la hipótesis nula de dependencia transversal débil.

En relación con los coeficientes de correlación promedio (ρ) estimados por CCE y AMG (0.008 y 0.004, respectivamente), dichos valores son menores al coeficiente promedio obtenido por FMOLS (0.016).

Por lo anterior, puede señalarse que los resultados obtenidos indican que los tres modelos presentan estimaciones robustas a la dependencia transversal. Sin embargo, los resultados obtenidos por CCE y AMG (columnas central y derecha del Cuadro 5) discrepan de los resultados de FMOLS y también entre ambos. Tal discordancia entre los resultados de CCE y AMG ha sido descrita y reportada para diversas investigaciones de CAK y contaminantes (Tenaw y Hawitibo, 2022; ^{Ben et al. 2023}).

Aunque hay discrepancia entre los resultados por FMOLS y las estimaciones por CCE y AMG, es necesario considerar que las estimaciones por FMOLS han mostrado evidencia de robustez para muestras pequeñas (^{Salahuddin et al., 2015}). Además de que los resultados grupales obtenidos por CCE y AMG muestran discrepancias entre ellos cuando se aplican a una misma base de datos, esto posiblemente se relaciona con tamaños de muestra inadecuados (^{Sencer Atasoy, 2017}; ^{Ben et al., 2023}). Hecha esta advertencia y con base en los resultados por FMOLS, se sustentan la posibilidad de una CAK y un probable paraíso contaminante en las emisiones de metano.

4. Modelos estimados de óxido nitroso

La estimación y el signo de los parámetros de PIB (-) y PIB² (+) obtenidos por FMOLS (Cuadro 6) para óxido nitroso son significativos (NS = 0.01) y no sustentan la hipótesis de CAK en forma de U inversa. En cambio, sostienen la hipótesis IV del marco teórico que establece la probable existencia de una curva en U. En ella, aunque pudiesen existir naciones en una etapa en la que incrementos en el PIB (con signo negativo) se relacionen con decrementos en las emisiones del gas, el signo positivo del PIB² indica que hay un punto de inflexión a partir del cual mayores incrementos del PIB provocan un incremento en las emisiones del contaminante. Este tipo de curva en U se ha encontrado también en estudios de bióxido de carbono en la Unión Europea (^{Bölük y Mert, 2014}). El punto de inflexión de la curva en U se haya en 5 211.4 dólares per cápita, con una elasticidad de las emisiones per cápita del gas respecto al PIB per cápita de -19.1.

Además los resultados de FMOLS sustentan una relación inversa significativa con SA (NS = 0.1) y con las emisiones de metano (NS = 0.01). Para FMOLS, los resultados del estadístico cd de Pesaran aplicado a sus residuales no rechazan la hipótesis nula de dependencia transversal débil y muestran un ρ = -0.002.

Respecto a los resultados estimados por CCE y AMG (Cuadro 6), nuevamente vuelven a discrepar entre ambos métodos. Para CCE, sólo la variable independiente metano es significativa (NS = 0.01) y con un signo contrario al resultado de FMOLS.

En cuanto a los resultados por AMG de los parámetros de PIB y PIB², éstos también apoyan (NS = 0.1) la probable existencia de una curva en U con un punto de inflexión en 13 805.7 dólares per cápita. Sin embargo, tanto para CCE y AMG los resultados del estadístico CD de Pesaran aplicado a sus respectivos residuales rechazan la hipótesis de dependencia transversal débil (NS = 0.05), por lo que se prefieren los resultados de FMOLS frente a CCE y AMG, debido a la probable existencia de correlación cruzada fuerte en los residuales de estos dos últimos modelos.

Si se regresa a los resultados de FMOLS para óxido nitroso (Cuadro 6.), éstos sustentan la probabilidad de que incrementos en las emisiones del metano y de superficie agrícola se relacionan con decrementos en las emisiones de óxido nitroso (con un NS = 0.01 y un NS = 0.1, respectivamente). Ello pudiera relacionarse con los resultados obtenidos por FMOLS y CCE para el modelo de metano, donde se observa una relación positiva entre metano y superficie agrícola.

1. Análisis para metano

Para este gas, como se mencionó anteriormente, el método de FMOLS señala la probable existencia de una curva ambiental de Kuznets o CAK y de un paraíso contaminante. Si se considera sólo el punto de inflexión estimado a nivel grupal por FMOLS (7 200.2 dólares per cápita) (Cuadro 5) y se compara con los PIB per cápita hasta 2019 por país (Cuadro 7), se encuentra que 14 países han superado el punto de inflexión y posiblemente estén en la parte descendente de una CAK (curva U inversa). Éstos son Argentina, Bahamas, Barbados, Brasil, Chile, Costa Rica, Dominica, México, Panamá, República Dominicana, Santa Lucía, Surinam, Trinidad y Tobago, y Uruguay. La existencia de CAK para Argentina coincide con el estudio de ^{Sánchez et al. (2018)} de 1970 a 2012. Mientras que en la parte inicial ascendente de la curva se encuentran Bolivia, El Salvador, Guatemala, Nicaragua y Honduras.

El análisis de resultados por país puede enriquecerse al considerar la variación en las emisiones de metano y PIB de 1990 a 2019, como se observa en el Cuadro 7. Se muestra que en 1990-2019 los cinco países con mayor tasa de variación positiva en las emisiones son Guyana, Dominica, Bolivia, Guatemala y Nicaragua. Mientras que Jamaica, Barbados, Costa Rica, Ecuador y Chile tienen las mayores tasas de variación negativa del conjunto estudiado. Se observa que Guyana tiene la mayor tasa de crecimiento de metano para el periodo, con un incremento de 139% respecto a 1990, siendo el tercer país con mayor tasa de variación positiva (166.1%) en cuanto al crecimiento del PIB. También se encuentra que Uruguay presenta una variación positiva de 1.6% de emisiones del gas entre 1990 y 2019. De acuerdo con los resultados por FMOLS, en Uruguay probablemente exista presencia de curva ambiental de Kuznets, aunque sus emisiones per cápita son las más altas de los países estudiados hasta 2019. Mientras que su PIB es el tercero más alto en 2019 con una variación de 110.7% en el periodo (Cuadro 7).

2. Análisis para óxido nitroso

Con los resultados de FMOLS (Cuadro 6), que sustentan una probable curva en U para emisiones de este gas y los valores de PIB por país a 2019 (Cuadro 7), pueden señalarse algunos aspectos. Guatemala, El Salvador, Bolivia, Honduras y Nicaragua se encuentran en la parte descendente de la curva en U al tener valores de PIB per cápita menores al punto de inflexión de 5 211.4 dólares per cápita. Los mismos cinco países que están en la base ascendente de la CAK de metano. Los 21 países restantes se hallan en la parte ascendente de la curva en U. De los 10 principales emisores de óxido nitroso (Cuadro 7), Bolivia y Nicaragua son, respectivamente, el sexto y el octavo lugares en emisiones per cápita a 2019. Uruguay es el principal emisor de óxido nitroso per cápita (con el tercer mayor PIB del conjunto) y Bahamas el menor emisor (con el mayor PIB per capita de todos los países estudiados).

Estos resultados evidencian que en la base ascendente de la curva inversa del metano y en la parte descendente de la curva en U del óxido nitroso se encuentran economías nacionales donde el sector primario es un componente económico importante, como se describe en la siguiente subsección.

3. Implicaciones de política económica

Es necesario destacar que el análisis de la hipótesis de la CAK en naciones emergentes, como las que comprendió esta investigación, debe considerar algunos matices que van más allá del enfoque aplicado en economías desarrolladas (^{Zilio, 2012}; ^{Zilio y Caraballo, 2014}; ^{Freire, Meneses y Cuesta, 2021}). Como parte del análisis tradicional de la CAK se considera que el vínculo entre las emisiones de gases de efecto invernadero e ingreso es directo. Sin embargo, el crecimiento económico no es sustituto perfecto de la política económica (^{Zilio, 2012}, ^{Freire et al., 2021}; ^{Wang, Yang y Li, 2023}). En consecuencia, en los países en desarrollo es necesario que el análisis y el contraste de la CAK consideren que existen variables que pueden impedir, demorar o hacer transitoria la existencia de una CAK en las economías nacionales (^{Zilio, 2012}; ^{Catalán, 2014}; ^{Freire et al., 2021}). Ejemplo de ello serían (^{Zilio, 2012}):

Asimismo, se tiene que considerar una probable hipótesis de trampa de pobreza, bajo la cual naciones emergentes pudieran verse atrapadas en un equilibrio económico de bajos ingresos (^{Zilio, 2012}). Sin embargo, salir de esa trampa tampoco garantiza que las economías nacionales puedan dirigirse a una CAK, ya que podrían verse limitadas por marcos legales débiles e instituciones que no promuevan acuerdos en favor de la calidad ambiental, la tecnología innovadora y el alto capital humano, lo que demora o hace transitoria una CAK (Zilio, 212; ^{Catalán, 2014}).

Este trabajo se inscribe en tal enfoque mediante el resultado que el stock de la inversión extranjera directa puede estar provocando en el sector agropecuario del conjunto de países estudiados: la aparición de un paraíso contaminante en la región para las emisiones de metano.

En consecuencia, pareciera que la inversión extranjera en el sector no está contribuyendo a desarrollar políticas sectoriales tecnológicas que sean innovadoras. Esto es, políticas que promuevan tecnologías agroecológicas, ecopastoriles, silvopastoriles u otras (incluyendo aquellas relacionadas con prácticas de cultivo de arroz y manejo de ganado rumiante) que puedan permitir la reducción sostenida de las emisiones de metano (^{López Bellido, 2015}). Este aspecto cobra importancia si se considera que, en países como Nicaragua, Honduras y Bolivia, el sector primario es parte importante de sus economías y estructuras productivas (^{Minzer y Orozco, 2019}; ^{Alcaraz et al., 2020}). En el Cuadro 7 se observa que los tres países tienen el menor PIB per cápita de los países estudiados hasta 2019. Como se señaló anteriormente, estas naciones están en la base ascendente de la CAK de metano y en la descendente de la curva en U de óxido nitroso.

Consecuentemente, es de interés que en estos países, junto con Bolivia, El Salvador y aquellas otras naciones con características económicas similares, sea primordial la introducción de tecnologías innovadoras acordes con su sector agropecuario dirigidas al secuestro y la reducción de emisiones del metano y óxido nitroso, respectivamente (^{Taboada, Cosentino y Constantini, 2018}; ^{IPCC, 2022}).

Además, se sugiere fortalecer e incorporar en su marco institucional normas legales, reglas y acuerdos participativos incluyentes que promuevan el desarrollo y aplicación de las tecnologías ya mencionadas, de acuerdo con las características de cada región (^{Zilio, 2012}).

Un punto a considerar es que ^{Freire et al. (2021)} también encontró un paraíso contaminante para emisiones de bióxido de carbono en 15 países latinoamericanos (excluye el Caribe) para 1980-2015, con base en la IED como variable control, aunado a, de manera novedosa, al coeficiente de Gini, no incluido en esta investigación.

Particularmente, es necesario que futuras investigaciones de curva ambiental de Kuznets incorporen variables de desigualdad del ingreso en el tiempo y contrastar en la región la hipótesis de una trampa de pobreza para las naciones que están en la parte ascendente o bien analizar si existe una curva en forma de N para el metano con un segundo punto de inflexión que indique que los beneficios ambientales del crecimiento sólo son transitorios, y provocan nuevamente aumento en las emisiones de dicho gas (^{Dinda, 2004}; ^{Catalán, 2014}).

Igualmente, los resultados grupales de FMOLS (al igual que los de CCE) (Cuadro 5) señalan que incrementos en la superficie agrícola per cápita favorecen aumentos en las emisiones de metano en el conjunto de países. Consecuentemente, es necesario traer a la discusión, la eficiencia en el uso de la superficie agrícola con fines productivos junto con prácticas agroecológicas o ecopastoriles sustentables, u otras tecnologías innovadoras, ya que probablemente son factores determinantes para disminuir las emisiones agrícolas de metano y de otros GEI (^{IPCC, 2022: 112}). Esto remite al efecto de la inversión extranjera en forma de paraíso contaminante en la región. Ante ello, no puede esperarse que el crecimiento en el ingreso por sí mismo pueda sostener la CAK en el tiempo. Este punto se relaciona con los resultados del modelo de emisión de óxido nitroso.

Como se analizó anteriormente, los resultados de FMOLS para óxido nitroso sustentan una curva en U y también señalan, significativamente, que incrementos en la superficie agrícola y en las emisiones de metano se relacionan con decrementos en las emisiones de óxido nitroso. Por ello, existe una relación entre las emisiones agrícolas de ambos gases y de éstas con la superficie agrícola. Sin embargo, para óxido nitroso el uso de SA tendría que analizarse también con base en el uso de fertilizantes (particularmente nitrogenados), ya que un uso eficiente de superficie agrícola estaría relacionado con el uso eficiente de los fertilizantes. Al respecto, ^{López Bellido (2015)} señala que la suma de emisiones de óxido nitroso está principalmente relacionada con la cantidad de nitrógeno aplicada al cultivo e influida por condiciones ambientales.

Con base en la evidencia empírica y los resultados de esta investigación, incrementar la superficie agrícola estaría relacionado positivamente con aumentos en las emisiones de metano. Por otro lado, los incrementos de óxido nitroso podrían ser determinados particularmente por ascensos en el uso no eficiente de fertilizantes nitrogenados (^{López Bellido 2015}). Sin embargo, esta investigación no puede dar mayor respuesta sobre el factor fertilizante, ya que no fue incluida como variable de control en los modelos.

Por lo mismo, la eficiencia en el uso de la superficie agrícola pudiera ser un factor importante en el diseño de una política económica, ambiental y conjunta en el sector agropecuario para mitigación de ambos gases: una que evite la mitigación de un gas a costa de incrementar la emisión de otro. Esto dirige nuevamente a la relación de la inversión extranjera con la innovación tecnológica sectorial productiva. La relación entre metano, nitrógeno y superficie agrícola hace necesarias políticas nacionales sectoriales en la región, que incentiven y aseguren una eficiencia productiva en el uso de la superficie agrícola, lo que implicaría introducir prácticas innovadoras en el manejo de la superficie sin que mengüe la producción y cuyas medidas de mitigación sean costo-eficientes (^{IPCC, 2022}; ^{López Bellido, 2015}).

Asimismo, hay que considerar que los incrementos en la superficie agrícola se dan a expensas de cambios de uso de suelo como la deforestación, debido a la ausencia de mecanismos de control, muchos de ellos institucionales. La deforestación se relaciona directamente con emisiones de bióxido de carbono a la atmósfera. Esto facilita que grandes extensiones de suelo forestal se transformen en tierras de pastoreo y de cultivo, las cuales están directamente relacionadas con emisiones agrícolas de metano y óxido nitroso (^{Zilio y Caraballo, 2014}; ^{Taboada et al., 2018}). Así, el uso de suelo junto con la gestión y el manejo de la superficie agrícola son elementos clave en la mitigación de los GEI. Según ^{CAF (2023)}, América Latina y el Caribe exhibe la mayor proporción de emisiones históricas de GEI, derivadas del uso del suelo.

Debe considerarse que posiblemente los países estudiados con menores ingresos podrían estar enfrentando una trampa de pobreza relacionada con las emisiones de óxido nitroso y metano. Son países donde hay desigualdad en los ingresos, marcos legales laxos y una inversión extranjera que no se traduce en innovaciones tecnológicas en el uso de los insumos agrícolas y prácticas de mitigación eficientes en el costo, acordes con sus particularidades, y que posiblemente estén impidiendo la existencia de una CAK para óxido nitroso en el conjunto de países estudiados.

Investigaciones futuras podrían añadir un nuevo enfoque, para permitir que los trabajos sobre CAK en naciones emergentes pasen a una segunda generación de investigaciones, que incorporen en los modelos, variables relacionadas con desigualdad económica (coeficiente de Gini), paraísos contaminantes (comercio e inversión extranjera directa), instituciones (número de leyes y delitos ambientales, participación de los agentes económicos en la toma de decisiones sectorial) y uso de otros insumos en la relación de emisiones agrícolas de metano y óxido nitroso (^{Zilio, 2012}; ^{Olivares y Hernández, 2021}).