maria inÊs emissões de co2 com base no consumo versus sÁ
TRANSCRIPT
Universidade de Aveiro
2021
MARIA INÊS SÁ CUNHA
Emissões de CO2 com base no consumo versus emissões baseadas na produção: drivers da fuga de carbono entre países Consumption-based versus production-based CO2 emissions: drivers of carbon leakage between countries
Universidade de Aveiro
2021
MARIA INÊS SÁ CUNHA
Emissões de CO2 com base no consumo versus emissões baseadas na produção: drivers da fuga de carbono entre países
Dissertação apresentada à Universidade de Aveiro para cumprimento dos requisitos necessários à obtenção do grau de Mestre em Economia realizada sob a orientação científica da Doutora Margarita Matias Robaina, Professora auxiliar do Departamento de Economia, Gestão e Engenharia Industrial da Universidade de Aveiro.
Dedico este trabalho aos meus pais, irmã e ao meu avô que sempre me apoiaram.
o júri Doutora Sara Margarida Moreno Pires Professora Auxiliar em Regime Laboral, Departamento de Ciências Sociais, Políticas e do Território, Universidade de Aveiro
presidente Prof. Doutora Mara Madaleno professora Auxiliar do Departamento de Economia, Gestão, Engenharia Industrial e Turismo, da Universidade de Aveiro
Prof. Doutora Margarita Matias Robaina professora Auxiliar do Departamento de Economia, Gestão, Engenharia Industrial e Turismo, da Universidade de Aveiro
agradecimentos
Em primeiro lugar, quero agradecer à minha orientadora, Margarita Robaina, pelo aconselhamento, pela orientação e pela disponibilidade demonstrada ao longo de todas as fases deste trabalho. Aos meus amigos, que sem dúvida que foram um grande apoio, nesta fase da minha vida. E em último lugar, mas sem dúvida o mais importante, tenho que agradecer aos meus pais pelo apoio presente, a confiança e as oportunidades de educação que sempre me proporcionaram.
palavras-chave
Contabilidade baseada no consumo; Contabilidade baseada na produção; Emissões de CO2; Rendimento per capita; Alterações Climáticas; Fuga de carbono.
resumo
A problemática da responsabilidade das emissões CO2 coloca-se não só entre países (produtores e consumidores) mas também entre regiões urbanas. Embora um número crescente de países tenha adotado metas para suas emissões baseadas na produção (ou territoriais), muito poucos começaram a analisar ou abordar as suas emissões baseadas no consumo através de estudos empíricos. Isto representa um desafio para a formulação de políticas, caso as emissões de consumo aumentem, enquanto as emissões de produção diminuem, e, consequentemente, se as emissões estão efetivamente a migrar para áreas sem metas ou capacidades de redução de carbono através do carbon leakage. De forma a observar essas questões, neste estudo recorreu-se à comparação de contas de emissões de produção e consumo disponíveis para 101 países, para verificar se há evidências empíricas que justifiquem uma mudança ao nível da contabilização das emissões de CO2- Foi utilizada a proporção entre as emissões baseadas no consumo (CBA) e as emissões baseadas na produção (PBA), para o período compreendido entre 1990 e 2017. O estudo foi realizado a nível global (amostra completa) e por grupos de países consoante o rendimento per capita. As evidências empíricas mostraram que, globalmente, um aumento do PIB per capita, da balança comercial, da intensidade energética, da participação do setor dos serviços e indústria, e da percentagem de urbanização, aumentam mais as emissões com base na produção do que no consumo. Por outro lado, um aumento das importações de bens e serviços em detrito das exportações, da participação do setor da indústria e um aumento da eficiência energética, vão aumentar mais as emissões com base no consumo do que as emissões com base na produção. No entanto, é que nos centros urbanos, dos países desenvolvidos, que há um maior consumo, relativamente à produção, logo significa que também há uma maior importação de carbono, caso contrário as emissões com base na produção seriam maiores. Logo, nestas regiões existem evidências de carbon leakage.
keywords
Consumption-based accounting; Production-based accounting; CO2 emissions; Income per capita; Climate change; carbon leakage
abstract
The problem of responsibility for CO2 emissions arises not only between countries (producers and consumers) but also between urban regions. While an increasing number of countries have adopted targets for their production-based (or territorial) emissions, very few have started to analyse or address their consumption-based emissions through empirical studies. This poses a challenge for policymaking if consumption emissions increase while production emissions decrease, and, consequently, if emissions are effectively migrating to areas without carbon reduction targets or capabilities through carbon leakage. In order to look at these questions, it is possible to use the comparison of production and consumption emission accounts available for 101 countries and check whether there is empirical evidence for an urgent change at the level of CO2 emissions accounting -through the proportion between consumption-based emissions (CBA) and production-based emissions (PBA) variables-, for the period between 1990 and 2017. Empirical evidence showed that, globally, an increase in GDP per capita, trade balance, energy intensity, service sector share and an increase in the share of urbanisation will increase production-based emissions more than consumption-based emissions. Conversely, an increase in imports of goods and services at the expense of exports and an increase in energy efficiency will increase consumption-based emissions more than production-based emissions. However, it is in urban centres, in developed countries, that there is a higher consumption, relatively to production, so it means that there is also a higher carbon import, otherwise production-based emissions would be higher. Therefore, in these regions there is evidence of carbon leakage.
i
Índice
Índice ................................................................................................ i Índice Figuras .................................................................................. iii Índice tabelas .................................................................................. v
Lista Acrónimos .............................................................................. vii 1. Introdução ................................................................................... 1
2. Revisão da Literatura .................................................................. 5
2.1. A problemática associada à Contabilidade Atual das Emissões de CO2 ............................................................................ 5
2.2. A importância de uma diferente abordagem para contabilidade de emissões de CO2 .................................................. 6
2.3. Metodologias Adotadas para o estudo de emissões Globais com base no Consumo versus Produção- Evidências de Carbon leakage ............................................................................................ 7
2.3.1. Análise de escalas Globais e Nacionais ............................ 7
2.3.2. Abordagem focada nos países desenvolvidos vs. em desenvolvimento ........................................................................... 10
2.3.3. Análise focada nas Áreas Urbanas .................................. 13
2.4. Quem fica com a responsabilidade?................................... 15
3. Dados e variáveis .................................................................. 19
3.1. Análise Descritiva e Matriz de Correlações ........................ 25
Matriz de Correlações: .................................................................. 29
4. Metodologia .......................................................................... 31
4.1. Modelos .............................................................................. 31
4.2. Raízes Unitárias ................................................................. 33
4.3. Cointegração ...................................................................... 35
4.4. Especificação do Modelo .................................................... 36
4.4.1. Modelos Pooled ............................................................... 36
4.4.2. Modelos com Efeitos Fixos .............................................. 36
4.4.3. Modelos com Efeitos Aleatórios ....................................... 37
4.5. Testes de diagnósticos do painel ....................................... 37
4.5.1. Teste F inclusão dos Efeitos Fixos: Pooled dos mínimos quadrados versus Efeitos Fixos ..................................................... 37
4.5.2. Teste Breuch- Pagan: Efeitos Aleatórios versus Pooled dos mínimos quadrados ....................................................................... 38
4.5.3. Teste de Hausman: Efeitos Fixos versus Efeitos Aleatórios 38
5. Resultados Empíricos ........................................................... 40
5.1. Resultados dos testes preliminares .................................... 40
5.1.1. Resultados dos Testes de Raízes Unitárias .................... 40
5.1.2. Resultados dos Testes de Cointegração ......................... 40
ii
5.1.3. Resultados da Especificação do Modelo ......................... 41
5.2. Resultados da estimação dos modelos .............................. 42
6. Conclusões ........................................................................... 49
Referências ................................................................................... 54
Anexos .......................................................................................... 60
iii
Índice Figuras
Figura 1. Proporção entre as emissões de CBA e PBA dos principais países emissores de CO2 ............................................................................................ 22 Figura 2. Principais emissores de CO2 per capita com base na produção (PBA) ......................................................................................................................... 23 Figura 3. Proporção média do rácio CBA/PBA e sua relação com o PIB per capita ................................................................................................................ 24
iv
v
Índice tabelas
Tabela 1. Descrição das Variáveis ................................................................... 20
Tabela 2. Quadro de Hipóteses levantadas na Literatura ............................... 21 Tabela 3. Resultados das Estatísticas Descritivas dos Dados Originais ......... 27 Tabela 4. Resultados das Estatísticas Descritivas dos Dados em Logaritmo .. 28 Tabela 5. Resultados dos Efeitos Fixos versus Aleatórios .............................. 41 Tabela 6. Estimação dos modelos ................................................................... 43
Tabela 7. Lista dos países da amostra ............................................................ 60 Tabela 8. Resultados da Matriz das Correlações GLOBAL ............................. 61 Tabela 9. Resultados da Matriz das Correlações LI ....................................... 61
Tabela 10. Resultados da Matriz das Correlações LMI ................................... 62 Tabela 11. Resultados da Matriz das Correlações UMI .................................. 62 Tabela 12. Resultados da Matriz das Correlações HI ...................................... 63 Tabela 13. Resultados do teste de raiz unitária de todos os países (Global) .. 64 Tabela 14. Resultados do teste de raiz unitária dos países de baixo rendimento per capita.......................................................................................................... 65 Tabela 15. Resultados do teste de raiz unitária dos países de baixo-médio rendimento per capita ....................................................................................... 66
Tabela 16. Resultados do teste de raiz unitária dos países de médio-alto rendimento per capita ....................................................................................... 67 Tabela 17. Resultados do teste de raiz unitária dos países de alto rendimento per capita.......................................................................................................... 68
Tabela 18. Resultados do Teste de Cointegração do Modelo 1 (Global) ......... 69 Tabela 19. Resultados do Teste de Cointegração do Modelo 2 (Global) ......... 69 Tabela 20. Resultados do Teste de Cointegração do Modelo 3 (Global) ......... 69
Tabela 21.Resultados do Teste de Cointegração do Modelo 1 (LI) ................. 70 Tabela 22. Resultados do Teste de Cointegração do Modelo 2 (LI) ................ 70
Tabela 23. Resultados do Teste de Cointegração do Modelo 3 (LI) ................ 70 Tabela 24. Resultados do Teste de Cointegração do Modelo 1 (LMI) ............. 71 Tabela 25. Resultados do Teste de Cointegração do Modelo 2 (LMI) ............. 71 Tabela 26. Resultados do Teste de Cointegração do Modelo 3 (LMI) ............. 71
Tabela 27. Resultados do Teste de Cointegração do Modelo 1 (UMI) ............ 72 Tabela 28. Resultados do Teste de Cointegração do Modelo 2 (UMI) ............ 72 Tabela 29. Resultados do Teste de Cointegração do Modelo 3 (UMI) ............ 72
Tabela 30. Resultados do Teste de Cointegração do Modelo 1 (HI) ............... 73
Tabela 31. Resultados do Teste de Cointegração do Modelo 2 (HI) ............... 73 Tabela 32. Resultados do Teste de Cointegração do Modelo 3 (HI) ............... 73
vi
vii
Lista Acrónimos
BRIC- Brasil, Rússia, India e China CBA- Abordagens baseadas no consumo CO2 – Dióxido de carbono GEE – Gases com efeito de estufa
OCDE-Organização para a Cooperação e Desenvolvimento Económico OLS – Ordinary Least Squares PBA- Abordagens baseadas na produção PIB – Produto Interno Bruto UE- União Europeia UNFCCC- Convenção-Quadro das Nações Unidas sobre as Alterações Climáticas
1
1. Introdução
O mundo industrializado tem-se vindo a desenvolver com o desenrolar
das décadas, e com ele traz não só benefícios, mas também inconvenientes que
podem afetar a vida em sociedade tal como é conhecida atualmente. Dado o forte
e continuo crescimento da população e da aceleração deste processo,
nomeadamente em países em desenvolvimento, tem-se verificado um aumento
das emissões de gases de efeito de estufa (GEE) (Feng et al., 2014). Este
fenómeno acarreta uma panóplia de problemas e consequências nefastas, que
num futuro próximo poderão ser avassaladoras para o meio ambiente e
comprometer as gerações futuras que habitarão num planeta muito diferente
daquele que conhecemos hoje em dia.
Dadas as circunstâncias atuais, a necessidade de atuação a nível global
emergiu, chamando todos os países para a linha da frente no combate às
alterações climáticas. Sob o olhar atento das Nações Unidas, os vários países têm
determinadas diretrizes de controlo no âmbito de emissão de GEE, mas a ação
não se limita apenas a este âmbito. A Agenda 2030 das Nações Unidas, assinada
em 2015 e com entrada oficial em vigor em 2016, define 17 Objetivos de
Desenvolvimento Sustentável (ODS), com 169 metas adjacentes, que ditam o tom
para um futuro mais sustentável a todos os níveis. Entre os 17 ODS, um em
específico foca-se na ação climática – Objetivo de Desenvolvimento Sustentável
13: Adotar medidas urgentes para combater as alterações climáticas e os seus
impactos – e com uma meta que enquadra o tema do presente trabalho no âmbito
desta agenda global – 13.a)1, que apresenta a Convenção-Quadro das Nações
Unidas sobre as Alterações Climáticas (UNFCCC), que considera as emissões de
GEE pelo prisma da produção no país de origem (Peters, 2008; Sudmant et al.,
2018).
1 Meta 13.a): “Implementar o compromisso assumido pelos países desenvolvidos na Convenção
Quadro das Nações Unidas sobre Alterações Climáticas [UNFCCC] de mobilizarem, em conjunto, 100 mil milhões de dólares por ano, a partir de 2020, a partir de variadas fontes, de forma a responder às necessidades dos países em desenvolvimento, no contexto das ações significativas de mitigação e implementação transparente; e operacionalizar o Fundo Verde para o Clima por meio da sua capitalização o mais cedo possível” - (United Nations).
2
As emissões de dióxido de carbono e outros gases de efeito estufa
provocados pelo Homem - são os principais impulsionadores das mudanças
climáticas - e apresentam um dos desafios mais urgentes do mundo. As
concentrações de gases de efeito de estufa - especialmente CO2 - tem sido uma
verdadeira preocupação ao longo do tempo. É de notar, que o CO2 é um dos
principais GEE e, por isso, uma grande parte dos estudos usa o CO2 como
variável de referência para a avaliação (Hertwich e Peters, 2009). O “Dióxido de
Carbono equivalente” é uma medida internacional usada para quantificar as
emissões de GEE em termos equivalentes da quantidade de Dióxido de
Carbono (CO2) (Mózner, 2013). Essa medida é adotada pela Convenção-Quadro
das Nações Unidas sobre Alterações Climáticas (UNFCCC). Não só, é usado em
relatórios oficiais de GEE, como também, na definição de metas dos países e
instituições; é a medida mais utilizada na literatura científica (Franzen e Mader,
2018; Liddle, 2017; Peters e Hertwich, 2008). Por isso, cálculo das emissões de
carbono em várias regiões, é fundamental para esclarecer quais são os
principais impulsionadores e/ou emissores de GEE, de modo, a ser possível
alocar a responsabilidade pela redução das emissões nos diferentes países do
mundo (Feng et al., 2014).
Reconhecendo a importância desta temática, surge uma questão de
investigação crucial que se prende com saber qual é a forma mais eficiente e
consciente de distribuir responsabilidades entre produtores e consumidores de
carbono? Para tal, verifica-se a dominância de duas metodologias diferentes, que
permitem medir as emissões de carbono: a Contabilidade Baseada na Produção
(PBA) e a Contabilidade Baseada no Consumo (CBA). O uso do método CBA em
vez do PBA admite algumas vantagens significativas, segundo Afionis et al.
(2017), pois a contabilidade baseada no consumo aborda todas as fontes de
emissões associadas a um bem ou serviço, independentemente do local onde
foram produzidos. Atualmente, o uso da contabilidade das emissões de carbono
com base no consumo, ainda é escassa em estudos econométricos e, além disso,
ainda existem várias lacunas tanto a nível temporal como espaço geográfico, nas
pesquisas internacionais (Franzen & Mader, 2018; Jakob et al., 2014a).
Assim sendo, torna-se imperativo voltar à investigação para as diferentes
regiões do mundo, de forma a observar a ocorrência do fenómeno de
3
carbon leakage – o que pode diferir devido às diferentes políticas climáticas. Estas
mesmas políticas, por norma, afetam os custos da atividade económica,
especialmente, em indústrias intensivas em energia, e podem levar as empresas
a transferir a produção para regiões com políticas de emissão de gases de efeito
estufa menos inflexíveis/rígidas (Barret, et al., 2013). Por isso, torna-se vital
compreender a importância da criação de uma política inovadora e diferenciada
das existentes que permita alterar a contabilização das emissões de CO2. Isto
porque a transferência do carbono potencia o aumento das emissões globais,
comprometendo, portanto, todos os acordos globais até à data que pretendem
combater esta mesma problemática, nomeadamente, o mais recente Acordo de
Paris.
Deste modo, é essencial perceber se as emissões baseadas no consumo
têm mais impacto do que as emissões baseadas na produção. E, para além disto,
se são um importante indicador complementar das emissões de território usadas
para a elaboração de políticas de mitigação climática, a fim de combater o
aquecimento global e impulsionar o desenvolvimento sustentável. Com base na
literatura existente, como por exemplo Mix et al. (2013), Knight e Schor (2014),
Sudmant et al. (2018), é possível verificar a importância do estudo desta temática
para os diferentes países, como meio de compreender se esta dinâmica/relação
– consumidor/produtor ao nível das emissões do consumo efetuado- se mantém,
ou se altera dadas as características de cada país. Também será relevante
salientar quais os fatores vitais impulsionares deste acontecimento,
providenciando, assim, uma explicação para este fenómeno mundial.
Neste contexto, o objetivo do presente trabalho passa por avaliar e comparar
as contas de emissões de produção e consumo para diferentes regiões
impulsionadoras de GEE, dividida por países por 4 diferentes grupos de
rendimento per capita, com recurso à categorização The World Bank (com base
no Rendimento Nacional Bruto per capita). A saliência desta investigação centra-
se na existência de evidências empíricas que suportem uma urgente alteração (ou
não) ao nível da contabilização das emissões de CO2. Com este trabalho
pretende-se também alargar o âmbito de estudo da literatura já registado em
várias esferas. Para além, de abordar as emissões de CO2 com base no consumo,
expõe a dicotomia produção/consumo no âmbito da emissão de GEE
4
providenciando informação valiosa aquando das negociações internacionais
sobre alterações climáticas, com um recente e amplo espetro temporal e espaço
geográfico. Leva também em consideração o debate sobre carbon leakage, de
forma a perceber como é que a transferência de emissões é realizada entre
regiões e posteriormente validar qual a melhor contabilidade para medir as
emissões de CO2. Por fim, estará presente a vertente urbanística, relacionada não
só com a densidade populacional, como também com o nível de desenvolvimento
económico das regiões.
Este trabalho está organizado em 6 capítulos diferenciados. Para além da
presente introdução, o segundo capítulo inclui a revisão bibliográfica onde se
reúnem as principais teorias e estudos feitos pelos autores mais relevantes. No
terceiro capítulo são descritos os dados do estudo. O quarto capítulo apresenta
a metodologia, os modelos empíricos e as variáveis a investigar. O quinto
capítulo mostra os resultados obtidos, bem como uma comparação com os
estudos realizados por outros autores. Por último, são apresentadas as principais
conclusões deste estudo, apontadas algumas limitações e sugestões para
investigações futuras.
5
2. Revisão da Literatura
2.1. A problemática associada à Contabilidade Atual das Emissões de CO2
A emergência climática mundial fomentou a organização de países e
Instituições, de forma a unirem esforços e combaterem uma das problemáticas
mais urgentes do século XXI. O Acordo de Paris é um dos vários compromissos
a nível mundial para a adoção de políticas climáticas, e que visa a redução de
emissão de gases de efeito estufa a partir de 2020, substituindo o Protocolo de
Quito (Wen e Wang, 2020). Este tratado internacional foi assinado por uma larga
maioria de nações e tem como principal objetivo a estabilização da concentração
de gases de efeito estufa na atmosfera (Sudmant et al., 2018). Ainda assim, os
países estão a tornar-se cada vez mais interdependentes em termos económicos
no processo de globalização, o que se deve ao facto de terem uma economia
aberta (Mózner, 2013). Em termos de limites ao contrário da economia fechada2,
este tipo de economia permite a realização de operações de comércio e
investimento internacional, portanto, as economias do mundo interagem
livremente entre si. Se o crescimento das emissões provenientes do consumo em
algumas áreas for impulsionado pela importação de bens e serviços, e não pela
produção local, então este consumo não causa apenas uma grande quantidade
de emissões no território da sua produção, mas também impõe mais emissões
noutras regiões, através da cadeia de fornecimento inter-regional (Feng et al.,
2014). Assim, o comércio não é apenas um fator importante para a estrutura
económica de um país, mas também contribui para o aumento de emissões de
2 As emissões baseadas no território, ou emissões de produção, são as que ocorrem
dentro das fronteiras territoriais de um país e incluem exportações, mas omitem as importações
(Liobikienė, 2020).
6
GEE para além de fronteiras nacionais (Mózner, 2013). É possível, então, afirmar
que crescimento das emissões incorporadas no comércio, no decorrer das últimas
décadas, levantou questões estruturais, nomeadamente sobre o facto de se
dever alterar ou agregar a contabilidade baseada na produção com outras
abordagens, com vista a estimação destas emissões (Afionis et al., 2017).
A medição e contabilização da emissão de GEE está normalmente balizada
somente no país de origem da produção, deixando de parte a responsabilidade
por estas mesmas emissões dos países importadores. Isto pode verificar-se nos
inventários nacionais de emissões realizados sob a Convenção-Quadro das
Nações Unidas sobre Mudanças Climáticas (UNFCCC), que consideram apenas
as emissões que ocorrem dentro das fronteiras de cada país (Wen e Wang, 2020).
As contas baseadas na produção, que são neste momento a base de todos os
quadros de gestão de carbono amplamente aceites, atribuem a responsabilidade
pelas emissões ao local em que são produzidas. Por este motivo,
internacionalmente, a alocação da responsabilidade pela redução das emissões
de GEE é baseada no método de produção, que mede as emissões geradas no
local onde os bens e serviços são produzidos, e a responsabilidade pelas
emissões associadas ao comércio, permanece com a nação exportadora
(Franzen e Mader, 2018). Este método tem a vantagem de ser direto – exclui à
partida todas as emissões intermediárias e contabiliza apenas o que é produzido
internamente -, e refletir um grau de controlo sobre as emissões dentro das
fronteiras; porém, leva à penalização das nações exportadoras por bens e
serviços que não usufruem em solo nacional (Wen e Wang, 2020).
2.2. A importância de uma diferente abordagem para contabilidade de emissões de CO2
À luz da realidade descrita até aqui, percebe-se a importância e de uma
possível urgência da criação de uma mudança de panorama na medição e
tratamento dos GEE, e como estes são percecionados nas contas mundiais. A
alteração na arena política climática, com base num princípio fundamentado no
consumo, mostra-se útil de forma a reforçar a eficiência da redução de emissões,
o que atribuiria aos países uma responsabilidade e obrigação acrescida em
repensar as suas atividades comerciais, a fim de diminuir a carga ambiental da
7
produção de bens e serviços (Mózner, 2013). Sob esta perspetiva, surgem as
contas alicerçadas no consumo, que atribuem a responsabilidade pelas emissões
ao final da cadeia de abastecimento - onde os bens e serviços são finalmente
consumidos (Feng et al., 2014). Essas emissões são alocadas de acordo com o
país do consumidor, geralmente com base no consumo final, conforme registado
no Sistema de Contas Nacionais (SNA) (Peters, 2008). Analiticamente, os
inventários baseados no consumo são descritos por Franzen e Mader,(2018) e Mi
et al., (2016) como:
CO2Consumo = CO2Produção – CO2Exportações + CO2Importações
Esta abordagem apresenta diversas vantagens, entre elas a de registar as
emissões extraterritoriais, atribuindo todas as emissões que se registaram no
decorrer da produção e distribuição aos consumidores finais de bens e serviços
(Afionis et al., 2017). Por outro lado, representa um desafio para a formulação de
políticas ambientais e urbanas, uma vez que no caso das emissões de
consumo aumentarem enquanto as emissões de produção diminuírem, isto vai
significar que as emissões estão efetivamente a migrar para áreas sem metas ou
capacidades de redução de carbono (Feng et al., 2014). Segundo vários autores,
como Scott e Barrett (2015), Knight e Schor (2014) e Sudmant (2018), a
metodologia para a contabilização do consumo (ou da pegada de carbono) pode
ser complementar à contabilidade de produção, e tornar-se uma ferramenta útil
aos formuladores de políticas para fornecer medidas de longo prazo. Nesta
conjetura torna-se necessário, em primeiro lugar estudar e perceber quais são os
principais poluidores e, consequentemente, fazer a distinção entre os países com
status consumidor versus produtor (Sudmant et al., 2018).
2.3. Metodologias Adotadas para o estudo de emissões Globais com base no Consumo versus Produção- Evidências de carbon leakage
2.3.1. Análise de escalas Globais e Nacionais
8
Com vista a analisar profundamente estas questões, vários autores
dedicaram o seu trabalho ao desenvolvimento e estudo de modelos, que em
seguida serão apresentados. Entre eles, alguns comparam contas de emissões
de produção e consumo, através do modelo input-output, que responde pelo
fluxo de diferentes tipos de mercadorias entre as regiões, além de fornecer
informações sobre a intensidade de carbono da eletricidade e da produção
industrial em diferentes regiões (Boitier, 2012; Scott e Barrett, 2015; Wang et al.,
2015). A maioria dos estudos que quantificam as emissões de CO2 são
realizados dentro da estrutura Input-Output (I-O) de região única (SRIO) ou multi-
região (MRIO) (Su e Ang, 2014). O uso do modelo I-O, que é o mais utilizado
nesta literatura, torna-se uma ferramenta bastante útil, pois permite aos analistas
explorar toda a cadeia de fornecimentos e as emissões associadas. Esta técnica
tem sido também amplamente utilizada para avaliar as fugas de carbono e as
emissões baseadas no consumo em escalas globais (Boitier, 2012; Chen et al.,
2010), nacionais (Scott e Barrett, 2015; Su e Ang, 2014; Wen e Wang, 2020) e
locais (Minx et al., 2013). Diferentes autores, como Peters et al. (2011), Feng et
al. (2014), Kate Scott et al. (2015) e Davis e Caldeira (2010), utilizaram o modelo
descrito para estimar a variável das emissões de consumo através: (i) da
intensidade de carbono (ou seja, emissões de CO2 por PIB) direto dos setores
de produção, (ii) do efeito das transações comerciais (conhecido como o inverso
de Leontief) e (iii) do volume e composição do consumo final. No entanto, o
cálculo das suas matrizes pode ser bastante complexo (Baumert et al., 2019).
Independentemente desta barreira, a investigação recente tem demonstrado a
importância de criar uma distinção entre emissões territoriais e emissões
baseadas no consumo, pois se algumas regiões dependem amplamente de bens
e serviços importados de outras regiões, isto significa que as emissões de gases
com efeito de estufa baseadas no consumo são mais elevadas do que as
emissões territoriais (Barrett et al., 2013; Boitier, 2012; Minx et al., 2013).
Relativamente à aplicação específica local do modelo até agora descrito,
podemos encontrar na literatura vários casos de estudo. Feng et. al (2014) e
Barret el al. (2015) fizeram uma análise, através do modelo MRIO, para o Reino
Unido para o ano de 2007 e para o período compreendido entre 2000-2010;
enquanto Wang et al. (2015) e Zhang et al. (2017) se focam na China,
9
especificamente para o espaço temporal de 1980-2010 e 2000-2010,
respetivamente. Evidências empíricas demostram que em países como o Reino
Unido as emissões com base na produção têm vindo a diminuir, isto porque uma
parte das emissões provocadas pela intensidade de carbono em setores de
produção também se reduziu ao longo do tempo. A parcela de inputs ao longo
da cadeia de fornecimento de produtos permaneceu constante, no entanto, as
vendas para os consumidores finais alteraram-se, o que reflete mudanças na
estrutura da economia global. Assim, a procura por produtos nacionais e
importados tem vindo a aumentar gradualmente (Afionis et al., 2017).
Consequentemente, se as emissões baseadas na produção têm vindo a diminuir
em países como o Reino Unido, o sucesso para atingir as suas metas de redução
é compensado pelas emissões geradas noutras regiões para atender à sua
procura de bens e serviços (Barrett et al., 2013). Contrariamente, do que foi
verificado no Reino Unido, na China as emissões parecem inevitavelmente
destinadas a aumentar no futuro, pois uma grande parte do total dessas
emissões fazem parte de exportações líquidas para outros países (Wang et al.,
2015).
Em profundidade, no estudo realizado por Baptiste Boitier (2012), a mesma
metodologia foi utilizada para quantificar as emissões de CO2 incorporadas no
comércio, em específico para 4 áreas diferentes, entre elas a UE-27, OCDE,
BRIC e o Resto do Mundo, num período compreendido entre 1995 e 2009. As
principais conclusões de Baptiste Boitier (2012) passam pela categorização em:
• "Consumidores de CO2": são países desenvolvidos, incluindo a
UE-27 (e especialmente a UE-15) e países da OCDE em que as
emissões de CO2 originadas da produção são inferiores às
emissões de CO2 baseadas no consumo.
• E "Produtores de CO2": países em desenvolvimento (BRIC) e o
Resto do Mundo, nos quais as emissões de CO2 incorporadas nas
importações são mais baixas do que as emissões de carbono
incorporadas nas exportações.
10
Davis et al. (2010) e Chen et al. (2010), fizeram um estudo mais focado, a nível
nacional para o ano 2004 e concluíram que a China é, de longe, o maior
exportador líquido de emissões, tendo por isso, o status de produtor, - seguido
pela Rússia, Médio Oriente, África do Sul, Ucrânia e Índia. Essas emissões são
incorporadas em mercadorias para consumidores localizados nos Estados
Unidos, Japão e Europa Ocidental (Reino Unido, Alemanha, França e Itália),
sendo estes os principais importadores líquidos, obtendo o status de países
consumidores (Davis e Caldeira, 2010).
2.3.2. Abordagem focada nos países desenvolvidos vs. em desenvolvimento
Para além da análise a países enquanto atores singulares e a conjuntos de
países organizados, existem também outros autores que dividem o seu trabalho
de outro modo, como é o caso da categorização de países desenvolvidos e/ou
em desenvolvimento. Peters et al. (2011) mostraram que nos países
desenvolvidos as emissões baseadas no consumo cresceram mais
aceleradamente do que as emissões territoriais entre 1990 e 2008, devido em
grande parte ao aumento das importações de países menos desenvolvidos - nos
quais as emissões baseadas no consumo territorial duplicaram. Deste modo,
vários autores Knight e Schor (2014); Liddle (2017) e Sudmant et al.(2018)
utilizaram estas variáveis de emissões de consumo e produção em separado,
através de diferentes tipos de metodologias para esta temática. Knight e Schor
(2014) utilizaram o modelo de regressão OLS com Driscoll-Kraay standard errors
e Prais-Winsten (PCSE) para diversos países do mundo com alto rendimento
para o período 1991 a 2008, e concluíram que as exportações têm um impacto
significativo e negativo apenas ao nível das emissões baseadas no consumo,
enquanto as importações, têm um impacto positivo e significativo, como era de
prever. Surpreendentemente, as taxas de importação e exportação não
importam no que diz respeito às emissões baseadas na produção. (Knight e
Schor, 2014). Liddle (2017) também com base no seu estudo para o período
1990-2013, conclui através de estimações econométricas que o comércio
apenas significativo para as emissões baseadas no consumo, mas não para as
11
emissões baseadas no território (Liddle, 2017). No entanto, ambos concluem que
o crescimento económico, medido pelo PIB per capita, para nações com um
médio a alto rendimento per capita tem um impacto maior para as emissões de
consumo em relação às de produção. De uma forma geral, as análises
econométricas das emissões com base na produção constatam geralmente que
as emissões nacionais de CO2 são predominantemente impulsionadas pela
dimensão da população, pelo PIB e pela intensidade energética da economia de
uma nação.
Embora existam diferentes metodologias para esta investigação, a maioria
dos estudos referidos anteriormente tiveram as mesmas conclusões: ao
comparar os dados de emissões de carbono com base no consumo e produção,
verificaram que uma grande parte dos países do mundo, mas principalmente os
países desenvolvidos ou com um médio a alto rendimento per capita, são
importadores líquidos de emissões de carbono. Logo, se houver uma maior
percentagem de importações em relação às exportações, a diferença entre
essas duas variáveis é positiva indicando que os habitantes do país consomem
mais CO2 do que é produzido dentro dos limites da região. Neste contexto,
Franzen e Mader (2018) procuraram verificar a existência de carbon leakage em
diferentes países desenvolvidos e utilizam uma variável dummy para verificar a
presença de diferenças entre os membros da OCDE e os que não pertencem a
esta organização. Franzen e Mader (2018) recorrem a modelos econométricos
com efeitos fixos, através da análise da proporção entre CBA e PBA
(contabilidade baseada no consumo e contabilidade baseada na produção) e
concluíram no seu estudo que não existem dados empíricos que revelem fuga
de carbono de países pertencentes à OCDE para países que não são membros
desta organização. Isto revela-se contraintuitivo com base nos resultados
obtidos nos diferentes estudos sobre esta temática. É também de referir que a
proporção de CBA para PBA não é impulsionada pelos membros da OCDE, nem
pelo PIB per capita (Franzen e Mader, 2018). As comparações entre emissões
de consumo e produção são de extrema relevância para a área em estudo, pois
fornecem a resposta a uma questão crucial: conseguem os países reduzir as
emissões apenas transferindo a produção intensiva de emissões para outros
países? Se apenas as emissões baseadas na produção estivessem a decrescer
12
enquanto as emissões baseadas no consumo estivessem a aumentar, isso
sugeriria que se tratava de emissões offshoring noutro lugar (Liddle, 2017).
Deste modo, de forma a complementar o estudo de Franzen e Mader (2018), e
verificar a sua validade, Zhanga e Fanga (2019) comprovaram que se verificam
falhas nas fontes de dados do primeiro trabalho. Estes autores averiguaram o
grau de diferenciação entre as diferentes fontes de dados, e os resultados
revelam-se comprometedores para alguns países. Assim, conseguem
comprovar que o uso de dois bancos de dados incompatíveis - Banco de Dados
de Emissões para Pesquisa Atmosférica Global (EDGAR) e Global Carbon Atlas
(GCA) para contabilidade baseada na produção (PBA) e contabilidade baseada
no consumo (CBA), respetivamente -, para examinar a transferência de carbono
de países desenvolvidos para países em desenvolvimento, comprometeu os
resultados obtidos de forma significativa. Uma outra crítica apontada centra-se
com a variável dependente estudada, o rácio entre CBA e PBA. Alguns autores,
afirmam que o rácio fornece informações insuficientes sobre a magnitude de
carbon leakage de uma nação. Assim sugerem que a variável que mede a
transferência de carbono - a diferença entre as duas contabilidades de emissões
de CO2 - definida por Peters el al. (2011) é uma medida de avaliação muito mais
realista e eficaz para verificar se existem evidências sobre a ocorrência deste
fenómeno e também quantificá-lo (Q. Zhang e Fang, 2019). É de notar que a
proporção, apenas calcula o vazamento de carbono em termos relativos. Por
outro lado, conseguir refletir melhor o número de unidades que um país consome
a mais em relação ao que produz, e por isso, tem a vantagem de não ter em
conta a dimensão do país nem a dimensão populacional. Assim, essa
abordagem serve para analisar a questão de quais os países que seriam
afetados pela mudança do esquema de contabilidade (Franzen e Mader, 2018).
Apesar de ter havido uma forte discussão na literatura acerca da melhor
abordagem, ou pela distância (CBA-PBA) ou pelo rácio (CBA/PBA), é possível
concluir um uso complementar das duas abordagem, é necessário para fornecer
um quadro mais completo das transferências de carbono e dos países que serão
afetados pelo esquema de contabilidade com base no consumido de emissões
de CO2 (Liddle, 2017; Q. Zhang e Fang, 2019). Ambas as abordagens são
relevantes, no entanto, deve-se ter em atenção qual é o objetivo do estudo e a
13
similaridade ou não na dimensão dos países no que respeita à atividade
económica (p.e. PIB) ou à dimensão da população.
Independente deste fator, é possível chegar à conclusão que, nos países
desenvolvidos, os consumidores dependem amplamente de bens e serviços
importados de outras regiões, porque nenhuma região é autossuficiente para não
precisar de importar produtos, bens ou serviços produzidos por outra (Franzen e
Mader, 2018; Mi et al., 2019). Este acontecimento acaba por despoletar outros
problemas devido não só a interesses económicos, mas como também
ambientais. Um exemplo disso, é que os países europeus e da OCDE, onde a
sua proteção ambiental é mais dispendiosa e rigorosa, tentam exportar/deslocar
a sua atividade poluente ou as indústrias intensivas em energia para os países
com menos restrições e custos energéticos mais baixos (Boitier, 2012). Assim,
pode-se observar que, os bens produzidos nos países menos restritivos poderão
estar a ser exportados para os países mais restritivos (por exemplo, países
desenvolvidos). Logo, nível das emissões num país pode estar a diminuir, em
função do aumento das emissões noutro país. Os países desenvolvidos podem
ter conseguido estes resultados, transferindo parte de alguma produção intensiva
em carbono para países menos desenvolvidos, ao longo da última década
(evidências de carbon leakage) (Boitier, 2012; Chen et al., 2010) . Com base
nestes factos, conclui-se que devido à estrutura económica diversa, bem como ao
nível de tecnologia, a distribuição do balanço de carbono regional é polarizada: a
maioria das economias desenvolvidas recebe o excedente de carbono via
importação de produtos intensivos em carbono e exporta produtos menos
intensivos em carbono (Chen et al., 2010).
2.3.3. Análise focada nas Áreas Urbanas
Além de haver uma vasta investigação sobre a distinção entre diferentes
países (desenvolvidos versus em desenvolvimento) em relação às emissões de
carbono, surgiu a particular importância de analisar diferentes áreas urbanas.
Estas áreas acolhem mais de metade da população mundial e são
frequentemente o destino final para o consumo de bens e serviços ao longo de
cadeias de fornecimento globalizadas (Sudmant et al., 2018). Uma característica
comum nestas áreas é designadamente a pegada de carbono, e é vista como
14
sendo uma ferramenta que permite orientar escolhas mais sustentáveis de
consumo. Uma vez que, ao longo do tempo, esta pegada tem-se mantido
constante e por vezes crescente, levou a que houvesse um interesse, por vários
autores, em estudar nomeadamente o impacto do aumento das emissões de
CO2, em diferentes centros urbanos (Knight e Schor, 2014; Minx et al., 2013;
Sudmant et al., 2018). Kingh e Schor (2014) optaram por analisar no seu estudo
apenas países com um alto rendimento para o período compreendido entre 1991
a 2009, e concluíram que os efeitos do crescimento económico (medido pelo PIB
per capita) são maiores para as emissões baseadas no consumo do que as para
as emissões territoriais nos países com um alto rendimento (Knight e Schor,
2014). Em relação à percentagem de urbanização, estes autores, concluíram
que houve um impacto positivo e significativo para ambas as abordagens de
contabilização de emissões de CO2.
Por outro lado, Sudmant et al. (2018) optaram por focar-se
individualmente em diferentes centros urbanos, como por exemplo, da China, do
Reino Unido e dos EUA para o período compreendido entre 1991 a 2008. Feng
et al.,(2014) analisaram 4 regiões urbanas da China para o ano 2007, e por fim,
Minx et al., (2013) focaram-se apenas no Reino Unido para o ano 2004. Para ser
possível perceber e comparar as diferentes áreas urbanas em relação às
emissões de consumo e produção, Sudmant et al., (2018) utilizaram o diagrama
de dispersão e o teste Tau Kendall, enquanto os outros autores recorreram ao
modelo Multi-regional input–output. Os autores verificaram que existe uma
correlação forte, mas negativa entre a densidade populacional e as variáveis de
emissões de CO2, tanto ao nível de consumo como territoriais (Sudmant et al.,
2018). Em relação ao rendimento per capita observou-se que existe uma
correlação positiva ao nível das emissões de CO2 (tanto ao nível do consumo
como de produção). No entanto, concluíram que existem padrões diferentes
entre as diversas áreas urbanas (Feng et al., 2014; Minx et al., 2013).
Concentrando-se individualmente em cada área urbana, nomeadamente, nas
áreas urbanas chinesas, o rendimento mais elevado parece levar a maiores
emissões de produção. Nas áreas urbanas dos EUA e Reino Unidos existe uma
relação muito forte entre rendimento per capita e emissões per capita com base
no consumo (Sudmant et al., 2018). Além disso, nas áreas urbanas dos EUA e
15
do Reino Unido, as emissões baseadas na produção não mudam
significativamente com o rendimento, sugerindo que o aumento da procura por
bens e serviços é atendida por importações líquidas de bens e serviços. O que
vai ao encontro com alguns resultados encontrados em estudos anteriores
relativos a estas regiões, sendo a China um país produtor e os restantes 2 países
(Reino Unido e EUA) considerados consumidores (Barrett, et al., 2013). De forma
a avaliar e realçar se o fenómeno carbon leakage está presente nestas áreas,
Sudmant et al.,(2018), utilizaram a variável emissões de carbono líquidas per
capita, que corresponde à diferença entre as contas baseadas na produção e
baseadas no consumo. Uma vez que, os resultados visíveis mostraram a
existência de uma correlação positiva entre esta variável e o rendimento per
capita, isto sugere que aumentos contínuos nos níveis de rendimento per capita
podem impulsionar a ocorrência do fenómeno carbon leakage (Sudmant et al.,
2018).
2.4. Quem fica com a responsabilidade?
As emissões de dióxido de carbono são o principal motor da mudança
climática global. É amplamente reconhecido que, para evitar os piores impactos
das mudanças climáticas, o mundo precisa de reduzir as emissões com
urgência. Com base nas evidências até ao momento relatadas por diversas
investigações, torna-se importante e imprescindível saber de que forma os
países serão avaliados. Através da vasta investigação analisada constatou-se
que: o crescimento das emissões de consumo, em algumas áreas,
nomeadamente urbanas, países desenvolvidos e/ou com um alto rendimento per
capita, são mais propensos a serem impulsionados pela importação de carbono
do que pela produção local, uma vez que, dependem amplamente de bens e
serviços de outras regiões (Knight e Schor, 2014; Liddle, 2017). Por isso, se as
suas emissões baseadas no consumo são maiores do que suas emissões com
base no território, significa que ocorrem transferências de carbono para outras
regiões, o que é um efeito bastante intuitivo. Assim podemos constatar que estas
áreas, anteriormente referenciadas, são mais importantes como consumidoras
do que produtoras de emissões. Futuramente para combater parte desta
problemática associada aos aumentos contínuos de transferências de carbono
16
é provável que algumas ações climáticas sejam focadas no consumo,
dependendo das características do país em questão.
Uma vez que, as comparações em ambas as abordagens de emissões de
CO2 descritas são de extrema relevância nesta área de estudo, é necessário
haver uma resposta à seguinte questão: Como é que a responsabilidade pelas
emissões deveria ser partilhada entre regiões, países e indivíduos? Esta
temática, torna-se, deste modo, bastante crucial porque poderá ser um ponto
infindável nas discussões internacionais. Se o crescimento das emissões de
consumo em algumas áreas, for impulsionado pela importação de bens e
serviços e não pela produção local, o consumo não causa, apenas, uma grande
quantidade de emissões no seu território, mas também impõe mais emissões a
outras regiões, através da abertura comercial (Feng et al., 2014). Com base
nestas evidências, verifica-se que as abordagens contábeis baseadas no
consumo podem ser de particular vantagem porque com base nos resultados
anteriormente relatados, as áreas urbanas e/ou países desenvolvidos são mais
importantes como consumidores nas emissões. A literatura sobre contabilidade
baseada no consumo assume que os países ricos são aqueles com leis
ambientais mais rigorosas, por exemplo, preços de carbono mais elevados e, por
conseguinte, tendem a externalizar as indústrias com utilização intensiva de
carbono (C. Zhang e Lin, 2012). Deste modo, sugere-se que algumas ações
climáticas deveriam ser focadas no consumo e não baseadas nas emissões da
produção, nestas áreas (Feng et al., 2014; Knight e Schor, 2014; Minx et al.,
2013).
Jakob et al. (2014a), deram o seu testemunho nesta temática e propuseram
que a regulamentação das emissões com base no consumo, em vez, da
produção, poderia reduzir a transferência de emissões de carbono e fornecer um
quadro mais apropriado da responsabilidade dos países pelas emissões globais.
Uma vez que, há uma barreira entre as emissões pelas quais um país é
responsável e as emissões baseadas no consumo, os países deveriam ter
interesse pela responsabilidade e sustentabilidade ambiental, a fim de ajudar a
reduzir a intensidade do carbono em países que são particularmente importantes
para as transferências globais de carbono (Liddle, 2017). Assim sendo, para
reduzir as emissões baseadas no consumo, as cidades/países podem cooperar
17
com as regiões vizinhas para melhorar as indústrias no sentido de adotar
tecnologias de produção mais eficientes em energia, uma vez que a maior parte
das emissões baseadas no consumo provêm das importações (Mi et al., 2019).
Mais ainda, podem investir dentro dos seus próprios limites para reduzir o
carbono na fonte e ao longo de toda a cadeia, através do uso de materiais de
construção recicláveis e construções eficientes em termos energéticos (Barrett,
Peters, Wiedmann, Scott, Lenzen, Barrett, et al., 2013). Por outro lado, as
soluções dependem também de mudanças tecnológicas no lado da oferta e da
mudança voluntária de comportamento no lado das famílias (Barrett, et al., 2013;
Jakob et al., 2014a).
Portanto, a contabilidade de CO2 baseada no consumo pode ser um
importante indicador complementar das emissões de território usadas para a
elaboração de políticas de mitigação climática, de modo a que haja uma
perceção mais consciente e realista sobre o nosso impacto no ambiente, de
acordo com as diferentes características de cada região (Davis e Caldeira, 2010).
Outros autores também propõem que, uma vez que, consumidores e produtores
de bens e serviços são igualmente responsáveis pelas emissões de CO2, estes
também devam partilhar responsabilidades de mitigação (Jakob et al., 2014a).
18
19
3. Dados e variáveis
O presente estudo usa dados anuais para o período entre 1990 e 2017, e
para uma amostra global de 101 países- Tabela 7 em Anexo-. Para os dois
métodos contábeis de CO2, tanto para a contabilidade baseada na produção
(PBA) como no consumo (CBA), a base de dados utilizada para a recolha de
dados foi através do Global Carbon Atlas. Para as restantes variáveis, como o
Produto Interno Bruto (PIB) real per capita (ajustado pela paridade poder de
compra), a Intensidade Energética, Serviços (valor acrescentado), Indústria
(valor acrescentado), Exportação e Importação de bens e serviços, e a Taxa de
Urbanização foram obtidos através da base de dados do The World Bank. Na
Tabela 1 são descritas as variáveis consideradas. A justificação para a utilização
destas variáveis é baseada na literatura, mas mais concretamente pelo estudo
realizado por Franzen e Mader, (2018). Na Tabela 2 são apresentadas as
hipóteses baseadas na literatura, referentes à influência de cada variável nas
emissões, tanto do consumo como da produção. Como já referido no início desta
dissertação, este estudo, tem por base, não só expor se existem diferenças entre
as emissões de CO2 com base na produção (PBA) e emissões de CO2 com base
no consumo (CBA), como também debater se existem evidências sobre o
fenómeno carbon leakage, através da proporção entre CBA/PBA. É importante
também destacar que o estudo do rácio CBA/PBA, responde à questão de saber
quais os países que seriam afetados pela mudança do esquema de
contabilidade, para posteriormente, indicar quais são os principais consumidores
versus produtores ao nível das emissões, daí que se tenha optado pelo uso deste
rácio. Este vai ser ainda neutro relativamente à dimensão do país ou da
população, porque indica o número de unidades de poluição que um país emite
devido ao consumo, comparativamente ao que emite devido à produção. Assim,
se as emissões baseadas na produção estão a diminuir, enquanto as emissões
baseadas no consumo estão a aumentar, então é sinónimo de a proporção estar
também a aumentar, sugerindo que existem evidências de carbon leakage.
Este estudo pretende levar a cabo uma análise mais aprofundada, tanto ao
nível temporal como de espaço geográfico. Assim sendo, de forma a
compreender qual é o impacto e as dissemelhanças das contas de emissões de
20
produção e consumo, são utilizadas várias regiões do mundo e também os seus
respetivos grupos de rendimentos per capita, recorrendo à categorização do
World Bank. Este define que as economias estão atualmente divididas em quatro
grupos de rendimento: baixo (LI), médio-baixo (LMI), médio-alto (UMI) e alto (HI).
O rendimento é medido usando o rendimento nacional bruto (RNB) per capita,
em dólares americanos, convertido a partir da moeda local. O presente estudo
vai então ser desenvolvido tendo em consideração a amostra global, e cada um
desses grupos de rendimento.
Tabela 1. Descrição das Variáveis
Variáveis Descrição Unidades FONTE
Emissões CO2 baseadas no
Consumo CBA
Emissões de CO2 p.c. de combustíveis fósseis e processos industriais atribuídos ao país em
que os bens e serviços são consumidos (CO2 CBA= CO2 PBA -CO2Exportações + CO2Importações)
Toneladas p.c Global Carbon Atlas
Emissões CO2 baseadas na
Produção PBA
Emissões de CO2 p.c. de combustíveis fósseis e processos industriais atribuídos ao país em
que os bens e serviços são produzidos.
Toneladas p.c Global Carbon Atlas
Balança Comercial CO2
CBA/PBA Rácio entre as emissões de
consumo e produção per capita - -
Produto Interno Bruto
PIB
Soma do valor acrescentado bruto de todos os produtores residentes no país mais os impostos sobre
produtos e menos os subsídios não incluídos no valor dos produtos. PIB p.c. baseado na paridade do poder
de compra (PPC)
Poder de compra
ajustado per capita - (dólares
constantes internacionais)
World Bank
Balança Comercial
TRADE Rácio entre as exportações e
importações de bens e serviços -
World Bank
Intensidade Energética
EI Relação entre o fornecimento de
energia primária e o produto interno bruto medido em PPC
MJ/$ 2011 PPC PIB World Bank
Valor acrescentado dos Serviços
SERVICES
Valor acrescentado (valor da produção menos o valor do
consumo intermédio) do setor serviços (divisões 50-99 da
Classificação Internacional Tipo Industrial (ISIC), revisão 3 ou 4) em
percentagem do PIB.
% do PIB World Bank
Valor acrescentado da Indústria
INDUSTRY
Valor acrescentado (valor da produção menos o valor do
consumo intermédio) do setor da indústria (divisões 10-45 da ISIC,
revisão 3, em percentagem do PIB.
% do PIB World Bank
Taxa de urbanização
URBAN Percentagem de população que vive
em áreas urbanas %
Wold Bank
21
Tabela 2. Quadro de Hipóteses levantadas na Literatura Hipóteses Referências
[H1]
O PIB per capita tem um impacto positivo nas
emissões de CO2, tanto de consumo como de
produção.
(Franzen e Mader, 2018; Knight
e Schor, 2014; Liddle, 2017;
Sudmant et al., 2018)
[H2] A Balança comercial tem um impacto negativo na
relação CBA/PBA ao nível Global (Franzen e Mader, 2018)
[H3]
A intensidade energética tem um impacto positivo em
relação às emissões de CO2, mas negativa ao nível do
rácio CBA/PBA.
(Franzen e Mader, 2018;
Zhang e Lin, 2012)
[H4] A Indústria contribui para o aumento das emissões de
CO2. (Zhang e Lin, 2012)
[H5]
Os Serviços contribuem positivamente para o aumento
das emissões CO2 ao nível Global e regiões orientais,
mas negativo para as regiões ocidentais e centrais.
(Zhang e Lin, 2012)
[H6]
A percentagem de urbanização tem um impacto
positivo tanto nas emissões baseadas no consumo
como nas emissões baseadas na produção.
(Knight e Schor, 2014)
Fonte: Elaboração Própria
Com objetivo de analisar diferentes países do mundo e ilustrar quais são
os países que seriam afetados pela mudança do esquema de contabilidade, é
feita a comparação através do rácio CBA e PBA para o ano 1990 e 2017. O rácio
vai dar a informação sobre quais são os principais países que estão a emitir mais
(ou menos) com base no que consomem em relação às emissões provocadas
pela sua produção interna, isto é, quantas unidades é que um país emite a mais
(ou a menos) pelo seu consumo, face a uma unidade de emissão provocada pela
sua produção interna. Assim, a Figura 1, lista os seis países que contêm a maior
e menor proporção entre CBA para PBA para o ano 2017. Um rácio inferior a 1
significa que um país teria o status de produtor (tem mais emissões associadas
à produção interna do que ao consumo), logo, beneficiaria se passasse para a
contabilidade baseada no consumo. Por outro lado, um rácio acima de 1 indica
que o país em questão tem o status de consumidor (tem mais emissões
associadas ao consumo interno do que à sua produção). Um rácio de 1 significa
que as emissões baseadas no consumo são exatamente iguais às emissões
baseadas na produção.
22
Os países que contêm as maiores proporções são: Suíça, Malta, Singapura,
Hong Kong, Luxemburgo e Malawi, que chegam a ter o triplo das emissões
ligadas ao consumo comparativamente às emissões daquilo que produzem
internamente. Por outro lado, as regiões que têm menores proporções são: África
do Sul, Nigéria Federação Russa, Cazaquistão, Bulgária, China. Em geral
verifica-se um aumento deste rácio (principalmente para o Luxemburgo), com
exceção de Hong-Kong, Nigéria, Rússia e China.
Figura 1. Proporção entre as emissões de CBA e PBA dos principais países emissores de CO2
A figura mostra os 6 países com o maior e menor rácio de CBA/PBA. A fonte de dados é o Global Carbon
Atlas. O critério usado para a definição dos países com maiores e menores rácios de carbono é com base
no último ano de estudo 2017. O ano 1990 serve apenas como base de comparação. Nota: de 1990 até 1995 as contas de CO2 com base no consumo e produção são iguais para Luxemburgo.
Na Figura 2 apresentam-se os principais emissores de CO2 per capita para
o ano de 1990 e 2017, através da contabilidade com base na produção (PBA),
ou seja, as emissões produzidas dentro das fronteiras de um país, sem levar em
conta como os bens são comercializados em todo o mundo. É importante avaliar
as emissões de CO2 com base na produção, porque são esses os números que
são levados em consideração para as metas climáticas. Apesar de na Figura 2,
estarem a ser avaliados os países pelas suas emissões per capita, isto é, quanto
um cidadão de cada país proporcionalmente emite, os principais 6 países que
1,7
9
1,3
7
1,5
1
2,8
4
1,0
0
2,1
2
0,6
6
0,8
4
0,9
6
0,6
6
0,7
3
0,9
4
3,1
8
3,1
4
2,8
7
2,7
6
2,5
5
2,5
3
0,7
4
0,7
7
0,8
3
0,8
4
0,8
6
0,8
7
0
0,5
1
1,5
2
2,5
3
3,5
CB
A/P
BA
Países
1990 2017
23
mais poluem ao nível de emissões totais são: China, EUA, India, Federação
Russa, Japão e por fim, a Alemanha.
Figura 2. Principais emissores de CO2 per capita com base na produção
(PBA)
A figura representa os 6 principais países emissores de CO2 per capita ao nível da abordagem de
produção para o ano 1990 e 2017. O critério usado para a definição dos principais emissores de carbono
é com base no último ano de estudo 2017. O ano 1990 serve apenas como base de comparação.
Esta comparação é relevante ser feita porque, apesar dos países
presentes da figura 1 terem os maiores/menores rácios, não significa que estes
sejam os maiores/menores emissores de CO2 per capita.
Os principais emissores de carbono per capita para o ano 2017 são:
Arábia Saudita, Brunei Darussalam, Austrália, Estados Unidos da América,
Cazaquistão e Luxemburgo. Uma outra conclusão importante que é possível
retirar é: apesar das emissões estarem balizadas na contabilização com base na
produção, é visível que esta abordagem nem sempre é a melhor para a
formulação de políticas ambientais. Um exemplo disso, é o Cazaquistão que é
um dos países que mais polui per capita, no entanto, o seu rácio é igual a 0,84
para o ano 2017. Este dado, indica este país é considerado exportador de
carbono, pois emite mais pela abordagem com base na produção do que no
consumo. Por outro lado, Luxemburgo também é um dos países que mais
emissões per capita transfere para atmosfera, mas tem um rácio igual a 2.55.
11
,43
23
,92
16
,42
10
,52
16
,27
31
,03
19
,13
17
,89
16
,96
16
,21
15
,67
15
,62
0
5
10
15
20
25
30
35
Saudi Arabia BruneiDarussalam
Australia United States Kazakhstan Luxembourg
Emis
sões
de
CO
2 p
er c
apit
a (P
BA
)
Países
1990 2017
24
Isto significa que uma grande parte das emissões de carbono que não estão a
ser contabilizadas com base na medida da produção, porque advém das
importações. Uma vez que as emissões nesta região são maiores com base no
consumo do que na produção, esta prova diz-nos que o país em questão importa
mais emissões de carbono do que exporta. Com base nestes exemplos, é
possível comprovar que a contabilidade que aborda as emissões com base na
produção tem as suas limitações e, por isso, não deve ser usada como sendo
uma abordagem singular para a elaboração de políticas ambientais e relatórios
oficiais de GEE.
A Figura 3 mostra a relação entre a média da proporção das emissões do
consumo e do território com o PIB médio per capita, para o período 1990-2017.
Os países desenvolvidos, por norma, têm PIB maior do que os países menos
desenvolvidos (ou mais pobres). A relação apresenta a forma de U: os países
mais pobres e mais ricos tendem a ter rácios superiores a um; enquanto, os
países com rendimento económico médio-alto tendem a ter rácios inferiores a
um.
Figura 3. Proporção média do rácio CBA/PBA e sua relação com o PIB per
capita
A média anual (durante 1990-2017) da relação entre as emissões de carbono baseadas no consumo e as
emissões de carbono baseadas no território é traçada em relação à média anual do PIB per capita (em forma de logaritmo natural) para 101 países. É apresentada uma linha de tendência polinomial, em forma
de U (que produziu um R-quadrado de 0,3778). As variáveis CBA e PBA foram retiradas do Global Carbon Atlas e o PIB per capita do World Bank.
A evolução é decrescente até um certo ponto do crescimento económico
porque um aumento do PIB per capita, vai traduzir-se numa diminuição da
proporção. Isto é, sinónimo que as emissões com base na produção estão a
0
0,5
1
1,5
2
2,5
3
3,5
0 2 4 6 8 10 12
CB
A /
PB
A
PIBpc (logaritmo natural)
25
aumentar numa escala maior face às emissões com base no consumo, logo,
esses países têm o status de produtor. Enquanto, que a partir de um certo nível
de crescimento económico, a proporção é crescente com aumentos do PIB per
capita, o que é também demonstrado pela Tabela 7, da secção a seguir. Esta
dinâmica sugere que os países com um certo nível de desenvolvimento
económico, aumentos do PIB per capita, traduzem-se em aumentos do rácio
CBA/PBA. Logo, é visto que países principalmente considerados desenvolvidos
importam mais emissões de CO2 do que aquilo que exportam. No entanto, a
maioria dos países de rendimento médio (LMI e UMI) têm rácios acima de um
(cerca de 38 de 54 países de rendimento médio). Por conseguinte, a
transferência de carbono não é um fenómeno puramente de países pobres/com
baixo rendimento per capita para países ricos/alto rendimento per capita.
3.1. Análise Descritiva e Matriz de Correlações
Análise Descritiva: As Tabelas 3 e 4 fornecem a estatística descritiva relativamente às
variáveis presentes na Tabela 1, respetivamente para os dados originais e para
os dados em logaritmos, sendo possível daí retirar informações relevantes e
perceber melhor a sua dinâmica e caraterísticas. Assim, através das Tabela 3 e
4 é possível observar que a amostra GLOBAL, com os diferentes países do
mundo (n=101) contempla N (n*T=2028) observações.
Do ponto de vista global, em média, os países emitem mais de cinco
toneladas por habitante, em ambas as abordagens que contabilizam as
emissões de carbono: CBA (5.196330 toneladas) e PBA (5.916997 toneladas).
Os países que, em média, mais emissões de CO2 emitem, são os países
com um alto rendimento per capita (HI): CBA (11.33292 toneladas) e PBA
(9.41772 toneladas). Por outro lado, analisando os países menos desenvolvidos
(LI), o valor médio das emissões per capita tanto ao nível do consumo (CBA)
como da produção (PBA), é inferior a uma tonelada, sendo o grupo de países
que menos emissões emite por habitante, como é visível na Tabela 3. Também
26
é possível constatar que quanto maior for o desenvolvimento económico, em
média, mais emissões existem, quer na produção quer no consumo.
Em relação ao PIB per capita, conforme o aumento da escala do
rendimento per capita, em média, esta variável também aumenta. O seu valor,
médio Global per capita, é 15890 dólares, sendo o mínimo igual a 285.6 dólares
aproximadamente, e o seu máximo de 112822.6 dólares. O grupo de rendimento
que tem, em média, um maior PIB per capita (30293.29 dólares), são os países
desenvolvidos (HI), no entanto, também são os que apresentam um maior desvio
padrão (16863.99 dólares) face ao valor médio. Isto significa que dentro deste
grupo de países, há países que se distanciam mais do valor médio. Por outro
lado, no grupo LI estes apresentam o menor desvio padrão para a variável PIB
per capita, o que significa que os países desse grupo são mais parecidos nessa
variável. O desvio em relação à média já não é tão grande como no grupo LI.
A variável TRADE (Exportações/Importações), que correspondente à
balança comercial, é maior para os países com um alto rendimento per capita
com uma média de 1.059489, o que indica que, em média, estes países
exportam mais do que importam, porque a proporção entre exportações e
importações é superior a 1. Para as restantes amostras, a média da balança
comercial já é inferior a 1.
Em relação à intensidade energética, são os países de baixo rendimento
(LI) que, em média, mais consomem energia por uma unidade do PIB (12.10
MJ/$), tendo um mínimo de 4.02697 MJ/$ e um máximo 50.13474 MJ/$.
Os países com um rendimento médio-alto (UMI) per capita, são os mais
industrializados, representando a indústria em média 32.019% do PIB.
Enquanto, que os países com um alto rendimento per capita (HI), são os mais
focados no setor dos serviços, com cerca de 60,95% do PIB.
Por fim, a percentagem de urbanização, em média, também é maior para
países com um rendimento per capita mais elevado, sendo que 76% da
população desses países vive em áreas urbanas. Dentro da amostra GLOBAL,
como contêm uma diversidade de países de todo o mundo com diferentes
características, significa que há uma maior heterogeneidade dentro deste grupo
para a variável URBAN, ou seja, há países que se vão afastar mais desse valor
médio.
27
Tabela 3. Resultados das Estatísticas Descritivas dos Dados Originais
Grupo Estatísticas
Descritivas PBA CBA PIB TRADE EI INDUSTRY SERVICES URBAN
LI
Média 0.132098 0.2571802 1087.468 0.6112313 12.50395 18.10691 44.53474 24.27036
Desvio Padrão 0.0915852 0.1979106 438.9445 0.1754501 9.161075 4.282032 6.929387 8.229915
Mínimo 0.0359289 0.0823665 285.5869 0.1287732 4.02697 10.41463 22.32831 11.076
Máximo 0.4384694 1.156395 2249.731 0.9573273 50.13474 28.37227 57.02444 41.162
LMI
Média 1.178566 1.226957 3595.916 0.8213831 7.097986 25.80042 47.01667 41.04486
Desvio Padrão 1.714675 1.40912 2361.305 0.2460535 4.049471 5.966043 7.693889 15.21873
Mínimo 0.0046492 0.061871 727.1106 0.2121135 1.992982 8.341774 21.45483 8.854
Máximo 15.11518 14.40913 12584.1 2.77693 26.69928 54.54515 77.02007 71.275
UMI
Média 4.004729 3.665951 9853.021 0.9860017 6.006073 32.019 51.38136 63.21763
Desvio Padrão 3.197598 2.358453 5111.437 0.3139741 3.447352 9.065166 8.427695 14.83642
Mínimo 0.4604663 0.4408331 982.5009 0.1298175 2.193661 9.547512 21.75596 26.442
Máximo 17.11838 16.47372 28141.2 2.802949 26.90652 66.16033 72.11957 91.749
HI
Média 9.417752 11.33292 30293.29 1.059489 4.968683 27.69201 60.95368 76.06095
Desvio Padrão 4.943947 5.869812 16863.99 0.2281545 2.057898 10.62917 9.936094 13.42247
Mínimo 1.072977 0.2318801 4506.804 0.5821159 1.381528 6.717173 24.17531 40.841
Máximo 32.26617 50.63229 112822.6 2.844361 18.23322 74.11302 91.92164 100
GLOBAL
Média 5.196330 5.916997 15890 0.9479518 6.273874 27.71813 53.64264 60.00451
Desvio Padrão 5.199859 6.126685 16483.43 0.2856473 4.180066 9.436803 10.84022 21.96413
Mínimo 0.004649 0.061871 285.5869 0.1287732 1.381528 6.717173 21.45483 8.854
Máximo 32.26617 50.63229 112822.6 2.844361 50.13474 74.1130 91.92164 100 Fonte: Elaboração Própria. Notas: Todas as variáveis estão na sua forma em absoluto. Definição da amostra: LI= Low Income (Baixo Rendimento); LMI= Low Middle
Income (Baixo-Médio Rendimento); UMI= Upper Middle Income (Alto-Médio Rendimento); HI= High Income (Alto Rendimento)
28
Tabela 4. Resultados das Estatísticas Descritivas dos Dados em Logaritmo
Grupo Estatísticas
Descritivas PBA CBA PIB TRADE EI INDUSTRY SERVICES URBAN
LI
Média -2.205705 -1.552704 6.901732 -0.544499 2.334138 2.86838 3.782427 3.126794
Desvio Padrão 0.5695486 0.5808044 0.4452039 0.3496607 0.5894498 0.2380872 0.1735781 0.363242
Mínimo -3.326214 -2.496576 5.654546 -2.049702 1.393014 2.343212 3.105855 2.404781
Máximo -0.8244652 0.1453076 7.718566 -0.043609 3.914714 3.345412 4.04348 3.717516
LMI
Média -0.416937 -0.210884 8.00163 -0.237763 1.832768 3.222292 3.835878 3.634604
Desvio Padrão 1.05211 .8968537 0.603904 0.2886473 0.4861369 0.2428564 0.175866 0.421501
Mínimo -5.37107 -2.782704 6.589079 -1.550634 0.6896319 2.121276 3.06595 2.180869
Máximo 2.71570 2.667862 9.44019 1.021346 3.284637 3.999029 4.344066 4.266546
UMI
Média 1.081818 1.101068 9.05628 -0.064290 1.670633 3.426637 3.92401 4.116333
Desvio Padrão 0.802437 0.644781 .5515828 0.3256738 0.4680469 0.2840429 0.1814936 0.2537095
Mínimo -0.775518 -0.819089 6.890101 -2.041626 0.785572 2.256281 3.079888 3.274954
Máximo 2.840153 2.801767 10.24499 1.030672 3.292369 4.192081 4.278325 4.519057
HI
Média 2.095341 2.287285 10.15921 0.0387155 1.528136 3.257438 4.095206 4.314389
Desvio Padrão 0.578881 0.585134 0.5937492 0.1890774 0.3830379 0.3560624 0.1793084 0.190538
Mínimo 0.070437 -1.46153 8.413344 -0.541085 0.32319 1.904667 3.185332 3.709686
Máximo 3.474019 3.92459 11.63357 1.045339 2.903245 4.305591 4.520936 4.60517
GLOBAL
Média 0.883312 1.062478 9.083672 -0.09905 1.697293 3.268432 3.960726 4.00481
Desvio Padrão 1.507328 1.399227 1.187922 0 .311752 0.4925523 0.3291536 0.2138696 0.46319
Mínimo -5.37107 -2.78270 5.654546 -2.049702 0.32319 1.904667 3.06595 2.180869
Máximo 3.474019 3.92459 11.63357 1.045339 3.914714 4.305591 4.520936 4.60517 Fonte: Elaboração Própria. Notas: Todas as variáveis estão na sua forma de logaritmo natural e estão incluídas nas unidades acima reportadas. Definição da amostra: LI=
Low Income (Baixo Rendimento); LMI= Low Middle Income (Baixo-Médio Rendimento); UMI= Upper Middle Income (Alto-Médio Rendimento); HI= High Income (Alto Rendimento)
29
Matriz de Correlações:
A matriz de correlações permite avaliar a existência de dependência linear
entre os pares de variáveis. Os coeficientes de correlação de Pearson podem
variar em termos de valor de -1 a +1 (Knight e Schor, 2014). Quanto mais
próximo de 1 for o valor em absoluto do coeficiente, significa que mais forte é a
relação entre as variáveis.
Assim, as Tabelas, 8-13 em Anexo, apresentam a correlação entre as
variáveis utilizadas, em seu logaritmo natural. É possível detetar a existência de
multicolineariedade se algum par apresentar correlação elevada (acima de 0.8
em valor absoluto) (Franzen e Mader, 2018). As duas variáveis dependentes
CBA e PBA, mostraram ter uma correlação positiva e elevada: 0.9772, 0.8424,
0.9724, 0.9585, 0.8438, pelos respetivos grupos de amostra: GLOBAL, LI, LMI,
UMI e HI. Todavia, só são preocupantes em termos de multicolineariedade
valores de correlação elevados entre variáveis independentes, o que não é o
caso.
Ao nível da amostra GLOBAL, verifica-se uma correlação negativa entre
CBA e EI (intensidade energética). As restantes variáveis independentes
mostraram estar positivamente correlacionadas com a variável CBA e com a
variável PBA ao nível de significância de 1%. Por outro lado, todas as variáveis
independentes têm um coeficiente de correlação negativo com a variável
CBA/PBA.
Ao longo das restantes amostras categorizadas pelos seus respetivos
rendimentos, o sinal das correlações vai variando. É de notar que nunca é
adequado concluir que as mudanças numa variável causam mudanças noutra
variável com base na correlação. O coeficiente de correlação de Pearson é muito
sensível a valores extremos de dados.
30
31
4. Metodologia
4.1. Modelos
Dada a relevância apresentada pela literatura sobre a importância de saber
se há evidências empíricas para uma urgente mudança ao nível da
contabilização das emissões de CO2, o presente trabalho propôs uma análise
empírica para avaliar e comparar as contas de emissões de produção e consumo
para diferentes regiões impulsionadoras de GEE. Neste estudo, para analisar as
questões levantadas na revisão de literatura pretende-se, inicialmente, por
começar a investigar o conjunto de países do estudo, de uma forma global. Deste
modo, para haver uma perspetiva realista sobre os principais produtores versus
consumidores de emissões, é realizada uma análise comparativa sobre quais
são os principais países que têm os maiores e menores rácios de emissões
baseadas no consumo (CBA) para emissões baseadas na produção (PBA).
Embora alguns autores pareçam céticos sobre a eficácia de uma abordagem
baseada no consumo, será essencial esclarecer esta controvérsia através da
proporção entre estas duas abordagens e consequentemente perceber se
existem evidências de carbon leakage através do rácio (CBA/PBA). Assim
sendo, de forma a compreender qual é o impacto e as dissemelhanças das
contas de emissões de produção e consumo, são utilizadas várias regiões do
mundo e também os seus respetivos grupos de rendimentos per capita,
recorrendo à categorização do World Bank.
Por conseguinte, esta investigação contempla 3 modelos diferentes para
cada um dos grupos de rendimento e para amostra global, para dar resposta às
dúvidas presentemente descritas: para o modelo 1 temos como variável
dependente as emissões com base na Produção; para o modelo 2 temos como
variável dependente as emissões com base no Consumo, e por fim, o modelo 3
utiliza a proporção entre estas duas variáveis anteriormente referidas, como
variável dependente, para verificar se a mudança na contabilidade (CBA ou PBA)
faz sentido e também expõe se existem evidências de carbon leakage entre
regiões. De notar que a variável que correspondente ao rácio entre CBA e PBA
é calculada através do seu logaritmo natural:
32
ln (𝐶𝐵𝐴
𝑃𝐵𝐴) = ln(𝐶𝐵𝐴) − ln(𝑃𝐵𝐴)
Por isso, se o logaritmo da proporção entre CBA e PBA for igual a 0, significa
que as emissões baseadas no consumo são exatamente as mesmas que as
emissões baseadas na produção. Se o logaritmo da proporção for inferior a 0,
significa que o país tem mais emissões baseadas na produção do que no
consumo e, portanto, lucraria (diminuição do CO2 per capita) se passasse para
a contabilidade baseada no consumo. Por fim, proporções acima de 1 indicam
que o logaritmo do rácio (CBA/PBA) é positivo, revelando que os habitantes de
um certo país, têm mais emissões baseadas no consumo do que na produção.
Os modelos utilizados neste trabalho, incluem as seguintes variáveis
explicativas já apresentadas na Tabela 1: produto interno bruto, a intensidade
energética, a balança comercial, a participação do setor industrial e de serviços
na estrutura da economia e a taxa de urbanização. A investigação em causa visa
analisar um horizonte temporal compreendido entre 1990 até 2017.
Como esta investigação analisa uma ampla amostra de diferentes países de
todo o mundo e também com um horizonte temporal de 28 anos, o tipo de dados
a analisar, são dados em painel. Os dados em painel consistem na combinação
de dados temporais (time-series) e seccionais (cross-section). Considerando um
conjunto de dados com i = 1, 2, ..., N unidades e t = 1, 2, ..., T períodos de tempo,
os modelos de dados em painel a considerar são:
𝑴𝒐𝒅𝒆𝒍𝒐𝟏: 𝑃𝐵𝐴𝑖𝑡 = 𝛿0 + 𝛿1𝑃𝐼𝐵𝑖𝑡 +𝛿2𝑇𝑅𝐴𝐷𝐸𝑖𝑡 + 𝛿3𝐸𝐼𝑖𝑡 + 𝛿4𝐼𝑁𝐷𝑈𝑆𝑇𝑅𝑌𝑖𝑡 +
𝛿5𝑆𝐸𝑅𝑉𝐼𝐶𝐸𝑆𝑖𝑡 + 𝛿6𝑈𝑅𝐵𝐴𝑁𝑖𝑡 +휀1𝑖𝑡
𝑴𝒐𝒅𝒆𝒍𝒐𝟐: 𝐶𝐵𝐴𝑖𝑡 = 𝛽0 + 𝛽1𝑃𝐼𝐵𝑖𝑡 +𝛽2𝑇𝑅𝐴𝐷𝐸𝑖𝑡 + 𝛽3𝐸𝐼𝑖𝑡 + 𝛽4𝐼𝑁𝐷𝑈𝑆𝑇𝑅𝑌𝑖𝑡 +
𝛽5𝑆𝐸𝑅𝑉𝐼𝐶𝐸𝑆𝑖𝑡 + 𝛽6𝑈𝑅𝐵𝐴𝑁𝑖𝑡 +휀2𝑖𝑡
𝑴𝒐𝒅𝒆𝒍𝒐𝟑: (𝐶𝐵𝐴
𝑃𝐵𝐴)𝑖𝑡= 𝛾0 + 𝛾1𝑃𝐼𝐵𝑖𝑡 +𝛾2𝑇𝑅𝐴𝐷𝐸𝑖𝑡 + 𝛾3𝐸𝐼𝑖𝑡 + 𝛾4𝐼𝑁𝐷𝑈𝑆𝑇𝑅𝑌𝑖𝑡 +
𝛾5𝑆𝐸𝑅𝑉𝐼𝐶𝐸𝑆𝑖𝑡 + 𝛾6𝑈𝑅𝐵𝐴𝑁𝑖𝑡 +휀3𝑖𝑡
Os coeficientes das variáveis dos modelos a estimar são representados por 𝛿𝑘,𝛽𝑘
e 𝛾𝑘 respetivamente, e sendo k=0,1, 2, …, que corresponde ao número de
33
coeficientes do modelo. E εjit é o termo de erro, sendo j= 1,2 e 3 relativo aos
diferentes modelos. Uma vez que os dados utilizados apresentam valores
positivos, todas a variáveis, tanto dependentes como independentes, são
transformadas em logaritmos naturais. Esta transformação é realizada para que
posteriormente, a leitura do modelo seja mais fácil (Knight e Schor, 2014; Liddle,
2017). Desta forma, as estimativas dos coeficientes podem ser interpretadas
como a mudança percentual na variável dependente para um aumento de 1% na
variável independente, mantendo tudo o resto constante. De notar que todos os
modelos contêm variáveis dummy para cada ano, a fim de controlar as
tendências gerais de tempo (Franzen e Mader, 2018).
Para além da estatística descritiva e da matriz de correlações já apresentada,
os seguintes procedimentos, após a transformação dos dados das variáveis em
logaritmos, foram realizados: (i) Testes de Raízes Unitárias, (ii) Testes de
Cointegração, (iii) Modelos Efeitos Fixos ou Efeitos Aleatórios ou Pooled.
4.2. Raízes Unitárias
Antes das estimações dos modelos foram feitos alguns testes para garantir a
fiabilidade e robustez dos resultados. Assim como no caso de estudos de séries
temporais, é de fundamental importância verificar se as séries utilizadas são
estacionárias ou não. Na análise de regressão com séries temporais, a
estacionariedade, é um dos primeiros pressupostos a ser verificado, para não
incorrer no problema de regressão espúria e invalidar a inferência estatística
posteriormente (Mitic et al., 2020).
Consequentemente, neste estudo, foi considerado o seguinte processo
autoregressivo AR (1) para os dados do painel:
𝑌𝑖𝑡 = 𝜌𝑖𝑦𝑖𝑡−1 + 𝛥𝑖𝑋𝑖𝑡 +ω𝑖𝑡
onde i = 1, 2, ... N representam países observados ao longo de períodos, t=1,
2, …, T. 𝑋𝑖𝑡 são variáveis exógenas do modelo, incluindo quaisquer efeitos fixos
ou tendências individuais, e 𝜌𝑖 é o coeficiente autoregressivo. Se 𝜌𝑖 < 1, 𝑦𝑖 é dito
ser uma tendência fraca e estacionária.
Ao contrário, se 𝜌𝑖 = 1, 𝑦𝑖 então compreende uma unidade raiz. ω𝑖𝑡 é o termo
de erro estacionário.
34
Assim, foram efetuados os seguintes testes de raízes unitárias: Levin, Li e
Chu (Levin et al., 2002), Im, Peasaram e Shin (Im et al., 2003), ADF-Fisher e PP-
Fisher (Choi, 2001; Maddala et al., 1999).
A fim de testar a hipótese nula, de que todas as séries individuais do painel
contêm uma unidade de raiz, Levin et al., (2002) propôs um teste ADF baseado
em painel onde os parâmetros são restritos, mantendo-os idêntico em todas as
regiões seccionais, tal como representado na seguinte Equação:
𝛥𝑌𝑖𝑡 = 𝑐𝑖 + 𝜌𝑖𝑌𝑖𝑡−1 +∑𝜌𝑖
𝑘
𝑗=1
𝑦𝑖𝑡−𝑗 + 𝛾𝑖𝑡
onde t = 1, 2 ...T são os períodos de tempo, e i =1, 2, ... N os membros do
painel.
A LLC adota a hipótese nula de 𝜌𝑖 =𝜌= 0 para todos i, contra a alternativa 𝜌𝑖=
𝜌2 = … = ρ < 0 para todos i, com o teste baseado nas estatísticas 𝑡𝜌 =�̂�
𝑠⋅𝑒⋅(𝑝). No
entanto, uma desvantagem é que 𝜌 está limitado a ser idêntico em todas as
regiões, tanto sob a Hipótese nula como sob a Hipótese alternativa.
Alternativamente, 𝜌 pode ser autorizado a variar livremente através de secções
transversais. 𝛾𝑖𝑡 é a termo de erro estacionário. Os testes IPS e Fisher-ADF e
Fisher-PP são desta forma. Levin et al.,( 2002) especifica uma regressão ADF
separada para cada secção transversal:
𝛥𝑦𝑖𝑡 = 𝛼𝑦𝑖𝑡−1 +∑𝛽𝑖𝑗𝛥𝑦𝑖𝑡−1
𝜌𝑖
𝑗=
+ 𝑥𝑖𝑡′ δ + 휂𝑖𝑡
Neste teste, H0: 𝛼𝑖 = 0 é a hipótese nula, enquanto a hipótese alternativa é
expressa por: H1: {𝑎𝑖 = 0𝑐𝑜𝑚𝑖 = 1,2,3…
𝑎𝑖 < 0𝑐𝑜𝑚𝑖 = 𝑁 + 1,𝑁 + 2,…𝑁
que pode ser interpretado como uma fração estacionária não-zero dos processos
individuais, com 휂𝑖𝑡 representando a fração estacionária termos de erro.
As referências (Choi, 2001; Maddala, 1999) propuseram um método diferente
para os resultados dos testes de raiz da unidade de painel, derivando testes que
combinam os valores p de testes de raiz de unidades individuais (Fisher, 1926)
. Se 𝜋𝑖 é definido como o p-value de qualquer teste de raiz de unidade individual
35
para a secção i, depois sob o valor nulo de unidade raiz para todas as secções
transversais de N, o resultado assimptótico mantém-se como se segue:
−2∑𝑙𝑜𝑔(𝜋𝑖)
𝑁
𝑖=1
→ 𝑥2𝑁2
Além disso, Levin et al., (2002) provaram isso:
𝑧 =1
√𝑁∑𝜙−1(𝜋𝑖)
𝑁
𝑖=1
→ 𝑁(0,1)
onde 𝜙−1 é o inverso da função normal de distribuição cumulativa normal.
A assimptótica 𝑥2 e as estatísticas normais utilizando ADF e PP individuais
foram utilizados testes unitários de raiz. Tanto a hipótese nula como a alternativa
permanecem as mesmas que para o teste IPS.
4.3. Cointegração
A título de complementar é realizado o teste de cointegração para dados em
painel de forma a perceber a possível existência de cointegração. Foram
realizados os teste de Cointegração Residual de Kao e Pedroni (Kao, 1999;
Pedroni, 2000) que têm como base as hipóteses H0: Não há cointegração e H1:
Existe cointegração.
Uma vez assegurada a não estacionaridade, a hipótese de cointegração da
série deve ser testada, que é geralmente transformado utilizando o método
proposto em Robert e C.W.J, (1987). Esta abordagem examina os resíduos de
uma regressão e afirma que há cointegração se ut ~ I(0). A contribuição pioneira
para esta metodologia foi apresentada, entre outros, por Kao e Chiang, (2000);
Pedroni, (1999), dada a seguinte equação:
𝑦𝑖𝑡 = 𝛼𝑖 + 𝛿 + 𝛽1𝑖𝑥1𝑖,𝑡 + 𝛽2𝑖𝑥2𝑖,𝑡 +⋯+ 𝛽𝑘𝑖𝑥𝑘𝑖,𝑡 + 휁𝑖𝑡
onde t = 1, 2, …, T e k = 1, 2, …, K; o parâmetro α denota as características
individuais; k é o número de variáveis explicativas; e 𝛿 é a tendência. Assume-
se ainda que as variáveis y e x estão integradas de ordem um, ou seja, I(1).
36
Assim, sob a hipótese alternativa que há cointegração, os resíduos 휁𝑖𝑡 serão
também I(1).
4.4. Especificação do Modelo
Os dados em painel permitem três tipos de modelos: modelos Pooled,
modelos com Efeitos Fixos ou modelos com Efeitos Aleatórios. A metodologia
de dados em painel é indicada quando estão disponíveis observações
longitudinais, ou seja, por indivíduos num espaço de tempo, o que fornece
informações a respeito de possíveis heterogeneidades individuais (Stock e
Watson, 2008).
4.4.1. Modelos Pooled
Os modelos Pooled apresentam a seguinte configuração:
𝑌𝑖𝑡 = β0 + Σβ𝑘𝑋𝑘𝑖𝑡 + ε𝑖𝑡
Estes modelos são estimados pelo Método dos Mínimos Quadrados (OLS –
Ordinary Least Squares). Estes tipos de modelos assumem determinadas
particularidades, sendo adequada a sua aplicação em amostras que se
caraterizam por indivíduos selecionados que apresentam semelhanças nas suas
características estruturais. Os parâmetros β0 e β𝑘 são comuns para todos os
indivíduos, ou seja, existe homogeneidade na parte constante e no declive. O
estimador é eficiente e consistente, uma vez que o parâmetro β0 é igual para
todos os indivíduos. Os erros ε𝑖𝑡 são white noise e não se encontram
correlacionados com as variáveis independentes, Cov (𝑋𝑘𝑖𝑡, ε𝑖𝑡)=0, Ausência de
Autocorrelação.
4.4.2. Modelos com Efeitos Fixos
Os modelos com Efeitos Fixos apresentam o seguinte formato:
𝑌𝑖𝑡 = β0 + Σβ𝑘𝑋𝑘𝑖𝑡 + 𝛼𝑖 + ε𝑖𝑡
37
Nestes modelos existe homogeneidade no declive e heterogeneidade na
parte constante, sendo 𝛼𝑖 o efeito fixo ao individuo, que permite captar as
diferenças que não variam ao longo do tempo.
4.4.3. Modelos com Efeitos Aleatórios
Os modelos com efeitos aleatórios apresentam a seguinte configuração:
𝑌𝑖𝑡 = β0 +Σβ𝑘𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡
sendo 𝑢𝑖𝑡 = 𝛼𝑖 + ε𝑖𝑡 sendo 𝛼𝑖 o efeito aleatório (ou heterogeneidade)
individual não observável. Nestes modelos é introduzida a heterogeneidade do
indivíduo no termo do erro e é considerada a constante como um parâmetro não
observável/aleatório.
4.5. Testes de diagnósticos do painel
Apresentados os três tipos de modelos, realizam-se os testes seguintes, que
pretendem aferir qual deles é o mais adequado para a amostra em estudo, e os
seus resultados estão apresentados na Tabela 6.
4.5.1. Teste F inclusão dos Efeitos Fixos: Pooled dos mínimos quadrados versus Efeitos Fixos
Com a realização deste teste pretende-se saber se o modelo Pooled dos
Mínimos Quadrados é mais adequado do que o modelo de Efeitos Fixos. Se o
modelo Pooled dos Mínimos Quadrados for o mais adequado, não é rejeitada (p-
value > 5%) a Hipótese Nula, que determina que existe homogeneidade na
constante. Se tal não se verificar, rejeita-se a Hipótese Nula e o modelo mais
adequado é o dos Efeitos Fixos (Juhl e Lugovskyy, 2014).
H0: 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑛 (Modelo Pooled dos Mínimos Quadrados)
H1: Σ𝛼𝑖 ≠ 0 (Modelo Efeitos Fixos)
38
4.5.2. Teste Breuch- Pagan: Efeitos Aleatórios versus Pooled dos mínimos quadrados
De seguida, é realizado o teste de Breuch-Pagan, derivado do princípio
do teste do multiplicador de Lagrange, que pretende avaliar se o modelo de
Efeitos Aleatórios é mais adequado do que o modelo Pooled dos Mínimos
Quadrados (Breusch e Pagan, 2012).
H0: σ𝛼2 = 0
H1: σ𝛼2≠ 0
Caso não se rejeite a Hipótese Nula o modelo mais adequado é o Pooled
dos Mínimos Quadrados, isto é, quando o p-value é superior a 5%. Caso se
verifique o oposto, rejeita-se a Hipótese Nula, o melhor modelo é o dos Efeitos
Aleatórios.
4.5.3. Teste de Hausman: Efeitos Fixos versus Efeitos Aleatórios
O próximo passo a seguir é a realização de um teste que especifique qual
o efeito mais apropriado. O objetivo da concretização deste teste é verificar se,
relativamente ao painel em estudo, o modelo de Efeitos Aleatórios é mais
apropriado do que o modelo de Efeitos Fixos (Hausman, 1978). De acordo com
as especificidades deste teste, podemos verificar dois tipos de situações:
H0: Os efeitos individuais não estão correlacionados com as variáveis
explicativas introduzidas
H1: Os efeitos individuais estão correlacionados com as variáveis
explicativas introduzidas
Este teste tem como Hipótese Nula de que o melhor modelo é o de efeitos
Aleatórios, sendo que se o teste rejeitar a Hipótese Nula, o modelo de Efeitos
Fixos é o mais adequado (Schmidheiny, 2014). Se ocorrer o primeiro caso,
escolhe-se o modelo dos Efeitos Aleatórios, quando o p-value é superior a 5%.
Caso contrário, escolhe-se o modelo dos Efeitos Fixos.
39
40
5. Resultados Empíricos
5.1. Resultados dos testes preliminares
5.1.1. Resultados dos Testes de Raízes Unitárias
Todos os testes de raízes unitárias de dados em painel, indicados na
Secção 4 foram aplicados a todas as variáveis e aos diferentes grupos de
amostras (GLOBAL, LI, LMI, UMI e HI). Os resultados estão apresentados na
Tabela 13-17 em Anexo.
Os resultados dos testes mostram que nem todas as variáveis são
estacionárias em nível porque a Hipótese Nula não é rejeitada a 5%. Quando
convertidas em primeiras diferenças são todas consideradas estacionárias
(possui raiz unitária), (p-value<5%) com exceção da variável URBAN para o
grupo LI e LMI. Deste modo, foi necessário recorrer à segunda diferenciação, e
agora todas as variáveis são consideradas estacionárias em segundas
diferenças (p-value<5%) evitando, desta forma, problemas associados a
regressões espúrias.
5.1.2. Resultados dos Testes de Cointegração
As Tabelas 18-32 em Anexo mostram os resultados dos testes de
cointegração Kao e Pedroni, que evidenciam a cointegração em painéis de
diferentes países, e os resultados mostraram-se consistentes.
Conclui-se ainda que, independentemente dos grupos de rendimentos
per capita, os resultados de ambos os valores do teste de Cointegração indicam
que a cointegração é significativa. Logo rejeita-se a Hipótese nula, sugerindo que
há cointegração entre as variáveis escolhidas.
Tendo-se verificado que as variáveis estão cointegradas, o passo
seguinte é estimar a relação. Quando se trabalha com uma estrutura de dados
em painel, é necessário testar a presença de efeitos individuais. Deste modo, é
possível dar o passo em frente, em direção às principais estimações deste
estudo, através dos Efeitos Fixos ou Aleatórios, de forma a responder aos
objetivos estabelecidos desde o início desta análise (Franzen e Mader, 2018).
41
5.1.3. Resultados da Especificação do Modelo
Os resultados dos efeitos Fixos versus Aleatórios são apresentados na
Tabela 5. Para todos os modelos, e independentemente da amostra a analisar,
através do teste F a Hipótese nula, é rejeitada (p-value inferior a 5%), o que
significa que o modelo de efeitos fixos é preferível ao modelo Pooled. A seguir,
quando é realizado o teste de Breusch-Pagan, a Hipótese Nula é rejeitada
porque o p-value é inferior a 5%, para todos os modelos deste estudo, o que
sugere que o melhor modelo é o dos efeitos aleatórios.
Por fim, é pelo teste de Hausman que é escolhido qual é o melhor efeito,
isto é, se o modelo é estimado pelos Efeitos Fixos ou Aleatórios. A Hipótese Nula
deste teste, não é rejeitada (p-value> 5%), o melhor modelo a utilizar é o modelo
de Efeito Aleatórios (EA), exceto para o Modelo 2 e o Modelo 3 da amostra
GLOBAL. Como no Modelo 2 (p-value= 0.000) e Modelo 3 (p-value= 0.0012) da
amostra GLOBAL, se obteve um p-value abaixo dos 5%, o teste demonstrou ser
estatisticamente significativo. Logo a Hipótese nula é rejeitada, o que significa
que o modelo preferido é o modelo de Efeitos Fixos (EF).
Tabela 5. Resultados dos Efeitos Fixos versus Aleatórios
Grupo Modelo Teste F Teste Lagrange Teste Hausman Efeito
GLOBAL
Modelo 1 0.0000 0.0000 0.3109 Aleatório
Modelo 2 0.0000 0.0000 0.0000 Fixo
Modelo 3 0.0000 0.0000 0.0012 Fixo
LI
Modelo 1 0.0000 0.0000 0.3925 Aleatório
Modelo 2 0.0000 0.0000 0.6929 Aleatório
Modelo 3 0.0000 0.0000 0.9636 Aleatório
LMI
Modelo 1 0.0000 0.0000 0.9947 Aleatório
Modelo 2 0.0000 0.0000 0.9551 Aleatório
Modelo 3 0.0000 0.0000 1.0000 Aleatório
UMI
Modelo 1
Modelo 2
0.0000
0.0000
0.0000
0.0000
0.9962
0.9600
Aleatório
Aleatório
Modelo 3 0.0000 0.0000 1.0000 Aleatório
HI
Modelo 1 0.0000 0.0000 0.9990 Aleatório
Modelo 2 0.0000 0.0000 0.3038 Aleatório
Modelo 3 0.0000 0.0000 0.8617 Aleatório
Fonte: Elaboração própria. Definição da amostra: LI= Low Income (Baixo Rendimento); LMI= Low Middle Income (Baixo-Médio Rendimento); UMI= Upper Middle Income (Alto-Médio Rendimento); HI= High
Income (Alto Rendimento)
42
5.2. Resultados da estimação dos modelos
Os resultados da estimação dos vários modelos estão apresentados na
Tabela 6. Podemos comprovar a variável PIB per capita é estatisticamente
significativa e positiva em relação às emissões de CO2 tanto para PBA como
para CBA, com exceção do grupo LI. Logo, suporta a hipótese de que existe uma
relação positiva entre o PIB per capita e as emissões de carbono para atmosfera,
por isso, a [H1] é aceite. De facto, os estudos analisados mostraram que
independentemente do grupo de rendimento do país, quanto maior for o
crescimento económico, mais emissões serão emitidas para a atmosfera
(Franzen e Mader, 2018; Liddle, 2017). Nos países LI, contrariamente aos
resultados obtidos no artigo de Liddle (2017), os resultados mostram que existe
um impacto negativamente significativo do PIB per capita sobre as emissões de
CO2 CBA (modelo 2). Isto é, um aumento de 1% no PIB contribuirá para uma
diminuição de 0,55% das emissões de CBA. Em relação ao modelo 3, um
impacto positivo e significativo na variável PIB vai traduzir-se numa diminuição
do rácio (CBA/PBA diminui), exceto para o grupo HI que não é significativo. Por
isso, um aumento de 1% do PIB, vai aumentar mais as emissões com base na
produção do que as de consumo. Logo, os países aumentam mais as
exportações de CO2 se estiverem a ter um aumento crescimento económico
(associado a aumentos do PIB per capita). Assim, a alteração do PIB per capita
do país, altera o rácio de CBA para PBA, com a exceção dos países com um alto
rendimento per capita.
A variável TRADE, ao longo das diferentes amostras, exceto para os
países com um baixo rendimento per capita (LI), apresenta um coeficiente
estatisticamente significativo e negativo, para as emissões com base na
produção (PBA) e com base no consumo (CBA), bem como para o rácio
CBA/PBA. Isto indica que o aumento da balança comercial, posição
economicamente mais favorável, vai ter um impacto negativo nas emissões de
carbono, tanto ao nível da abordagem da produção (PBA) como a de consumo
(CBA).
43
Tabela 6. Estimação dos modelos
Grupo Modelo PIB TRADE EI INDUSTRY SERVICES URBAN n
LI
Modelo 1 0.01958 0.45980*** 0.08105 0.48446*** -0.46996** 1.16346***
6 (0.10775) (0.10659) (0.07587) (0.11806) (0.18851) (0.09845)
Modelo 2 -0.55855*** 0.35601*** 0.17574** 0.22748** -0.89917*** 1.06407***
6 (0.101406) (0.10032) (0.07140) (0.111103) (0.17741) (0.09265)
Modelo 3 -0.57813*** -0.10379 0.09469** -0.25698*** -0.42921*** -0.09937
6 (0.06606) (0.06536) (0.04652) (0.07238) (0.11559) (0.06037)
LMI
Modelo 1 1.10046 *** (0.06508)
-0.15248*** (0.05156)
0.42614*** (0.05944)
0.38226*** (0.06752)
-0.17412** (0.09094)
1.27424*** (0.10795)
28
Modelo 2 1.04401*** -0.25632*** 0.28237*** 0.42710*** -0.16274*** 1.12316***
28 (0.05434) (0.04317) (0.04955) (0 .05655) (0.07613) (0.08926)
Modelo 3 -0.08321** -0.10457*** -0.14385*** 0.04499 0.00586 -0.14869**
28 (0.04317) (0.03558) (0.038605) (0.04678) (0.06255) (0.06394)
UMI
Modelo 1 0.91305*** -0.01695 0.87045*** 0.07159 0.03321 0.36934***
26 (0.03426) (0.02431) (0.03201) (0.04628) (0.06285) (0.07940)
Modelo 2 0.77743*** -0.21869*** 0.59447*** 0.31548*** 0.12976*** 0.07271***
26 (0.04035) (0.02905) (0.03721) (0 .05493) (0.07479) (0.07271)
Modelo 3 -0.15736*** -0.20149*** -0.30864*** 0.21402*** 0.07391 -0.23644***
26 0.03028 (0.02234) (0.02732) (0 .04175) (0.05708) (0.06665)
HI
Modelo 1 0.71423*** -0.15104*** 1.09204*** 0.06447 0.11312 -0.00289
41 (0.03081) (0.03418) (0.03212) (0.04026) (0.07287) (0.10857)
Modelo 2 0.76925*** (0.04950)
-0.32129*** (0.06103)
0.85941*** (0.05328)
0.00251 (0.07035)
-0.24859** (0.12920)
0.42404*** (0.15848)
41
Modelo 3 0.01937 -0.16639*** -0.23803*** -0.04942 -0.31266*** 0.39371***
41 (0.04338) (0.056273) (0.04726) (0.06407) (0.11860) (0.13387)
GLOBAL
Modelo 1 0.78173*** -0.05827*** 0.70539*** 0.39662*** 0 .16414*** 1.44977***
101 (0.02349) (0.02133) (0.02507) (0.02896) (0.04237) (0.05010)
Modelo 2 0.66595*** -0.22578*** 0.47284*** 0.41856 *** -0.01710 1.27441***
101 (0.02918) (0.02371) (0.02894) (0.03275) (0 .04720) (0.06054)
Modelo 3 -0.09089*** -0.16881*** -0.21801*** 0.03389 -0.17081*** -0.24545***
101 (0.02412) (0.01959) (0.02392) (0.02707) (0.03902) (0.05004)
Fonte: Elaboração Própria. Notas: Todas as variáveis estão na sua forma de logaritmo natural e estão incluídas nas unidades acima reportadas. Notas: *=p < 0,1, **=p < 0,05, ***=p < 0,01. Coeficientes de regressão com erros padrão entre parênteses. Definição da amostra: LI= Low Income (Baixo Rendimento); LMI= Low Middle Income
(Baixo-Médio Rendimento); UMI= Upper Middle Income (Alto-Médio Rendimento); HI= High Income (Alto Rendimento)
44
Isto significa que os países ao exportarem mais do que importam, apesar
do impacto ser negativo em ambas as abordagens de emissões (CBA e PBA),
vão se tornar mais “emissores” por parte da produção do que por parte do
consumo, pois o rácio CBA/PBA também vai diminuir (o que significa que CBA
diminui menos que PBA). Uma justificação para este acontecimento é que ao
nível das emissões com base no consumo: se as importações de bens e serviços
diminuírem (ou exportações aumentarem) a balança comercial aumenta e
consequentemente as emissões de carbono com base no consumo irão diminuir,
porque os bens importados podem ser menos intensivos em carbono do que os
bens exportados. Ao nível das emissões com base na produção, é de notar que
as emissões com base nas importações não são contabilizadas porque esta
abordagem apenas contabiliza as emissões dentro de fronteiras nacionais. Além
disso, estudos anteriores, como o de Knight e Schor (2014) e Liddle (2017),
concluíram que as importações e exportações não tinham qualquer impacto nas
emissões de carbono com base na produção. Apesar dos resultados deste
estudo não irem ao encontro dos esperados, uma das justificações é: se um
aumento da posição da balança comercial (aumento das exportações) diminuir
a percentagem das emissões com base na produção, significa que os bens
comercializados para o exterior podem estar associados a uma exportação de
produtos de elevado valor acrescentado (com pouco impacto nas emissões), por
exemplo em inovações tecnológicas nas cadeias produtivas ou serviços pouco
poluentes e não tanto do carácter dos processos de manufatura. Por outro lado,
nos países com um baixo rendimento, a balança comercial tem um impacto
estatisticamente significativo e positivo tanto para o modelo 1 como para o
modelo 2. Isto significa que um aumento de 1% da balança comercial, vai
provocar um aumento das emissões de CO2, tanto ao nível da produção
(0.45980%) como do consumo (0.35601%). Em relação ao modelo 3, os
resultados corroboram a hipótese de que existe uma relação negativa entre a
Balança Comercial e a proporção CBA para PBA, tal como é evidenciado por
Franzen e Mader (2018), e por isso, a hipótese [H2] é confirmada para todos os
grupos. Isto significa, que se a proporção entre exportações e importações
diminuir, as emissões com base no consumo irão aumentar. Portanto, se as
exportações diminuírem em comparação com as importações (diminuição da
45
variável TRADE), a razão CBA/PBA aumenta, havendo evidências da ocorrência
do carbon leakage. Ou o inverso, se as importações forem maiores em
comparação com as exportações, então o rácio CBA/PBA aumenta.
A intensidade energética EI, tem um impacto positivo e significativo sobre
as emissões de CO2, tanto ao nível da abordagem da produção (PBA), (exceto
para a amostra LI), como para a abordagem do consumo (CBA). Estes
resultados vão ao encontro do estudo realizado por Zhang e Lin (2012): quanto
mais energia for utilizada por uma unidade de PIB, mais emissões serão emitidas
para o ambiente. A variável também pode ser interpretada como a ineficiência
energética de um país, segundo Franzen e Mader (2018). Os resultados
sugerem que a ineficiência energética está negativamente relacionada com o
rácio CBA/PBA (modelo 3), exceto para grupo LI. Se o consumo de energia por
unidade do PIB diminuir, o rácio CBA/PBA aumenta, então a importação de CO2
também aumenta. Logo, em média, os países aumentam as importações de CO2
se se tornarem mais eficientes (menor intensidade energética) do ponto de vista
energético, e por isso, a Hipótese [H3] é aceite. Uma das justificações para este
acontecimento, pode estar nas indústrias intensivas em energia em países com
controlos rigorosos de emissões, regulamentos ou impostos que podem estar a
deslocar-se para territórios com menos restrições e custos energéticos mais
baixos.
A participação da indústria numa economia está indissociavelmente
associada a aumentos de emissões de GEE com base no artigo realizado por
Zhang e Lin (2012). Esta variável, é estatisticamente significativa e positiva tanto
para as emissões de produção (PBA) e como de consumo (CBA), logo [H4] é
aceite. O seu efeito é maior para os países de baixo rendimento (LI), o que
significa que um aumento de 1% no setor da indústria contribuirá para um
aumento de 0,46% das emissões de CO2 de PBA e 0,23% de CBA,
aproximadamente. Enquanto nos países desenvolvidos (HI) esta variável é
insignificante para o aumento das emissões de carbono, tanto ao nível das
emissões com base na produção como no consumo. Por fim, a participação de
uma economia no sector da indústria, apenas, tem um impacto significativo com
o rácio CBA/PBA, para grupos: médio-alto rendimento (UMI) e baixo- rendimento
(LI). Nos países de baixo rendimento, esta variável é estatisticamente
46
significativa e negativa (-0.25698) ao nível do rácio, logo estes países aumentam
mais as suas exportações de carbono se se tornarem mais industrializados. Por
outro lado, nos países de médio-alto rendimento per capita, o setor da indústria
tem coeficiente positivo (0.21402) ao nível do rácio, e por isso, estes países se
se tornarem mais industrializados irão aumentar as importações de carbono,
logo existirão evidências de carbon leakage.
Ao contrário do que é constatado através da variável INDUSTRY, a
variável SERVICES, demonstra que tem um efeito negativo tanto para as
emissões territoriais (para o grupo LI, LMI) como para as emissões com base no
consumo (para o grupo LI, LMI e HI). Um país que seja mais focado no setor dos
serviços, irá contribuir na diminuição das emissões, porque ao contrário do setor
da indústria, os serviços incorporam uma carga poluente consideravelmente
menor. Estas evidências apenas vão ao encontro de [H5] para as regiões
ocidentais e centrais por isso, é necessário ter em atenção as áreas de estudo
porque estão divididas com critérios regionalmente diferentes. Em relação ao
modelo 3, esta variável tem uma influência negativa na variável CBA/PBA para
os grupos: GLOBAL, LI, HI. Logo, se houver uma maior participação do setor de
serviços, é pela produção que mais emissões irão ser emitias, nestas regiões.
A variável URBAN, mede a percentagem de urbanização e está
positivamente relacionada com a variável de emissões de CO2 com base no
consumo (CBA) e produção (PBA). Estes resultados corroboram a hipótese de
que existe uma relação positiva entre a urbanização e as emissões de carbono
[H6]. No entanto, com base no modelo 3, vemos que é pela produção que os
centros urbanos emitem mais, exceto nos países que têm um alto rendimento
per capita. Por outro lado, pode-se constatar que é nos países com um alto
rendimento per capita que há um maior impacto da percentagem de urbanização
na contabilidade baseada no consumo do que para a produção e por isso, o seu
efeito é positivo para o rácio (modelo 3). Conclui-se que nos países com alto
rendimento per capita, também considerados desenvolvidos, como há uma
relação positiva entre a proporção e a percentagem de urbanização, demonstra
a presença da existência do fenómeno, carbon leakage. Uma das justificações é
que nos centros urbanos é onde há um maior consumo, relativamente à
47
produção, logo significa que também há uma maior importação de carbono, caso
contrário as emissões com base na
produção seriam maiores.
48
49
6. Conclusões
Este trabalho teve como principal objetivo comparar as duas abordagens
de contabilização de emissões de CO2, uma com base no consumo (CBA) e
outra com base na produção (PBA), para verificar se existem evidências que
justifiquem uma mudança no esquema de contabilidade. Como já referido
anteriormente, as contas baseadas na produção, são atualmente a base de
todas as políticas ambientais e relatórios oficiais de GEE. Por este motivo,
internacionalmente, a alocação da responsabilidade pela redução das emissões
de GEE é baseada no método de produção, que mede as emissões provenientes
do local onde os estes bens e serviços são produzidos, isto é, dentro das
fronteiras nacionais, tendo como desvantagem a atribuição da responsabilidade,
pelas emissões associadas ao comércio, à nação exportadora (Franzen e
Mader, 2018).
O estudo da transferência de carbono é vital não só para a efetiva
formulação, implementação e avaliação da política climática atual, mas também
para a partilha justa das responsabilidades internacionais com o propósito de
redução de emissões (Yu et al., 2021). Por isso, é que se torna tão importante,
analisar e estudar a contabilidade baseada no consumo pois tem a vantagem de
além de incorporar as emissões de CO2 provenientes de bens e serviços
produzidos localmente e inclui as emissões do consumo de bens e serviços
produzidos no exterior, ou seja, importações, enquanto exclui as emissões da
produção de bens e serviços consumidos no exterior, ou seja, as exportações.
Por levar em consideração as emissões incorporadas ao comércio internacional
tem também a vantagem de incorporar as fugas de carbono e atribuí-las aos
países que externalizam as emissões de CO2.
As medidas relacionadas com a redução de emissões de GEE devem
estar associadas a todo e qualquer plano de sustentabilidade. É nas mudanças
de padrões de consumo e produção que se encontram soluções para esta
questão. Por isso, é necessário haver pesquisas realizadas que ajudem na
investigação de medidas para amenizar os efeitos dos GEE ao longo dos anos.
E é também importante para que haja um consenso comum entre as diferentes
regiões de todo o mundo. No entanto, as atuais políticas climáticas são
50
regionalmente diferenciadas e deste modo, provocam inevitavelmente
fenómenos de transferências de carbono ou carbon leakage.
Neste estudo, é verificado que para o ano 2017, os 6 países que contêm
os maiores rácios CBA/PBA, isto é, cujas emissões baseadas no consumo
ultrapassam largamente as emissões baseadas na produção são: Suíça, Malta,
Singapura, Hong Kong, Luxemburgo e Malawi. Logo, nestes países faz mais
sentido haver uma política com suporte numa contabilidade das emissões de
CO2 ao nível do consumo, para a elaboração de políticas de mitigação climática.
Neste sentido haveria uma perceção mais consciente sobre o impacto que cada
região tem no ambiente, e para futuramente combater a problemática associada
ao carbon leakage. Por outro lado, os países que têm um menor rácio são: África
do Sul, Nigéria, Federação Russa, Cazaquistão, Bulgária e China. Neste caso
como o rácio é inferior a 1 significa que estes países teriam o status de produtor,
logo, beneficiariam se passasse para a contabilidade baseada no consumo. É
importante destacar que o estudo do rácio CBA/PBA, responde à questão de
saber quais os países que seriam afetados pela mudança do esquema de
contabilidade. No entanto, o rácio também concede informação sobre a
existência ou não da ocorrência do fenómeno carbon leakage. Isto é, um rácio
superior a 1 significa, que um país está a importar mais emissões de carbono do
que exportar. Isto indica que está a haver um aumento nas emissões de gases
de efeito estufa num país como resultado da redução de emissões por um
segundo país, com uma política climática rigorosa.
De acordo com os resultados dos modelos estimados, é notório que uma
abordagem das emissões de CO2 com base no consumo será um elemento
fundamental. Globalmente, um aumento do PIB per capita, da balança comercial,
da intensidade energética, da participação do setor dos serviços, e um aumento
da percentagem de urbanização, vão aumentar mais as emissões com base na
produção do que no consumo. Por outro lado, um aumento das importações de
bens e serviços em detrito das exportações, da participação do setor da indústria
e um aumento da eficiência energética, vai aumentar mais as emissões com
base no consumo. Focando-se apenas nos países com um alto rendimento per
capita, é constatado que é nestes países que há uma maior percentagem, cerca
76%, de população a viver em áreas urbanas. Como nos centros urbanos é onde
51
há um maior consumo, esta variável demonstrou ter um impacto maior para as
emissões de consumo do que as de produção (rácio CBA/PBA aumenta), logo
estas áreas são maioritariamente importadoras de carbono. Logo, nestas regiões
existem evidências de fugas de carbono. Por fim, um aumento do PIB per capita,
nos países desenvolvidos, também vai ter um aumento maior nas emissões de
consumo do nas emissões com base na produção. A Figura 3, fomenta estes
resultados e mostra que há uma relação entre o PIB per capita e o rácio
apresenta uma forma em U: o que significa que nos países menos
desenvolvidos, um aumento do PIB per capita vai aumentar mais as emissões
com base na produção do que as emissões com base no consumo. Todavia nos
países desenvolvidos acontece o contrário.
Com base nestes resultados, uma vez que há países que são
maioritariamente importadores de carbono, é necessário haver uma revisão de
políticas ambientais. Por exemplo, alguns autores propõem que os inventários
de emissões com base no consumo não devam ser considerados a solução para
a política climática, mas devem ser considerados como informações adicionais
relevantes, porque as emissões territoriais por si só não fornecerão uma imagem
completa dos progressos na redução das emissões regionais e nacionais
(Barrett et al., 2013).
Como formas de ajudar a combater o carbon leakage, alguns autores,
nomeadamente, Qin et al., (2021) , Khourdajie e Finus (2020) e Jakob et al.
(2014b), definem algumas soluções que poderão ajudar a travar este fenómeno.
Deste modo, Qin et al., (2021) referem que uma das soluções pode estar na
aplicação das tarifas de importação baseadas nas emissões associadas ao
processo produtivo dos bens. Estas propostas como medidas políticas podem
reduzir as fugas de carbono e aumentar a relação custo-eficácia global dos
preços unilaterais das emissões de CO2. Khourdajie e Finus (2020), também
concordam com os autores anteriores, e acrescentam que uma outra forma de
tentar combater a fuga de carbono pode passar por um preço global do carbono,
se quisermos aumentar a possibilidade de controlar as alterações climáticas.
Todavia, Jakob et al. (2014b), argumentam que colocar um preço sobre as
emissões incorporadas nas importações igual ao custo social destas emissões
(por exemplo, através de preços de emissão baseados no consumo) não é uma
52
ótima política. Como opção alternativa, consideram que deve haver uma vasta
pesquisa de medidas comerciais para reduzir as fugas, concentrando-se apenas
nas indústrias altamente comercializadas e com grande intensidade de
emissões. Com base nos resultados, as conclusões deste trabalho, apoiam um
apelo à revisão dos aspetos do Acordo de Paris para produzir mais coordenação
e aplicação de políticas.
Este trabalho apresenta algumas limitações que podem ser oportunidades
de investigação futura. Muitos dos artigos analisados na literatura, tinham como
uma das suas lacunas o espetro temporal e geográfico, por isso, esta
investigação teve como objetivo alargar e aprofundar esta temática para que o
estudo fosse mais completo e organizado. Apesar de se terem alargado esses
campos neste estudo, ainda assim existiram limitações encontradas ao longo do
trabalho relacionadas com a falta de dados disponíveis, com o objetivo de
permitir uma comparação mais abrangente da evolução das variáveis num
período superior, assim como para alguns países. O período temporal mais
recente e comum para a recolha de todas as variáveis foi o ano 2017. O dado
que limitou esta pesquisa foram as emissões de CO2 com base no consumo
(CBA) retiradas do Global Carbon Atlas. Uma das investigações futuras pode
passar pela utilização de uma base de dados que permita atualizar este dado
não só a nível temporal como regional. Também seria interessante analisar de
que forma é que os preços e as diferentes tarifas aplicadas às emissões de
carbono têm impacto nas emissões, isto é, se têm uma influência positiva ou
negativa no fenómeno carbon leakage. Além disso, é necessária uma análise
mais aprofundada do leque de opções políticas. Tais análises precisariam
considerar os fatores subjacentes às emissões e oferecer uma interpretação de
cada política, individual e coletivamente, não dependendo exclusivamente da
contabilidade baseada no consumo. Por fim, com o objetivo de haver uma
investigação mais aprofundada sobre o fenómeno carbon leakage, segundo a
opinião de alguns autores, Zhang e Fang (2019), o rácio (CBA/PBA) não é a
variável mais adequada para fazer esta análise, porque apenas calcula o carbon
leakage em termos relativos. Sob outra perspetiva, a diferença entre CBA e PBA,
é apontada como uma abordagem que fornece um quadro mais completo sobre
as transferências de carbono ou carbon leakage, porque mede a sua magnitude
53
em termos absolutos. Por isso sugere-se investigar quais são os países que
apresentam uma maior e menor transferência de carbono através diferença entre
CBA e PBA, em vez do rácio, usando também a análise econométrica para
estabelecer as relações dinâmicas que potenciam o fenómeno carbon leakage.
54
Referências
Afionis, S., Sakai, M., Scott, K., Barrett, J., & Gouldson, A. (2017).
Consumption-based carbon accounting: does it have a future? Wiley
Interdisciplinary Reviews: Climate Change, 8(1), 1–19.
https://doi.org/10.1002/wcc.438
Barrett, J., Peters, G., Wiedmann, T., Scott, K., Lenzen, M., Barrett, J., Peters,
G., Wiedmann, T., Scott, K., Lenzen, M., Roelich, K., Quéré, L., Roelich,
K., Le, C., & Re, Q. U. E. (2013). Política climática Contabilidade de
emissões de GEE baseada no consumo : um estudo de caso no Reino
Unido Roelich e Corinne Le Quéré Contabilidade de emissões de GEE
baseada no consumo : um estudo de caso no Reino Unido. Climate Policy,
13(4).
Barrett, J., Peters, G., Wiedmann, T., Scott, K., Lenzen, M., Roelich, K., & Le
Quéré, C. (2013). Consumption-based GHG emission accounting: a UK
case study. Climate Policy, 13(4), 451–470.
https://doi.org/10.1080/14693062.2013.788858
Baumert, N., Kander, A., Jiborn, M., Kulionis, V., & Nielsen, T. (2019). Global
outsourcing of carbon emissions 1995–2009: A reassessment.
Environmental Science and Policy, 92(December 2018), 228–236.
https://doi.org/10.1016/j.envsci.2018.10.010
Boitier, B. (2012). CO 2 emissions production-based accounting vs
consumption : Insights from the WIOD databases. Final WIOD Conference:
Causes and Consequences of Globalization, April, 1–23.
Breusch, & Pagan. (2012). A Simple Test for Heteroscedasticity and Random
Coefficient Variation Author ( s ): T . S . Breusch and A . R . Pagan
Reviewed work ( s ): Published by : The Econometric Society Stable URL :
http://www.jstor.org/stable/1911963 . Econometrica, 47(5), 1287–1294.
Chen, Z. M., Chen, G. Q., & Chen, B. (2010). Embodied carbon dioxide
emissions of the world economy: A systems input-output simulation for
2004. Procedia Environmental Sciences, 2(5), 1827–1840.
https://doi.org/10.1016/j.proenv.2010.10.194
Choi, I. (2001). Unit root tests for panel data. Journal of Internacional Money
55
and Finance, 20, 249–272.
Davis, S. J., & Caldeira, K. (2010). Consumption-based accounting of CO2
emissions. Proceedings of the National Academy of Sciences of the United
States of America, 107(12), 5687–5692.
https://doi.org/10.1073/pnas.0906974107
Feng, K., Hubacek, K., Sun, L., & Liu, Z. (2014). Consumption-based CO2
accounting of China’s megacities: The case of Beijing, Tianjin, Shanghai
and Chongqing. Ecological Indicators, 47(2014), 26–31.
https://doi.org/10.1016/j.ecolind.2014.04.045
Fisher, R. A. (1926). Statistical Methods for Research Workers. Statistical
Methods for Research Workers, 67–70.
Franzen, A., & Mader, S. (2018). Consumption-based versus production-based
accounting of CO2 emissions: Is there evidence for carbon leakage?
Environmental Science and Policy, 84, 34–40.
https://doi.org/10.1016/j.envsci.2018.02.009
Hausman. (1978). Specification tests in econometrics. Econometrica, 46(6),
1251–1271.
Hertwich, E. G., & Peters, G. P. (2009). Carbon footprint of nations: A global,
trade-linked analysis. Environmental Science and Technology, 43(16),
6414–6420. https://doi.org/10.1021/es803496a
Im, K., Pesaran, M. H., & Shin, Y. (2003). Testing for unit roots in
heterogeneous panels. Journal of Econometrics, 115(9526), 53–74.
https://doi.org/10.1016/S0304-4076(03)00092-7
Jakob, M., Steckel, J. C., & Edenhofer, O. (2014a). Consumption- Versus
Production-Based Emission Policies. Annual Review of Resource
Economics, 6(1), 297–318. https://doi.org/10.1146/annurev-resource-
100913-012342
Jakob, M., Steckel, J. C., & Edenhofer, O. (2014b). Consumption-versus
production-based emission policies. Annual Review of Resource
Economics, 6(1), 297–318. https://doi.org/10.1146/annurev-resource-
100913-012342
Juhl, T., & Lugovskyy, O. (2014). A Test for Slope Heterogeneity in Fixed
Effects Models. Econometric Reviews, 33(8), 906–935.
56
https://doi.org/10.1080/07474938.2013.806708
Kao, C. (1999). Spurious regression and residual-based tests for cointegration
in panel data. Journal of Econometrics, 90, 1–334.
Kao, C., & Chiang, M. H. (2000). On the estimation and inference of a
cointegrated regression in panel data. Advances in Econometrics, 15, 179–
222. https://doi.org/10.1016/S0731-9053(00)15007-8
Khourdajie, A. Al, & Finus, M. (2020). Measures to enhance the effectiveness of
international climate revised version ). European Economic Review, 1–28,
103405. https://doi.org/10.1016/j.euroecorev.2020.103405
Knight, K. W., & Schor, J. B. (2014). Economic growth and climate change: A
cross-national analysis of territorial and consumption-based carbon
emissions in high-income countries. Sustainability, 6, 3722–3731.
https://doi.org/10.3390/su6063722
León, C. J., Arana, J. E., & Hernández Alemán, A. (2014). CO2 Emissions and
tourism in developed and less developed countries. Applied Economics
Letters, 21(16), 1169–1173. https://doi.org/10.1080/13504851.2014.916376
Levin, A., Lin, C., & Chu, C. J. (2002). Unit root tests in panel data : asymptotic
and finite-sample properties. Journal of Econometrics, 108, 1–24.
Liddle, B. (2017). Consumption-based accounting and the trade-carbon
emissions nexus. Energy Economics, 69, 71–78.
https://doi.org/10.1016/j.eneco.2017.11.004
Liobikienė, G. (2020). The revised approaches to income inequality impact on
production-based and consumption-based carbon dioxide emissions:
literature review. Environmental Science and Pollution Research, 27(9),
8980–8990. https://doi.org/10.1007/s11356-020-08005-x
Maddala, G. S. (1999). A comparative study of unit root tests with panel data
and a new simple test. Oxford Bulletin of Economics and Statistics, January
1997, 631–652.
Mi, Z., Zhang, Y., Guan, D., Shan, Y., Liu, Z., Cong, R., Yuan, X. C., & Wei, Y.
M. (2016). Consumption-based emission accounting for Chinese cities.
Applied Energy, 184, 1073–1081.
https://doi.org/10.1016/j.apenergy.2016.06.094
Mi, Z., Zheng, J., Meng, J., Zheng, H., Li, X., Coffman, D. M., Woltjer, J., Wang,
57
S., & Guan, D. (2019). Carbon emissions of cities from a consumption-
based perspective. Applied Energy, 235(July 2018), 509–518.
https://doi.org/10.1016/j.apenergy.2018.10.137
Minx, J., Baiocchi, G., Wiedmann, T., Barrett, J., Creutzig, F., Feng, K., Förster,
M., Pichler, P. P., Weisz, H., & Hubacek, K. (2013). Carbon footprints of
cities and other human settlements in the UK. Environmental Research
Letters, 8(3). https://doi.org/10.1088/1748-9326/8/3/035039
Mitic, P., Kostic, A., Petrovic, E., & Cvetanovic, S. (2020). The Relationship
between CO 2 Emissions , Industry , Services and Gross Fixed Capital
Formation in the Balkan Countries. Inzinerine Ekonomika-Engineering
Economics, 31(4), 425–436.
Mózner, Z. V. (2013). A consumption-based approach to carbon emission
accounting e sectoral differences and environmental bene fi ts. Journal of
Cleaner Production, 42. https://doi.org/10.1016/j.jclepro.2012.10.014
Pedroni, P. (1999). Critical values for cointegration tests in heterogeneous
panels with multiple regressors. Oxford Bulletin of Economics and
Statistics, 654–670.
Pedroni, P. (2000). Fully Modified OlS for Heterogeneous Cointegrated Panels.
In Nonstationary Panels, Panels Cointegration, and Dynamic Panels.
Elsevier Science Inc., 15, 93–130.
https://pdfs.semanticscholar.org/b6b4/fe66e3344b173e4cd91c9ec768296c
2e4fbf.pdf
Peters, G. P. (2008). From production-based to consumption-based national
emission inventories. Ecological Economics, 5(1), 13–23.
https://doi.org/10.1016/j.ecolecon.2007.10.014
Peters, G. P., & Hertwich, E. G. (2007). CO2 embodied in international trade
with implications for global climate policy. Environmental Science and
Technology, 42(5), 1401–1407. https://doi.org/10.1021/es072023k
Peters, G. P., Minx, J. C., Weber, C. L., & Edenhofer, O. (2011). Growth in
emission transfers via international trade from 1990 to 2008. PNAS,
108(21), 8903–8908. https://doi.org/10.1073/pnas.1006388108
Qin, L., Malik, M. Y., Latif, K., Khan, Z., Siddiqui, A. W., & Ali, S. (2021). The
salience of carbon leakage for climate action planning: Evidence from the
58
next eleven countries. Sustainable Production and Consumption, 27, 1064–
1076. https://doi.org/10.1016/j.spc.2021.02.019
Robert, E., & C.W.J, G. (1987). Linkage Study of Gamma Globulin Groups.
JSTOR, 55(2), 252–276.
Schmidheiny, K. (2014). Panel Data : Fixed and Random Effects. Short Guides
to Microeconometrics, 25(2), 1–16.
Scott, K., & Barrett, J. (2015). An integration of net imported emissions into
climate change targets. Environmental Science and Policy, 52, 150–157.
https://doi.org/10.1016/j.envsci.2015.05.016
Stock, J. H., & Watson, M. W. (2008). Heteroskedasticity-robust standard errors
for fixed effects panel data regression. In Econometrica (Vol. 76, Issue 1).
Su, B., & Ang, B. W. (2014). Input-output analysis of CO2 emissions embodied
in trade: A multi-region model for China. Applied Energy, 114, 377–384.
https://doi.org/10.1016/j.apenergy.2013.09.036
Sudmant, A., Gouldson, A., Millward-Hopkins, J., Scott, K., & Barrett, J. (2018).
Producer cities and consumer cities: Using production- and consumption-
based carbon accounts to guide climate action in China, the UK, and the
US. Journal of Cleaner Production, 176, 654–662.
https://doi.org/10.1016/j.jclepro.2017.12.139
United Nations, (The 2030 Agenda). (n.d.). Transforming our world: the 2030
agenda for sustainable development.
Wang, H., Zhang, Y., Lu, X., Nielsen, C. P., & Bi, J. (2015). Understanding
China’s carbon dioxide emissions from both production and consumption
perspectives. Renewable and Sustainable Energy Reviews, 52, 189–200.
https://doi.org/10.1016/j.rser.2015.07.089
Wen, W., & Wang, Q. (2020). Re-examining the realization of provincial carbon
dioxide emission intensity reduction targets in China from a consumption-
based accounting. Journal of Cleaner Production, 244, 118488.
https://doi.org/10.1016/j.jclepro.2019.118488
Yu, B., Zhao, Q., & Wei, Y. (2021). Science of the Total Environment Review of
carbon leakage under regionally differentiated climate policies. Science of
the Total Environment, 782(5), 1–11.
https://doi.org/10.1016/j.scitotenv.2021.146765
59
Zhang, C., & Lin, Y. (2012). Panel estimation for urbanization , energy
consumption and CO 2 emissions : A regional analysis in China. Energy
Policy, 49, 488–498. https://doi.org/10.1016/j.enpol.2012.06.048
Zhang, Q., & Fang, K. (2019). Comment on “Consumption-based versus
production-based accounting of CO2 emissions: Is there evidence for
carbon leakage?” Environmental Science and Policy, 101(August), 94–96.
https://doi.org/10.1016/j.envsci.2019.08.002
Zhang, Y. J., Bian, X. J., Tan, W., & Song, J. (2017). The indirect energy
consumption and CO2 emission caused by household consumption in
China: an analysis based on the input–output method. Journal of Cleaner
Production, 163, 69–83. https://doi.org/10.1016/j.jclepro.2015.08.044
60
Anexos
Anexo 1: Lista de Países
Tabela 7. Lista dos países da amostra Baixo
Rendimento
Médio-Baixo
Rendimento
Alto-Médio
Rendimento Alto Rendimento
Burkina Faso Bangladesh Albânia Austrália
Madagáscar Benim Argentina Áustria
Malawi Bolívia Azerbaijão Bélgica
Moçambique Camboja Brasil Brunei Darussalam
Togo Camarões Bulgária Canadá
Uganda Costa do Marfim China Chile Egipto Colômbia Chipre El Salvador Costa Rica República Checa
Gana República
Dominicana Dinamarca
Honduras Equador Estónia Índia Geórgia Finlândia Quirguizistão Guatemala França Laos Indonésia Alemanha Mongólia Irão Grécia Marrocos Jamaica Hong Kong Nepal Jordânia Hungria Nicarágua Cazaquistão Irlanda Nigéria Malásia Israel Paquistão México Itália Filipinas Paraguai Japão Senegal Peru Luxemburgo Sri Lanka Federação Russa Malta Tanzânia África do Sul Maurícia Tunísia Tailândia Países Baixos Ucrânia Turquia Nova Zelândia Vietname Venezuela Noruega Zâmbia Omã Zimbabué Panamá Portugal Roménia Arábia Saudita Singapura Eslovénia Coreia do Sul Espanha Suécia Suíça Reino Unido
Estados Unidos da
América Uruguai
Fonte: Elaboração própria. Países agrupados pelos seus respetivos rendimentos per capita. Número total de países da amostra são 101
61
Anexo 2: Matriz de Correlações
Tabela 8. Resultados da Matriz das Correlações GLOBAL
CBA PBA CBA/PBA PIB TRADE EI INDUSTRY SERVICES URBAN
CBA 1.0000
PBA 0.9772*** 1.0000
CBA/PBA -0.2246*** -0.4263*** 1.0000
PIB 0.9107*** 0.8857*** -0.1851*** 1.0000
TRADE 0.5182*** 0.5549*** -0.3391*** 0.5658*** 1.0000
IE -0.2447*** -0.2038*** -0.1070*** -0.4850*** -0.2158*** 1.0000
INDUSTRY 0.2484*** 0.3313*** -0.4623*** 0.2065*** 0.4781*** 0.0238 1.0000
SERVICES 0.5118*** 0.4510*** 0.1104*** 0.5772*** 0.0949*** -0.4306*** -0.4038*** 1.0000
URBAN 0.8182*** 0.8158*** -0.2586*** 0.8037*** 0.4959*** -0.348*** 0.2035*** 0.5346*** 1.0000 p-value= ***, **, * representa coeficiente estatisticamente significativo a 1%, 5% e 10%, respetivamente.
Tabela 9. Resultados da Matriz das Correlações LI
CBA PBA CBA/PBA PIB TRADE EI INDUSTRY SERVICES URBAN
CBA 1.0000
PBA 0.8424*** 1.0000
CBA/PBA 0.3126*** -0.2485*** 1.0000
PIB 0.0645*** 0.3417*** -0.4865*** 1.0000
TRADE 0.1677*** 0.4004*** -0.4044*** 0.5539*** 1.0000
IE 0.3114*** 0.0329 0.5018** -0.6243*** -0.5946*** 1.0000
INDUSTRY 0.0371*** 0.1435*** -0.1861*** 0.1267* -0.0126 0.0211 1.0000
SERVICES -0.0143*** 0.0464*** -0.1075 0.1291* 0.0169 -0.1213 -0.2811*** 1.0000
URBAN 0.7153*** 0.7528*** -0.0411*** 0.2584*** 0.2112*** 0.1552** -0.1441* 0.3549*** 1.0000 p-value= ***, **, * representa coeficiente estatisticamente significativo a 1%, 5% e 10%, respetivamente.
62
Tabela 10. Resultados da Matriz das Correlações LMI
CBA PBA CBA/PBA PIB TRADE EI INDUSTRY SERVICES URBAN
CBA 1.0000
PBA 0.9724*** 1.0000
CBA/PBA -0.4575*** -0.6523*** 1.0000
PIB 0.7841*** 0.7513*** -0.3162*** 1.0000
TRADE 0.1179*** 0.1887*** -0.3364*** 0.1561*** 1.0000
IE -0.0371*** -0.0107 -0.0799** -0.4066*** 0.0584* 1.0000
INDUSTRY 0.5090*** 0.5030*** -0.2634*** 0.4712*** 0.4754*** -0.1448*** 1.0000
SERVICES 0.1451*** 0.1331*** -0.0357 0.4182*** -0.0672** -0.3862*** -0.0567 1.0000
URBAN 0.6325*** 0.6438*** -0.3989*** 0.5849*** 0.2448*** -0.0659** 0.3547*** 0.2758*** 1.0000 p-value= ***, **, * representa coeficiente estatisticamente significativo a 1%, 5% e 10%, respetivamente.
Tabela 11. Resultados da Matriz das Correlações UMI
CBA PBA CBA/PBA PIB TRADE EI INDUSTRY SERVICES URBAN
CBA 1.0000
PBA 0.9585*** 1.0000
CBA/PBA -0.4774*** -0.7081*** 1.0000
PIB 0.5752*** 0.4965*** -0.1056*** 1.0000
TRADE 0.3327*** 0.3973*** -0.4004*** 0.3608*** 1.0000
IE 0.4648*** 0.5670*** -0.5964*** -0.2768*** 0.1303*** 1.0000
INDUSTRY 0.2611*** 0.3230*** -0.3489*** 0.1548*** 0.6310*** 0.1696*** 1.0000
SERVICES 0.0794*** 0.0004*** 0.1954*** 0.2738*** -0.2553*** -0.2845*** -0.6206*** 1.0000
URBAN 0.3431** 0.2947 -0.0587*** 0.5746*** 0.1238*** -0.2450*** -0.0980*** 0.3263*** 1.0000 p-value= ***, **, * representa coeficiente estatisticamente significativo a 1%, 5% e 10%, respetivamente.
63
Tabela 12. Resultados da Matriz das Correlações HI
CBA PBA CBA/PBA PIB TRADE EI INDUSTRY SERVICES URBAN
CBA 1.0000
PBA 0.8438*** 1.0000
CBA/PBA 0.2972*** -0.2617*** 1.0000
PIB 0.6067*** 0.5212*** 0.1638*** 1.0000
TRADE 0.2292*** 0.2684*** -0.0653** 0.4602*** 1.0000
IE 0.2714*** 0.5022*** -0.4053*** -0.2814*** -0.0518* 1.0000
INDUSTRY -0.0485*** 0.1849*** -0.4161*** -0.0651** 0.4285*** 0.3599*** 1.0000
SERVICES 0.1388*** -0.0954*** 0.4192*** 0.1640*** -0.4117*** -0.3190*** -0.8767*** 1.0000
URBAN 0.3813*** 0.2724*** 0.2012*** 0.3937*** 0.2238*** -0.0312 -0.1974*** 0.2924*** 1.0000
p-value= ***, **, * representa coeficiente estatisticamente significativo a 1%, 5% e 10%, respetivamente.
64
Anexo 3: Testes de Raiz Unitária
Tabela 13. Resultados do teste de raiz unitária de todos os países (Global)
Variável Testes Estatísticos Em Nível
Primeiras Diferenças
Segundas Diferenças
Estatística-t Prob. Estatística-t Prob. Estatística-t Prob
PBA
LLC IPS AD
PP-FISHER
-3.3757 0.44888 233.815 277.481
0.00036 0.67325 0.06184 0.00033
-22.7151 -25.9792 998.855 1794.05
0.0000 0.0000 0.0000 0.0000
-43.1841 -54.6188 2091.12 2309.67
0.0000 0.0000 0.0000 0.0000
CBA
LLC IPS ADF
PP-FISHER
-1.73673 1.61765 210.285 266.476
0.0412 0.9471 0.3301 0.0016
-22.9635 -27.2370 1084.05 1939.95
0.0000 0.0000 0.0000 0.0000
-47.0393 -59.5961 2317.61 2210.23
0.0000 0.0000 0.0000 0.0000
CBA/PBA
LLC IPS ADF
PP-FISHER
-5.28476 -4.72394 296.250 336.611
0.0000 0.0000 0.0000 0.0000
-25.6326 -31.2988 1253.41 2175.85
0.0000 0.0000 0.0000 0.0000
-45.4304 -59.789 2324.69 2140.89
0.0000 0.0000 0.0000 0.0000
PIB
LLC IPS ADF
PP-FISHER
-1.82320 10.7788 64.4208 111.541
0.0341 1.0000 1.0001 1.0002
-16.7856 -18.9109 741.588 1090.96
0.0000 0.0000 0.0000 0.0000
-46.8209 -52.7854 2079.85 2569.58
0.0000 0.0000 0.0000 0.0000
TRADE
LLC IPS ADF
PP-FISHER
-4.13211 -5.99682 338.734 390.585
0.0000 0.0000 0.0000 0.0000
-23.6501 -28.9664 1153.30 1940.31
0.0000 0.0000 0.0000 0.0000
-43.0213 -57.8004 2279.28 2381.65
0.0000 0.0000 0.0000 0.0000
EI
LLC IPS ADF
PP-FISHER
2.87038 8.89004 123.461 149.757
0.9980 1.0000 1.0001 0.9977
-20.9263 -24.9263 989.480 1899.03
0.0000 0.0000 0.0000 0.0000
-51.3165 -60.0694 2369.42 2256.65
0.0000 0.0000 0.0000 0.0000
INDUSTRY
LLC IPS ADF
PP-FISHER
-4.59956 -1.94170 247.153 47.324
0.0000 0.0261 0.0166 0.0163
-22.9096 -25.5071 1014.99 1645.24
0.0000 0.0000 0.0000 0.0000
-49.1139 -57.1862 2265.81 2350.82
0.0000 0.0000 0.0000 0.0000
SERVICES
LLC IPS ADF
PP-FISHER
-5.75297 -2.73514 252.597 343.043
0.0000 0.0031 0.0090 0.0000
-25.2237 -28.1027 1119.55 1760.61
0.0000 0.0000 0.0000 0.0000
-43.4040 -55.8807 2193.43 2248.66
0.0000 0.0000 0.0000 0.0000
URBAN
LLC IPS ADF
PP-FISHER
-7.76424 -49.4151 339.152 793.871
0.0000 0.9524 0.0003 0.0000
-79.5580 -54.9826 262.762 294.302
0.3218 0.1890 0.0038 0.0002
-52.6764 -34.0207 1025.72 1124.60
0.0000 0.0000 0.0000 0.0000
Fonte: Elaboração própria. Para os testes de raiz unitários, o comprimento de lag foi determinado utilizando a seleção automática da Schwarz; uma distribuição qui-quadrada assimptótica foi utilizada para
calcular probabilidades para os testes de Fisher.Nota: Os testes de Raiz Unitária são elaborados em EViews
65
Tabela 14. Resultados do teste de raiz unitária dos países de baixo rendimento per capita
Variável Testes Estatísticos Em Nível
Primeiras Diferenças
Segunda Diferenças
Estatística-t Prob. Estatística-t Prob. Estatística-t Prob.
PBA
LLC IPS ADF
PP-FISHER
1.74607 2.41049 7.38847 6.0363
0.9596 0.9920 0.8309 0.9128
-7.49862 -6.85531 66.3689 114.026
0.0000 0.0000 0.0000 0.0000
-10.2455 -12.3761 125.980 110.524
0.0000 0.0000 0.0000 0.0000
CBA
LLC IPS ADF
PP-FISHER
-0.12832 1.12887 6.8524 8.23972
0.4489 0.8705 0.8689 0.7661
-7.42139 -8.27255 81.4443 131.247
0.0000 0.0000 0.0000 0.0000
-7.52088 -11.4996 118.077 117.606
0.0000 0.0000 0.0000 0.0000
CBA/PBA
LLC IPS ADF
PP-FISHER
-2.96812 -2.00524 22.2972 18.0049
0.0015 0.0225 0.0343 0.1155
-9.75399 -9.62411 96.2483 140.973
0.0000 0.0000 0.0000 0.0000
-3.26135 -10.8725 111.024 137.748
0.0000 0.0000 0.0000 0.0000
PIB
LLC IPS ADF
PP-FISHER
-0.38623 2.43409 3.75205 4.69042
0.3497 0.0025 0.9875 0.9675
-3.60884 -4.84891 46.3171 96.9007
0.0000 0.0000 0.0000 0.0000
-14.1071 -14.0520 121.269 152.622
0.0000 0.0000 0.0000 0.0000
TRADE
LLC IPS ADF
PP-FISHER
-1.50398 -1.37236 18.1604 18.8446
0.0663 0.0850 0.1109 0.0923
-7.71513 -8.09002 79.5493 122.752
0.0000 0.0000 0.0000 0.0000
-7.45119 -12.1415 121.925 132.447
0.0000 0.0000 0.0000 0.0000
EI
LLC IPS ADF
PP-FISHER
-1.58553 -0.16121 14.9312 20.9609
0.0564 0.4360 0.2452 0.0510
-4.29319 -4.99109 47.0630 105.990
0.0000 0.0000 0.0000 0.0000
-12.0349 -14.0723 129.178 129.533
0.0000 0.0000 0.0000 0.0000
INDUSTRY
LLC IPS ADF
PP-FISHER
-2.92882 -1.10462 15.7333 19.4489
0.0017 0.1347 0.2038 0.0783
-7.34756 -6.60828 64.1069 126.312
0.0000 0.0000 0.0000 0.0000
-10.5618 -13.2805 133.994 118.786
0.0000 0.0000 0.0000 0.0000
SERVICES
LLC IPS ADF
PP-FISHER
-0.98751 -0.78309 13.6658 18.3287
0.1617 0.2168 0.3226 0.1061
-5.14067 -6.16686 59.4420 119.291
0.0000 0.0000 0.0000 0.0000
-1.06646 -12.2810 124.333 128.298
0.0000 0.0000 0.0000 0.0000
URBAN
LLC IPS ADF
PP-FISHER
-0.24089 3.49004 2.45743 64.3522
0.4048 0.9998 0.9983 0.0000
3.72329 0.83250 10.9372 22.2481
1.0000 0.9260 0.6375 0.0348
14.1815 -4.78942 53.4848 65.9202
1.0000 0.0000 0.0000 0.0000
Fonte: Elaboração própria. Para os testes de raiz unitários, o comprimento de lag foi determinado utilizando a seleção automática da Schwarz; uma distribuição qui-quadrada assimptótica foi utilizada para
calcular probabilidades para os testes de Fisher.Nota: Os testes de Raiz Unitária são elaborados em EViews
66
Tabela 15. Resultados do teste de raiz unitária dos países de baixo-médio rendimento per capita
Variável Testes Estatísticos Em nível
Primeiras Diferenças
Segundas Diferenças
Estatística -t Prob. Estatística -t Prob. Estatística -t Prob.
PBA
LLC IPS ADF
PP-FISHER
-3.40298 -1.07135 70.2743 88.9327
0.0003 0.1420 0.0950 0.0033
-16.5370 15.2580 283.629 517.938
0.0000 0.0000 0.0000 0.0000
-30.2913 -31.5258 596.217 588.168
0.0000 0.0000 0.0000 0.0000
CBA
LLC IPS ADF
PP-FISHER
-1.05500 2.27390 51.0482 70.5954
0.1457 0.9885 0.6624 0.0907
-14.7432 -14.8700 306.931 573.698
0.0000 0.0000 0.0000 0.0000
-19.9278 -29.4527 622.342 566.061
0.0000 0.0000 0.0000 0.0000
CBA/PBA
LLC IPS ADF
PP-FISHER
-7.14760 -5.62688 116.107 116.873
0.0000 0.0000 0.0000 0.0000
-15.6748 -18.0613 376.633 642.886
0.0000 0.0000 0.0000 0.0000
-21.2613 -30.7348 638.277 572.166
0.0000 0.0000 0.0000 0.0000
PIB
LLC IPS ADF
PP-FISHER
2.47156 9.55420 7.14985 6.84647
0.9933 1.0000 1.0000 1.0000
-6.79554 -7.77108 161.397 256.847
0.0000 0.0000 0.0000 0.0000
-27.8180 -27.9699 560.379 744.519
0.0000 0.0000 0.0000 0.0000
TRADE
LLC IPS ADF
PP-FISHER
-1.66823 -1.84170 75.8198 110.094
0.0476 0.0328 0.0401 0.0000
-10.8174 -15.2510 320.902 558.175
0.0000 0.0000 0.0000 0.0000
-26.6993 -32.0359 638.816 644.720
0.0000 0.0000 0.0000 0.0000
EI
LLC IPS ADF
PP-FISHER
0.99521 2.63480 50.7871 60.5954
0.8402 0.9958 0.6719 0.3137
-9.63251 -12.1928 253.054 487.622
0.0000 0.0000 0.0000 0.0000
-28.4846 -32.6881 686.729 661.953
0.0000 0.0000 0.0000 0.0000
INDUSTRY
LLC IPS ADF
PP-FISHER
-2.60025 -2.33642 87.2473 91.4088
0.0047 0.0097 0.0047 0.0020
-10.9636 -13.2609 280.026 471.971
0.0000 0.0000 0.0000 0.0000
-25.7039 -30.1139 616.367 674.316
0.0000 0.0000 0.0000 0.0000
SERVICES
LLC IPS ADF
PP-FISHER
-3.50750 -2.08905 75.5414 74.0401
0.0002 0.0184 0.0420 0.0536
-13.4640 -14.2644 297.840 502.544
0.0000 0.0000 0.0000 0.0000
-19.3832 -28.6172 613.571 639.660
0.0000 0.0000 0.0000 0.0000
URBAN
LLC IPS ADF
PP-FISHER
-2.28330 2.03928 71.6401 153.444
0.0012 0.9793 0.0007 0.0000
-0.10200 -0.25424 62.2714 68.1872
0.4594 0.3997 0.2629 0.1273
-14.7733 -12.4386 256.236 281.739
0.0000 0.0000 0.0000 0.0000
Fonte: Elaboração própria. Para os testes de raiz unitários, o comprimento de lag foi determinado utilizando a seleção automática da Schwarz; uma distribuição qui-quadrada assimptótica foi utilizada para
calcular probabilidades para os testes de Fisher.Nota: Os testes de Raiz Unitária são elaborados em EViews
67
Tabela 16. Resultados do teste de raiz unitária dos países de médio-alto rendimento per capita
Variável Testes Estatísticos
Em nível Primeiras
Diferenças Segundas Diferenças
Estatística -t Prob. Estatística-t Prob. Estatística -
t Prob.
PBA
LLC IPS ADF
PP-FISHER
-3.29539 -2.29843 81.9794 95.9575
0.0005 0.0108 0.0050 0.0002
-10.1408 -12.8033 257.970 447.383
0.0000 0.0000 0.0000 0.0000
-22.6992 -28.9697 536.551 606.266
0.0000 0.0000 0.0000 0.0000
CBA
LLC IPS ADF
PP-FISHER
-1.50360 -0.04372 47.7791 75.8513
0.0663 0.4826 0.6405 0.0171
-11.0284 -14.0084 285.820 468.546
0.0000 0.0000 0.0000 0.0000
-23.7855 -30.0794 572.505 559.708
0.0000 0.0000 0.0000 0.0000
CBA/PBA
LLC IPS ADF
PP-FISHER
-3.14497 -3.65571 91.4022 110.500
0.0008 0.0001 0.0006 0.0000
-11.9772 -14.6200 296.975 523.954
0.0000 0.0000 0.0000 0.0000
-28.1455 -33.3396 652.326 553.356
0.0000 0.0000 0.0000 0.0000
PIB
LLC IPS ADF
PP-FISHER
-2.06231 4.77512 14.6140 17.9412
0.0196 1.0000 1.0000 1.0000
-10.9810 -10.3681 205.798 337.292
0.0000 0.0000 0.0000 0.0000
-22.2362 -25.5325 525.078 677.670
0.0000 0.0000 0.0000 0.0000
TRADE
LLC IPS ADF
PP-FISHER
-3.47297 -5.64337 128.543 132.415
0.0003 0.0000 0.0000 0.0000
-15.1301 -16.8852 337.664 501.419
0.0000 0.0000 0.0000 0.0000
-17.9698 -29.0513 606.901 639.854
0.0000 0.0000 0.0000 0.0000
EI
LLC IPS ADF
PP-FISHER
0.88637 3.78582 25.8745 35.4809
0.0812 0.9999 0.9991 0.9612
-10.0113 -12.2493 247.317 440.442
0.0000 0.0000 0.0000 0.0000
-24.0099 -29.2740 588.218 603.013
0.0000 0.0000 0.0000 0.0000
INDUSTRY
LLC IPS ADF
PP-FISHER
-2.51529 -2.31786 78.5293 83.8288
0.0059 0.0102 0.0102 0.0034
-11.9806 -12.0863 241.211 384.115
0.0000 0.0000 0.0000 0.0000
-28.5779 -30.4005 597.680 643.756
0.0000 0.0000 0.0000 0.0000
SERVICES
LLC IPS ADF
PP-FISHER
-1.01816 -2.42503 85.1020 137.614
0.1543 0.0077 0.0026 0.0000
-10.5081 -15.0292 302.978 455.014
0.0000 0.0000 0.0000 0.0000
-32.0948 -34.8338 611.652 556.932
0.0000 0.0000 0.0000 0.0000
URBAN
LLC IPS ADF
PP-FISHER
-4.30017 -1.74224 96.5856 323.658
0.0000 0.0407 0.0000 0.0000
-1.42351 -0.76386 78.8314 70.7912
0.0773 0.2225 0.0096 0.0425
-41.5455 -24.2992 317.998 345.166
0.0000 0.0000 0.0000 0.0000
Fonte: Elaboração própria. Para os testes de raiz unitários, o comprimento de lag foi determinado utilizando a seleção automática da Schwarz; uma distribuição qui-quadrada assimptótica foi utilizada para
calcular probabilidades para os testes de Fisher.Nota: Os testes de Raiz Unitária são elaborados em EViews
68
Tabela 17. Resultados do teste de raiz unitária dos países de alto rendimento per capita
Variável Testes Estatísticos Em Nível
Primeiras Diferenças
Segundas Diferenças
Estatística-t Prob. Estatística-t Prob. Estatística-t Prob.
PBA
LLC IPS ADF
PP-FISHER
0.62628 2.48103 74.4171 88.3651
0.7344 0.9934 0.7119 0.2958
-11.2909 -15.2739 388.464 709.795
0.0000 0.0000 0.0000 0.0000
-18.9593 -31.7572 828.269 1079.76
0.0000 0.0000 0.0000 0.0000
CBA
LLC IPS ADF
PP-FISHER
-0.62585 0.30401 103.954 110.742
0.2657 0.6194 0.0513 0.0189
-12.6698 -16.0838 407.227 787.176
0.0000 0.0000 0.0000 0.0000
-35.3705 -40.7999 1001.57 1211.84
0.0000 0.0000 0.0000 0.0000
CBA/PBA
LLC IPS ADF
PP-FISHER
-0.47087 0.91571 66.3970 92.1732
0.3189 0.8201 0.8948 0.2074
-14.3908 -18.8208 482.183 866.464
0.0000 0.0000 0.0000 0.0000
-29.0698 -37.7572 920.513 889.612
0.0000 0.0000 0.0000 0.0000
PIB
LLC IPS ADF
PP-FISHER
-3.73440 4.41373 38.1740 79.9802
0.0001 1.0000 1.0000 0.5425
-10.8858 -13.1575 328.155 499.851
0.0000 0.0000 0.0000 0.0000
-28.1606 -33.8637 868.879 1016.33
0.0000 0.0000 0.0000 0.0000
TRADE
LLC IPS ADF
PP-FISHER
-2.30806 -2.89824 116.627 129.117
0.0105 0.0019 0.0072 0.0007
-13.4613 -16.1898 411.214 800.994
0.0000 0.0000 0.0000 0.0000
-28.3010 -36.3093 906.271 1209.60
0.0000 0.0000 0.0000 0.0000
EI
LLC IPS ADF
PP-FISHER
3.14184 8.74815 32.0619 33.5949
0.9992 1.0000 1.0000 1.0000
-15.1103 -17.3480 441.096 864.659
0.0000 0.0000 0.0000 0.0000
-32.1599 -38.4713 964.653 1107.13
0.0000 0.0000 0.0000 0.0000
INDUSTRY
LLC IPS ADF
PP-FISHER
-2.69143 1,12879 65.6626 52.6816
0.0036 0.8705 0.9062 0.9951
-15.2082 -16.8400 427.649 658.254
0.0000 0.0000 0.0000 0.0000
-28.8172 -35.4289 920.327 1158.94
0.0000 0.0000 0.0000 0.0000
SERVICES
LLC IPS ADF
PP-FISHER
-5.03873 -0.42052 78.4406 113.130
0.0000 0.3371 0.5909 0.0129
-18.7588 -17.9857 459.044 686.471
0.0000 0.0000 0.0000 0.0000
-23.3888 -31.6825 840.443 1168.74
0.0000 0.0000 0.0000 0.0000
URBAN
LLC IPS ADF
PP-FISHER
-4.28716 1.36996 108.221 233.997
0.0000 0.9146 0.0134 0.0000
-2.27812 -1.27760 118.221 114.654
0.0114 0.1000 0.0022 0.0044
-33.7185 -21.9300 398.000 431.774
0.0000 0.0000 0.0000 0.0000
Fonte: Elaboração própria. Para os testes de raiz unitários, o comprimento de lag foi determinado utilizando a seleção automática da Schwarz; uma distribuição qui-quadrada assimptótica foi utilizada para
calcular probabilidades para os testes de Fisher.Nota: Os testes de Raiz Unitária são elaborados em Eviews
69
Anexo 4: Testes de Cointegração
Tabela 18. Resultados do Teste de Cointegração do Modelo 1 (Global)
Modelo 1-GLOBAL
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -4.040147 1.000
Painel rho -0.840237 0.2004
Painel PP -19.13493 0.0000
Painel ADF -5.284018 0.0001
Teste de cointegração de Kao Valor
Estatístico P-value
ADF -7.989577 0.0000
Variância residual 0.015686
Variância HAC 0.008233
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 19. Resultados do Teste de Cointegração do Modelo 2 (Global)
Modelo 2- GLOBAL
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v-Statistic -1.828453 0.9663
Painel rho-Statistic 3.436707 0.9997
Painel PP-Statistic -8.462883 0.0000
Painel ADF-Statistic -1.647396 0.0003
Teste de cointegração de Kao Valor
Estatístico P-value
ADF -5.122028 0.0000
Variância residual 0.014750
Variância HAC 0.012941
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 20. Resultados do Teste de Cointegração do Modelo 3 (Global)
Modelo 3- GLOBAL
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -2.298557 0.9892
Painel rho 2.815579 0.9976
Painel PP -11.05048 0.0000
Painel ADF -3.547990 0.00002
Teste de cointegração de Kao Valor
Estatístico P-value
ADF -6.509158 0.0000
Variância residual 0.015857
Variância HAC 0.009864
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
70
Tabela 21.Resultados do Teste de Cointegração do Modelo 1 (LI)
Modelo 1- LI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -0.220140 0.5871
Painel rho 1.872982 0.9695
Painel PP -1.886114 0.0296
Painel ADF -2.508806 0.0061
Teste de cointegração de Kao Valor
Estatístico P-value
ADF -1.759173 0.0393
Variância residual 0.015079
Variância HAC 0.007499
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 22. Resultados do Teste de Cointegração do Modelo 2 (LI)
Modelo 2- LI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -0.700510 0.7582
Painel rho 0.701796 0.7586
Painel PP -3.590568 0.0002
Painel ADF -2.217696 0.0133
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -2.391147 0.0084
Variância residual 0.022531
Variância HAC 0.013638
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 23. Resultados do Teste de Cointegração do Modelo 3 (LI)
Modelo 3- LI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -0.970012 0.8340
Painel rho 1.677173 0.9532
Painel PP -2.148883 0.0158
Painel ADF -3.514439 0.0002
Teste de cointegração de Kao Valor
Estatístico P-value
ADF -2.184124 0.0145
Variância residual 0.023369
Variância HAC 0.010543
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
71
Tabela 24. Resultados do Teste de Cointegração do Modelo 1 (LMI)
Modelo 1- LMI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -2.91638 0.9982
Painel rho -2.465425 0.0068
Painel PP -13.25426 0.0000
Painel ADF -2.169182 0.0150
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -7.950841 0.0000
Variância residual 0.038028
Variância HAC 0.013728
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 25. Resultados do Teste de Cointegração do Modelo 2 (LMI)
Modelo 2- LMI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Paniel v -1.288433 0.9012
Painel rho 0.092731 0.5369
Painel PP -7.610280 0.0000
Painel ADF -0.358219 0.3601
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -4.133929 0.0000
Variância residual 0.015179
Variância HAC 0.012225
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 26. Resultados do Teste de Cointegração do Modelo 3 (LMI)
Modelo 3- LMI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -2.991942 0.9986
Painel rho -1.692956 0.0452
Painel PP -13.08502 0.0000
Painel ADF -3.36789 0.0004
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -6.125937 0.0000
Variância residual 0.024664
Variância HAC 0.007607
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
72
Tabela 27. Resultados do Teste de Cointegração do Modelo 1 (UMI)
Modelo 1- UMI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -0.832869 0.7975
Painel rho 2.152881 0.9843
Painel PP -5.401647 0.0000
Painel ADF -4.530256 0.0000
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -5.599887 0.0000
Variância residual 0.007723
Variância HAC 0.005657
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 28. Resultados do Teste de Cointegração do Modelo 2 (UMI)
Modelo 2- UMI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -1.790836 0.9633
Painel rho 0.508444 0.6944
Painel PP -8.254435 0.0000
Painel ADF -2.063567 0.0195
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -4.231236 0.0000
Variância residual 0.011970
Variância HAC 0.007665
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 29. Resultados do Teste de Cointegração do Modelo 3 (UMI)
Modelo 3- UMI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -1.321468 0.9068
Painel rho 2.089450 0.9817
Painel PP -4.029264 0.0000
Painel ADF -1.355179 0.0877
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -5.078718 0.0000
Variância residual 0.007370
Variância HAC 0.006170
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
73
Tabela 30. Resultados do Teste de Cointegração do Modelo 1 (HI)
Modelo 1- HI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -1.698238 0.9553
Painel rho 2.432946 0.9925
Painel PP -5.473718 0.0000
Painel ADF -1.047256 0.1475
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -3.799501 0.0001
Variância residual 0.005051
Variância HAC 0.004056
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 31. Resultados do Teste de Cointegração do Modelo 2 (HI)
Modelo 2- HI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v -5.76293 0.7178
Painel rho 3.594406 0.9998
Painel PP -1.675939 0.0469
Painel ADF -0.392585 0.3473
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -3.379785 0.0004
Variância residual 0.014266
Variância HAC 0.015290
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
Tabela 32. Resultados do Teste de Cointegração do Modelo 3 (HI)
Modelo 3- HI
Teste de cointegração de Pedroni
Valor Estatístico
P-value
Painel v 0.060289 0.4760
Painel rho 3.438007 0.9997
Painel PP -2.355220 0.0093
Painel ADF -0.524396 0.3000
Teste de cointegração de Kao Valor
Estatístico P-
value
ADF -3.174285 0.0008
Variância residual 0.013945
Variância HAC 0.013315
Fonte: Elaboração própria. Nota: Os testes Pedroni e Kao são elaborados em EViews
74