Traducido del inglés al español - www.onlinedoctranslator.

com

Economía energética 81 (2019) 1056–1077

Listas de contenidos disponibles enCienciaDirecta

Economía Energética

revista Página de inicio:www.elsevier.com/localize/eneeco

Crecimiento económico, intensidad energética y mix energético☆

antonia diaza, Gustavo A. Marrerob,mi,⁎, Luis A. PuchC,F, Jesús Rodríguezd

aUniversidad Carlos III de Madrid, España
bUniversidad de La Laguna, Tenerife, España
CUniversidad Complutense de Madrid, España
dUniversidad Pablo de Olavide, Sevilla, España
miCentro de Investigación sobre Desigualdad Social y Gobernanza (CEDESOG), Universidad de La Laguna, Tenerife, España
FICAE, Madrid, España

información del artículo abstracto

Historial del artículo: Este documento explora cómo los cambios en la intensidad energética y el cambio a las energías renovables pueden impulsar
Recibido el 30 de abril de 2018 el crecimiento económico. Para hacerlo, implementamos un enfoque de datos de panel dinámico en una muestra de 134
Recibido en forma revisada el 25 de marzo de 2019
países durante el período de 1960 a 2010. Incorporamos un conjunto de variables de control, relacionadas con el capital
Aceptado el 27 de mayo de 2019
humano y físico, las condiciones socioeconómicas, las políticas y las instituciones, que tienen ampliamente utilizado en la
Disponible en línea el 6 de junio de 2019
literatura sobre crecimiento económico. Dado el estado actual de la tecnología, mejorar la intensidad energética es mejorar el
crecimiento a nivel mundial. Además, condicionado a la intensidad energética, pasar de los combustibles fósiles a las energías
Clasificación JEL:
C23 renovables de frontera (eólica, solar, undimotriz o geotérmica) también se correlaciona positivamente con el crecimiento.
O5 Nuestros resultados son robustos a la especificación del panel dinámico con respecto a enfoques alternativos (OLS agrupados,
Q2 dentro del grupo o sistema GMM),
Q43 © 2019 Publicado por Elsevier BV

Palabras clave:

Crecimiento

Intensidad de la energía

Renovables
Modelos de datos de panel dinámicos

1. Introducción vínculos entre el crecimiento económico y estas dos dimensiones energéticas

La sostenibilidad requiere que el crecimiento económico sea compatible con
los objetivos sociales y ambientales que son clave para el desarrollo a largo plazo (
Banco Mundial, 2012). Se ha demostrado que la reducción de la intensidad
energética y el cambio a energías renovables son opciones viables para reducir las
emisiones de CO2 para niveles particulares de desarrollo (ángulo, 2007, 2008;
Marrero, 2010;Apergis et al., 2010).1En este trabajo, exploramos la
☆ Los autores agradecen el apoyo financiero del Ministerio de Economía y Competitividad
(España) en el marco del proyecto ECO2016-76818. Díaz también agradece el apoyo financiero de
Beca Ministerio Economía y Competitividad (España), beca MDM 2014-0431, y Comunidad de
Madrid, MadEco-CM (S2015/HUM-3444). Rodríguez también agradece a la Junta de Andalucía,
proyecto SEJ-1512. Marrero agradece al Gobierno de Canarias el apoyo a través del proyecto de
I+D ProID2017010088 (programa María del Carmen Betancourt y Molina), cofinanciado por el
Programa Operativo FEDER 2014-2020. Los autores también agradecen los comentarios de dos
árbitros anónimos.
⁎Autor para correspondencia en: Departamento de Economía, Contabilidad y Finanzas,
Facultad de Ciencias Económicas, Empresa y Turismo, Campus de Guajara, Universidad de La
Laguna, La Laguna, 38071, Santa Cruz de Tenerife, España.
Dirección de correo electrónico:gmarrero@ull.es (GA Marrero).
1Más recientemente,Díaz y Puch (2018)analizar esta relación a nivel mundial,Wang (2013)hace
por China y EE. UU., yÁlvarez Herranz et al. (2017)analizar los países de la OCDE, enfatizando el
papel de la innovación energética.Apergis et al. (2010)concluyen que la energía nuclear juega un
papel importante en la reducción de las emisiones de CO2 a corto plazo.
clave a nivel mundial (verUcan et al., 2014, y las referencias que contiene, para una
encuesta reciente sobre los vínculos entre la energía y el crecimiento económico).
Nuestro objetivo es cuantificar hasta qué punto una reducción en la intensidad
energética junto con un movimiento hacia las energías renovables puede
reconciliarse con un mayor crecimiento del PIB per cápita a nivel mundial. Por lo
tanto, ¿podrían las reducciones de la intensidad energética y el cambio a las
energías renovables ayudar a reducir las emisiones de CO2 y fomentar el
crecimiento económico simultáneamente?
Una gran cantidad de investigaciones ha analizado la compatibilidad entre el
crecimiento económico y los objetivos sociales y ha encontrado que los vínculos entre el
crecimiento y los pilares sociales se refuerzan a sí mismos en la mayoría de los casos. Por
ejemplo, logros como la reducción de la pobreza (Ravalión, 2012), mayor igualdad de
oportunidades (Marrero y Rodríguez, 2013), menor conflictividad social (Alesina et al.,
1996), o mayor estabilidad política (Menegaki y Ozturk, 2013), son todos factores que
potencian el crecimiento. Sin embargo, los resultados no son tan sólidos cuando se tiene
en cuenta el nexo causal entre el crecimiento y el medio ambiente. Por un lado, el
crecimiento en estado estacionario parece compatible con reducciones sustanciales en
las emisiones de contaminantes locales (es decir, aquellos contaminantes relacionados
con la calidad del aire local y sus consecuencias sobre la salud humana, como CO, NOx o
azufres). Por otro lado, para contaminantes globales como el CO2, la evidencia de que las
emisiones primero aumentan y luego

https://doi.org/10.1016/j.eneco.2019.05.022
0140-9883/© 2019 Publicado por Elsevier BV
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077
bajar en una economía en crecimiento, no es robusto según la literatura
relacionada con la Curva Ambiental de Kuznets (EKC).2
Un cuerpo sustancial de la literatura existente ha estudiado el vínculo entre la
economía y las emisiones de CO2 a través del canal de la energía. Por ejemplo,
Smiech y Papiez (2014)reportar evidencia de diferentes patrones de causalidad,
dependiendo del grado de cumplimiento de los países con los objetivos de la
política energética de la UE. Estos autores concluyen que cuanto mayor sea la
reducción de la intensidad energética y mayor sea la proporción del consumo de
energías renovables sobre el consumo total de energía, mayor será la reducción
de las emisiones globales. Paralelamente, para comprender el vínculo entre
energía y economía, varios autores han enfatizado la importancia de la
complementariedad entre capital y energía en la tecnología de producción. Por
ejemplo, Atkeson y Kehoe (1999), yDiaz et al. (2004)hizo intentos tempranos de
comprender los mecanismos detrás de la sustitución a corto plazo entre capital y
energía y sus consecuencias en la producción. Sin embargo, sus resultados
brindan apoyo teórico al hallazgo de que las grandes diferencias en los precios de
la energía entre países no implican una brecha sustancial en el desempeño
macroeconómico. La razón es que la tecnología de producción incorpora canales
que ajustan los choques de precios de la energía a mediano plazo,
fundamentalmente a través de la inversión en nuevos equipos de capital más
eficientes energéticamente. Sin embargo, el mecanismo de reemplazo de capital
en los modelos de crecimiento de Schumpeter ayuda a reconciliar el crecimiento a
largo plazo con grandes movimientos en los precios de la energía como enFerraro
y Peretto (2017). Más recientemente,Díaz y Puch (2019)yRausch y Schwerin (2017)
han incorporado el progreso tecnológico a varios modelos agregados con
sustitución imperfecta entre energía y capital. Tomamos varias piezas de estos
marcos como base para nuestro enfoque empírico presentado enSección 2, e
interpretar nuestros hallazgos enSecciones 5 y 6. Restringimos nuestro análisis al
vínculo factores energéticos-crecimiento económico.
Si bien el efecto positivo sobre las emisiones globales de reducir la intensidad
energética y pasar a las energías renovables es un resultado bien establecido en la
literatura, el impacto de estas dos variables energéticas en el crecimiento
económico merece una mayor exploración. Por ejemplo, mientrasInglesi-Lotz
(2016),Bhattacharya et al. (2016, 2017)oNarayan y Doytch (2017), encuentran un
impacto positivo de las energías renovables en el crecimiento, no tienen en cuenta
la intensidad energética en su análisis. Esta omisión podría sesgar sus resultados
sobre el vínculo entre las renovables y el crecimiento, debido a la correlación
existente entre la intensidad energética y el mix energético (es decir, debido a una
legislación ambiental común o un progreso tecnológico común).3Al mismo tiempo,
como cada una de estas variables tiene su propia inercia, la intensidad energética
y la mezcla tardan en moverse por igual, por lo que la simultaneidad proporciona
información sobre la importancia cuantitativa de cada canal, como mostramos.
Además, muchos de estos estudios arrojan resultados que difieren
significativamente según el período, el conjunto de países, las variables incluidas o
el método de análisis. Estas variaciones podrían deberse al estado de la tecnología
de producción en cada entorno. A medida que el progreso tecnológico haga que
las fuentes renovables sean más baratas, los costos operativos de estas fuentes de
energía disminuirán, lo que implica que su uso se volverá más atractivo para
impulsar el crecimiento.
En consecuencia, como se indicó anteriormente, nuestro objetivo principal es analizar, a
escala global, la solidez de cómo los cambios en la intensidad energética, junto con los cambios
en la participación de las energías renovables, pueden afectar el crecimiento. Nuestro
2Para los contaminantes locales con daños visibles en la salud, la aplicabilidad de las políticas a
nivel local ha llevado a los formuladores de políticas a implementar políticas de reducción muy
rápidamente (Álvarez et al., 2005;Brock y Taylor, 2010). Por otro lado, la relación entre las
emisiones globales y el crecimiento económico ha sido ampliamente analizada y las conclusiones,
en la mayoría de los casos, han encontrado que la evidencia de un EKC es débil (verMarrero, 2010
, Kijima, 2010, yBoluk y Mert, 2014, y las referencias que contiene), especialmente cuando
miramos a nivel mundial.
3Otra controversia en esta literatura se encuentra en la dirección de la causalidad. Por ejemplo,
Apergis y Payne (2010a, 2010b)reportan evidencia de la causalidad de Granger bidireccional entre
el consumo de energía renovable y el crecimiento económico a corto y largo plazo en los países
de la OCDE durante el período 1985-2005, y en los países de Eurasia durante el período
1992-2007, respectivamente. Sin embargo,Ucán et al. (2014)proporcionar evidencia empírica a
favor de la causalidad unidireccional del consumo de energía renovable en el PIB de 15 países de
la UE durante el período 1990-2011. En este artículo, estamos interesados en la causalidad de
los aspectos energéticos en el crecimiento económico.
1057
El propósito final es evaluar si estos factores energéticos son impulsores clave del
crecimiento y, por lo tanto, sugerir que el vínculo entre el crecimiento y la energía
respetuosa con el medio ambiente podría reforzarse a sí mismo.
Para lograr este objetivo, construimos un conjunto de datos que combina
información económica, energética y macroeconómica para un total de 134 países desde
1960 hasta 2010. Luego, especificamos y estimamos un modelo de crecimiento de forma
reducida, con el espíritu deBarro (2000)yForbes (2000), pero aumentada con variables de
energía (Marrero, 2010). Las variables energéticas son la intensidad energética, el mix
energético primario (que distingue entre combustibles fósiles, fuentes renovables y
centrales nucleares), y el mix energético final (que incluye industria, transporte, servicios,
agricultura y sector residencial). Además de las variables energéticas, también incluimos
variables macroeconómicas alternativas ampliamente utilizadas en la literatura sobre
crecimiento (el precio de la inversión, el nivel educativo, las tasas de fertilidad, el tamaño
del gobierno, la apertura comercial, la inflación, etc.). Lo hacemos para explorar la
sensibilidad de nuestros resultados de energía de crecimiento a la elección específica de
las variables de control.
Establecimos un modelo de datos de panel dinámico (DPD) sobre este conjunto de
datos y lo estimamos utilizando tres métodos alternativos: i) regresión de panel
combinado estimada por mínimos cuadrados ordinarios; ii) enfoque de efectos fijos
(dentro del grupo); y iii) utilizando systemGMMapproach (Blundell y Bond, 1998;Rodman,
2009) para tratar de superar posibles problemas de endogeneidad, dada la causalidad de
doble sentido que suele encontrarse entre la energía y el crecimiento del PIB (Atems y
Hotaling, 2018). En general, encontramos que nuestros principales resultados son
robustos al método econométrico ya la especificación del modelo considerado.
Los principales hallazgos del trabajo son los siguientes. Primero, las mejoras
en la intensidad energética evolucionan junto con el crecimiento del PIB per
cápita, independientemente de las variables de control incluidas en las
regresiones y el enfoque econométrico utilizado. Condicional al nivel del PIB y al
mix energético, una disminución del 1% en la intensidad energética se asocia con
un mayor crecimiento anual del PIB per cápita de entre el 0,5 y el 1,0%, según la
especificación del modelo.
En segundo lugar, con respecto al consumo de energía primaria, la proporción de
fuentes de energía renovable se correlaciona negativamente con la tasa de crecimiento.
Dado el nivel del PIB y la intensidad energética, un aumento anual de 1 pp en la
participación de las energías renovables (con respecto a la participación de los
combustibles fósiles) se asocia, en promedio, con un menor crecimiento del PIB per
cápita de alrededor de −0,4 y −1,2 pp, dependiendo del modelo. Sin embargo, cuando
distinguimos entre energías renovables “convencionales” (hidro y biomasa) y energías
renovables “frontera” (eólica, solar, undimotriz y geotérmica), encontramos que pasar de
los combustibles fósiles a las energías renovables convencionales está relacionado con
un menor crecimiento, pero más bien, si el cambio va hacia las energías renovables de
“frontera”, nuestros resultados muestran una asociación positiva con el crecimiento, con
una elasticidad que oscila entre 0,4 y 0,6.
En tercer lugar, con respecto a la composición del mix energético final,
encontramos que solo la participación del sector residencial tiene una correlación
negativa con el crecimiento, una vez que variables como la intensidad energética,
el grado de desarrollo de los países y su mix energético primario, se controlan en
el análisis de regresión. Nuestras estimaciones oscilan entre −0,6 y −1,2, es decir,
aquellos países que muestran un aumento anual de 1 pp de la participación del
sector residencial (en relación con el sector primario) muestran, en promedio, un
menor crecimiento del PIB per cápita de alrededor de − 0.6 y
− 1,2 pp Este hallazgo implica que ni la creciente importancia del consumo de
energía en los servicios, principalmente observado en los países desarrollados, ni
el aumento del consumo de energía en la industria en países como China o India,
están relacionados con un mayor crecimiento económico.
Nuestra investigación se completa con un estudio de robustez. Primero exploramos
si la correlación entre el crecimiento y la participación de las fuentes de energía
renovable es robusta a los métodos econométricos alternativos y al uso de la intensidad
energética rezagada como variable explicativa. A continuación exploramos la existencia
de posibles patrones heterogéneos en la correlación entre el crecimiento y las variables
energéticas. Encontramos patrones heterogéneos en la relación entre crecimiento e
intensidad energética según el período y el nivel de ingreso. La sensibilidad del
crecimiento económico con respecto a la intensidad energética es mayor a partir de 1985
y para niveles de ingreso per cápita más bajos. Brindamos evidencia adicional sobre la
solidez de nuestras estimaciones al incluir un amplio conjunto de factores institucionales
alternativos.
1058 A. Díaz et al. / Economía energética 81 (2019) 1056–1077

El resto del documento está organizado de la siguiente manera.Sección 2 Dejarmitdenota energía primaria agregada demandada, es decirmit=
discute un marco teórico general.Seccion 3describe el conjunto de datos sobre las ∑3 j=1mij, t, y dejaIEtsiendo la intensidad energética antes mencionada definida
variables de crecimiento y energía.Sección 4establece la ecuación en forma como uso de energía primaria en relación con la producción, es decirIEt= mit/At.
reducida con la que finalmente trabajamos, derivada del trasfondo teórico en Además, las acciones de energía primaria se denotan por:
Sección 2.Sección 5analiza el enfoque econométrico implementado y muestra los
mij;t;dónde∑3
resultados de la estimación del modelo de energía de crecimiento.Sección 6ofrece sj;t¼ j¼1sj;t¼1; para todost: d3Þ
pruebas adicionales de la solidez de nuestros resultados. Finalmente, la última
mi
t

sección concluye e introduce algunas posibles prescripciones de política

Así, podemos reescribir la función de producción en términos de estas
energética.
cuotas de energía y el estado de la tecnología, que depende del nivel de
ingreso rezagado y de la intensidad energética, es decir:
2. Antecedentes teóricos
θ
Esta sección presenta un marco neoclásico simple que relaciona el crecimiento d θ−π 1 h ρ i
d1−θÞρ
:
- λ 1s1;t þ λρ s þ λ 3sρ
económico con la intensidad energética y diferencia el impacto de la energía Yt¼ExpFb0=ð1−θÞg-Y1−θ
t−1 - IE1−θ
t - B t1−θ 2 2;t 3;t

renovable en el proceso de crecimiento (energía renovable frente a energía no d4Þ

renovable). Este marco se utilizará para motivar el modelo empírico presentado en
Sección 4. Especificamos una función de producción agregada suficientemente
general donde hacemos explícito el uso de la energía. Esta especificación
incorpora dos elementos clave que explican las diferencias en la tecnología
energética entre países. En primer lugar, adoptamos una representación
compacta deaprender haciendoderrames en el espíritu deAghion et al. (1999), que
se incorpora a través del nivel rezagado de producción. En segundo lugar,
aumentamos la tecnología de producción conj tipos de fuentes de energía, que
son sustitutos imperfectos, y los agregan en una sola entrada de energía como en
Hassler et al. (2018). No obstante, en nuestro enfoque simple, hacemos
abstracción de la composición sectorial de la economía y del impacto diferencial
de las energías renovables en el proceso de crecimiento. Más bien, adoptamos
una representación en forma reducida del estado actual de la eficiencia
energética, que supondremos que está integrada en el estado de la tecnología a
través de la inversa de la intensidad energética en la economía.
Suponemos que la producción agregadaYtse produce a partir de un conjunto
de recursos, incluido el uso de energía, el capital y la mano de obra. Incorporamos
la existencia del progreso tecnológico. Por simplicidad, dejemosZtdescribir la
entrada de energía en la tecnología, yBtsintetizar todas las formas de otros
recursos combinados (es decir, capital y mano de obra) junto con el estado de la
tecnología. Por lo tanto, la función de producción se puede escribir como:
Yt¼BtZθ t; d1Þ
donde 0b θ b1. Para simplificar la exposición, distinguimos de entrada entre
tres fuentes primarias: fuentes renovables (j =1), centrales nucleares (j =2), y
otras fuentes incluyendo todo tipo de combustibles fósiles (j =3). Asumimos
queZtes un agregador CES homogéneo de grado uno de las diferentes
fuentes de energía primaria {mi3 j}j=1:
h i1=ρ
ρ ρ
Zt¼ λρ 1mi1;tþ λ2mi2;tþ λ3mi3;t ; d2Þ
con ρb1, y la elasticidad de sustitución entre fuentes de energía es
1/(1 − ρ), y {λj}3 j=1denota parámetros de productividad asociados a
cada fuente de energía. Nos restringimos aún más al caso en el que las tres
fuentes de energía son sustitutos relativamente cercanos, lo que requiere 0≤ ρ ≤1.
Además, especificamos el estado tecnológicoBtsobre los dos componentes
clave enfatizados al comienzo de la sección. En primer lugar, una representación
deaprender haciendoefectos de contagio a través del nivel rezagado del ingreso
agregado,Yt−1. En segundo lugar, una representación del estado de la tecnología
energética en términos de eficiencia energética a través de la inversa de la
intensidad energética,IEt. Por lo tanto, consideramos la siguiente parametrización:
Hay tres elementos clave en nuestra representación de la tecnología.Primero,
para inducir la estacionariedad, la potencia δ/(1 − θ) en el término rezagado,Yt−1,
debe estar restringido por debajo de uno.Segundo,la elasticidad de la producción
con respecto a la intensidad energéticaIEtpuede ser positivo o negativo
tivo, (θ − π)/(1 − θ).Finalmente,dado que∑3 j=1sj, t=1, podemos escribir
(Álvarez Herranz et al., 2017) en términos de las cuotas de energías1y s2(es decir, tomars3,
la parte de los combustibles fósiles, como fuente de energía de referencia).
∂yt ∂ytdepender de
Es sencillo demostrar que los signos de y
∂s1;t ∂s2;t
ρ−1
los signos de (λ1sρ−1
1,t − λ3sρ−1
3,t)y (λ2s2,t− λ3sρ−1 3,t),respectivamente.4
Por lo tanto, pasar de la energía fósil (j =3) a renovables (j =1) podría tener
un impacto negativo en los ingresos (y el crecimiento) siempre que λ1sρ−1 1,tb
λ3sρ−1
3,t,es decir, cuando la productividad agregada de las renovables es menor
que la de los combustibles fósiles. En tal circunstancia, un cambio a tecnologías
energéticas más limpias, es decir, tecnologías más eficientes energéticamente, tendrá un
costo de productividad como enAtkeson y Kehoe (1999), oDíaz y Puch (2019).
Probaremos y discutiremos sobre el signo de todas estas cuasi-elasticidades en
nuestro ejercicio econométrico, es decir, si (θ − π)/(1 − θ) es positivo o negativo por un
lado, y los signos de los coeficientes asociados a cada uno. fuente de energía primaria.
Con esta representación, las economías con intensidades energéticas similares (debido a
la baja energía o al alto PIB) pueden diferir en su combinación energética. Además, tanto
para la intensidad energética como para el efecto de los cambios en la participación, los
signos positivos o negativos son casos plausibles. Según nuestra teoría, una correlación
negativa entre los cambios de intensidad energética y el crecimiento económico
corresponde a una situación en la que la elasticidad, π, de la intensidad energética en el
estado de la tecnología,Bt, es mayor que la elasticidad, θ, de la entrada de energía en la
producción bruta.
Nótese que nuestra suposición sobreBt, implica un costo directo de productividad asociado a
una menor eficiencia energética (es decir, mayor consumo agregado de energía).
j}j=1
tensión). Sin embargo, la elección de una combinación energética particular {mi 3 ha alterado
implicaciones nativas para el crecimiento económico a través de la
complementariedad de la energía con la tecnología de producción, y su impacto
en la eficiencia energética de las fuentes de energía. Por ejemplo, es inmediato
aumentar expresión (4)distinguir entre diferentes tipos de energías renovables,
digamos frontera (es decir, eólica, solar, undimotriz o geotérmica) frente a las
renovables convencionales (hidráulica o biomasa) como haremos en el empírico
4Para la expresión general, paraj =1, 2, en este caso (j = 3 es fijo), estas derivadas vienen dadas
por:
- -
ρ−1
∂Yt θYt λρjs−1
j;t − λ 3s3;t
¼ h i≷0;
∂sj;t d1−θÞ λ1sρ 1;tþ λ2sρ 2;tþ λ3sρ
3;t

y en aras de la simplicidad, asumiendo ρ = 1 (es decir, sustitutos perfectos), estas derivadas se convierten
en:
− π-Bt;
Bt¼ExpFb0g-Yd t−1-IEt
∂yt θYt λj−λ3
¼ ≷0;
con dnorte0, πnorte0, yb0norte0 capturando el estado tecnológico inicial, ∂sj;t d1−θÞ λ1s1;tþ λ2s2;tþ λ3s3;t

mientrasBtincorpora todos los demás insumos (distintos de la energía) utilizados en la De modo que los signos de las derivadas dependen exclusivamente de (λ1− λ3) y (λ2− λ3) en nuestro
producción. entorno.
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077
implementación del modelo enSección 5. La adopción de renovables en la frontera
tecnológica puede implicar que el uso de energíamitcrece menos que la
producción y, por lo tanto, la intensidad energética disminuirá mientras la
producción crece. Esta circunstancia corresponde en el modelo teórico a un
coeficiente negativo de intensidad energética, es decir (θ − π)/(1 − θ)b0. Por el
contrario, puede darse el caso de que, un paso hacia las renovables
convencionales poco eficientes, resulte ser el resultado de una economía con
dificultades para acceder a los mercados internacionales de combustibles fósiles.
Exploramos todos estos temas enSecciones 5 y 6abajo.
En particular,Rajbhandari y Zhang (2018)recientemente proporcionaron evidencia de
la causalidad de Granger a largo plazo del crecimiento económico a una menor
intensidad energética para un conjunto de 56 economías analizadas desde 1978 hasta
2012. Encuentran, para las economías de ingresos medios, apoyo empírico para la
causalidad bidireccional a largo plazo entre una menor intensidad energética y mayor
crecimiento económico. Estos hallazgos sugieren que un efecto positivo de la intensidad
energética y el crecimiento puede ocurrir únicamente en las primeras etapas de
desarrollo. Por ejemplo,Voigt et al. (2014)encuentran que las reducciones en la intensidad
energética en la mayoría de los países pueden estar asociadas en gran medida al cambio
tecnológico, mientras que el cambio estructural juega un papel menos importante. Estos
autores solo apuntan a un resultado menos claro para los casos de Japón, Estados
Unidos, Australia, Taiwán, México y Brasil.
3. Descripción de datos sobre crecimiento económico y energía
Para explorar el vínculo entre las variables de energía y actividad, nos enfocamos en
la relación entre el crecimiento del PIB real y la intensidad energética a través de los
lentes de nuestro marco teórico. Al hacerlo, condicionamos tanto la matriz energética
primaria como la final, y un conjunto de variables macroeconómicas que han
demostrado ser necesarias para el crecimiento del PIB. Para organizar la evidencia,
comparamos exhaustivamente variables energéticas y macroeconómicas en todo el
mundo. Nuestra base de datos consta de un panel no balanceado de 134 países que
abarca los años 1960-2010.
No obstante, en lo que sigue, solo nos referiremos a un panel final no balanceado de
períodos de datos de cinco años que no se superponen, como es estándar en la literatura
reciente sobre crecimiento empírico. Por lo tanto, utilizamos una frecuencia de cinco
años en nuestras estimaciones, por lo que el panel final contiene 915 observaciones por
año-país para los 134 países antes mencionados durante el período 1960–2010. Como
consecuencia, las variables rezagadas en el modelo empírico se denotan en términos de
rezago de cinco años, mientras que las tasas de crecimiento y otras variables se
anualizan y se miden en períodos de cinco años. Nuestra muestra final abarca
ampliamente un amplio período de tiempo, así como también cubre una muestra muy
heterogénea de países en todo el mundo.5
Este conjunto de datos fusiona variables de energía primaria recuperadas de
la Agencia Internacional de Energía, con series de población y PIB real (PPA
ajustada en precios de US$ 2005) de Penn World Tables (PWT 8.1). Controles
adicionales considerados en el modelo econométrico descrito en Sección 4(tales
como el nivel educativo, los precios de inversión, la inflación, la apertura
comercial, el tamaño del gobierno, las tasas de fertilidad o la calidad de las
instituciones) provienen del PWT, los Indicadores de Desarrollo Mundial del Banco
Mundial, elBarro y Lee (2013)base de datos de logros educativos, y el módulo de
riesgo político de la base de datos internacional de riesgo de país (ICRD) y el
proyecto Polity 4 (verSecciones 4 y 6para más detalles sobre el conjunto de
controles utilizados).
A continuación, describimos brevemente la información sobre energía y desarrollo
que utilizamos. Nuestra medida de energía se refiere al consumo de energía primaria y
se define en toneladas equivalentes de petróleo (TEP). Con respecto a los insumos de
energía, la energía renovable incluye la energía generada a través de hidro y biomasa (las
llamamos “energías renovables convencionales”), además de plantas eólicas, solares,
geotérmicas y de olas (“energías renovables de frontera”). Nosotros
5Siguiendo la clasificación del Banco Mundial, nuestras 915 observaciones se pueden
clasificar según su ubicación geográfica: 20 observaciones son de América del Norte, 323
de Europa y Asia Central, 149 de América Latina y el Caribe, 123 de Medio Oriente y África
del Norte, 143 de Sub -África sahariana, 42 del sur de Asia y 115 del este de Asia y el
Pacífico.
1059
También se distinguen entre sectores finales de consumo de energía: agricultura,
industria, transporte, residencial, comercio y otros servicios.
tabla 1informa las principales estadísticas descriptivas (media y desviación
estándar) para nuestra muestra de referencia de 915 observaciones y restringidas
a las variables de ingresos y energía. Destacamos los siguientes aspectos. En
primer lugar, el PIB per cápita medio es de 14.889 dólares al año. La dispersión
alrededor de la media es enorme (una desviación estándar de $17 807 por año).
En nuestra muestra, países como Mozambique, en 1995 o RD del Congo en 2005
alcanzaron un PIB per cápita de $422,30 y $502,26, respectivamente, mientras que
países como Noruega y Singapur alcanzaron $58.127 y $69.141, respectivamente,
en 2010.
El rango de las tasas de crecimiento también es muy amplio, con una media de 2,27%
y una desviación estándar de 5,44%. Tenemos observaciones con tasas de crecimiento
muy negativas (por ejemplo, −15 % para Zimbabue en 2005) y tasas de crecimiento muy
positivas (por ejemplo, +21 % para Yemen en 2005). En cualquier caso, en promedio, el
PIB per cápita ha crecido en todo el mundo excepto en el grupo de países de bajos
ingresos. Vale la pena señalar que las tasas de crecimiento promedio en nuestra muestra
en realidad aumentan con el nivel de ingresos, por lo que podemos anticipar una
convergencia de ingresos limitada en todo el mundo durante las últimas décadas, al
menos incondicionalmente.
En cuanto a la intensidad energética, la media de la muestra es de 202,1 TEP
por 1M de US$, con una dispersión de 143,1. Observamos países fuertemente
ineficientes en el uso de la energía, como Luxemburgo en 1975 o Turkmenistán en
2005, con intensidades energéticas de hasta 400 TEP, junto a países altamente
eficientes energéticamente, como Suiza en 1995 o República Dominicana en 2010
con intensidades energéticas claramente por debajo de 100 TEP.
Con respecto a la participación de la energía primaria, a nivel agregado, las
fuentes de combustibles fósiles representan el 70% de la producción de energía y
las fuentes renovables el 27%. Además, la proporción de fuentes de combustibles
fósiles aumenta con el nivel de ingresos, a expensas de disminuir la proporción de
fuentes renovables (convencionales). Claramente, las marcadas diferencias en el
nivel del PIB per cápita entre países reflejan diferentes etapas de desarrollo. Por
otro lado, la participación de las centrales nucleares también aumenta con los
ingresos, aunque esta participación apenas representa un 1% en los países de
ingresos altos no pertenecientes a la OCDE. Con respecto al consumo final de
energía, el sector residencial es, con diferencia, el más importante. uno (32,5%),
junto con la industria (26%) y los servicios de transporte (23%). De hecho, el sector
residencial representa la mayor parte del consumo final de energía en los países
de bajos ingresos. El papel de esta participación residencial disminuye con el nivel
de ingresos. Por el contrario, el patrón es (más o menos) uno de participación
creciente para la industria, el transporte y los servicios.
Para ilustrar la dispersión en todo el grupo de datos,Figura 1
confronta las principales variables económicas y energéticas. El panel
superior muestra la dispersión entre el PIB per cápita y la intensidad
energética para los niveles (en logaritmos, imagen de la izquierda) y las
tasas de crecimiento (derecha). La dispersión entre el PIB per cápita y la
intensidad energética muestra la enorme diversidad de ambas
variables en la muestra. De hecho, observamos una amplia gama de
observaciones país-año con poca intensidad energética y una enorme
variación en su grado de desarrollo (casi un 400% de diferencia en los
casos más extremos). Así, aunque la correlación para los niveles de
estas variables es negativa, la dispersión observada es muy grande. Sin
embargo, al observar sus tasas de crecimiento anual, la relación entre
el PIB y la intensidad energética resulta ser claramente negativa y
altamente significativa. Eso es,
El panel inferior muestra la dispersión entre el PIB per cápita y la participación de las
energías renovables (imagen de la izquierda) y los cambios anuales (derecha). Al observar
la correlación entre el PIB per cápita y la participación de las energías renovables
(paneles inferiores deFigura 1), la evidencia no es tan clara. Mientras que la correlación
entre los niveles de PIB per cápita y la participación de las energías renovables es
negativa (imagen de la izquierda), aunque débil, la del crecimiento del PIB per cápita y el
cambio en la participación de las energías renovables es nula (imagen de la derecha). En
realidad, cualquier evidencia descriptiva parece poco clara y, por lo tanto, para cuantificar
adecuadamente las correlaciones parciales entre el crecimiento económico y las variables
energéticas consideradas, proponemos el ejercicio empírico en este trabajo, bajo
especificaciones alternativas.
1060 A. Díaz et al. / Economía energética 81 (2019) 1056–1077

En resumen, la evidencia descrita hasta ahora apoya una relación negativa

167.9
34.2
7.38

15.1
13.0

18.1
5.9
3.9
3.7
1.0

7.6
7.8

Las cuotas de energía de combustibles fósiles, plantas renovables y plantas nucleares se han calculado como el cociente correspondiente al consumo de energía primaria sobre el total de energía primaria. Las participaciones sectoriales se han calculado como consumo final de energía en el
estándar
entre el crecimiento económico y el crecimiento de la intensidad energética. Sin
Altos ingresos embargo, los perfiles de combinación energética entre países parecen exhibir

102
(no OCDE) patrones contradictorios. Estas dos observaciones nos llevan a la especificación de
un modelo para identificar adecuadamente las correlaciones parciales entre el

201.8
Significar

36.6
2.13

97.5

28.7
30.4
12.0

21.3
1.2
0.9
0.5

7.1
crecimiento económico y las variables energéticas. Para este propósito, es
importante probar las pendientes comunes en todo el mundo e interpretar el
papel de las variables tecnológicas y políticas bien establecidas.
11.8
2.33
77.7
17.2
15.4
9.8
3.2
9.3
8.3
8.0
4.8
6.9
estándar

4. La implementación empírica: un modelo de datos de panel dinámico de crecimiento y

energía
Altos ingresos

276
(OCDE)

Basado en el modelo descrito enSección 2, ahora presentamos un modelo de especificación

175.1
25.1
2.83

80,9
12.3

30,9
24.3
22.8
Significar

6.4
3.2

9.1
9.8
de forma reducida que relaciona el crecimiento económico con las variables energéticas (es decir,
la intensidad energética y la combinación energética), así como un conjunto de variables de
control macroeconómico ampliamente utilizadas en la literatura sobre crecimiento. Nuestra
forma reducida de referencia está estrechamente relacionada con las especificaciones utilizadas
100.2
5.20

17.2
17.6

11.5
10.6
11.7
4.0

4.8
3.3

3.5
7.5
estándar

en la literatura sobre crecimiento económico (es decir, véaseBarro, 2000, yForbes, 2000, entre
Renta media-alta

muchos otros) y similar al utilizado porMarrero (2010)en su aplicación a los determinantes de las
253

emisiones de CO2 en Europa. Por lo tanto, comenzamos estimando el siguiente modelo dinámico
de datos de panel:
171.5
Significar

2.83

77.4
21.0

30.2
27.3
26.7
8.6

1.2
3.2

4.8
7.7

GYél¼ α þRiþTtþ βen Yi;t−1þ θ0XEélþ λ0Xélþ εél; d5Þ

donde la variable dependiente,GYél, denota el crecimiento anual per cápita

181.6
7.15

28.4
34.3

10.3

18.8
1.9

3.9
2.5

9.2

6.6
6.2
estándar

durante todo el período (5 años, en nuestro caso) para el paísiy añot. Es decir,
Renta media-baja

nuestra variable dependiente se expresa en tasas de crecimiento más que en

194

niveles, como se considera en muchos artículos de la literatura relacionada.

Modificamos esta suposición enSección 6.1, donde reestimamos nuestro modelo
227.6
Significar

1.93

51.7
49.7

20.0
19.9
47.7
3.4

0.8
2.0

5.2
5.1

usando loglevels en su lugar (vea la discusión en esa sección y las referencias allí).
Además,RiyTtson efectos específicos del país y del tiempo. Para controlar por la
tecnología inicial y la convergencia condicional, el PIB real per cápita (en
logaritmos) al comienzo del período, ln(Yyo, t−1) está incluido.
200.8
5.55

17.9
17.6

21.6

12.6
0.8

0.0
4.8
8.4
6.9

3.6
estándar

El término θ′XEélengloba el efecto de un conjunto de variables

energéticas con la siguiente estructura (Marrero, 2010):
90
De bajos ingresos

θ0XEél≡ θ0ΔEIélþ ∑J−1 jΔmj;i;tþ ∑K−1 k¼1θs kΔsequipo: d6Þ

− 0,10
316.1

j¼1θmetro
20.6
79.3

11.2

68.8
Significar

1.5

0.0
2.7

8.3

2.6
6.4

El primer término clave ΔIEéldenota la tasa de crecimiento anual de la

intensidad energética, definida como la relación entre el consumo total de energía
primaria y el PIB real (en TEP por 1 millón de US$). El segundo término, Δmetroj, yo,
143.1
17.8
5.44

28.5
29.5

12.6
11.3
21.2

10.5
6.8
3.2

5.7
estándar

t, denota los cambios anuales (en puntos porcentuales, pp) en la participación del
consumo de energía primaria de la fuentejsobre la energía primaria total.
Todos los países

915

Clasificamos la energía primaria de fuentejsiguiendo el criterio de la IEA:

renovables, nucleares y combustibles fósiles (carbón, petróleo y gas). El término
202.1
Significar

14.9
2.27

70.1
27.3

26.2
23.3
32.5
2.6
2.6

6.2
9.2

final enexpresión (6), Δsk, yo, t, denota los cambios anuales (en pp) en la
participación del consumo final de energía en el sectorksobre el consumo final
total. Sectoreskse agrupan en industria, transporte, residencial, servicios y
Nivel, US-2005$/(persona x 1000) Tasa de

agricultura. Este conjunto de variables intenta controlar por los cambios en el uso
final de la energía en los sectores económicos. De esta forma, consideramos los
notasFuente de los datos, lista de países, periodo considerado, etc.
peso de energía primaria % peso

efectos diferenciales que unaprimariofuente de energía, como las renovables,

de energía primaria % peso de
TEP (primaria) por 1 M US$ %

puede tener dependiendo de la fianalsector, como el transporte, en el que se

energía primaria % peso de

emplea. En Sección 6.1, también relajaremos el supuesto de que las variables de

% peso de energía final %
peso de energía final %
peso de energía final %
peso de energía final %

Tamaño de la muestra
peso de energía final

energía se expresan como tasas de crecimiento o primeras diferencias.

crecimiento (%)

Para evitar la multicolinealidad en la estimación de (ángulo, 2007), omitimos

energía final

los combustibles fósiles de la energía primaria y la agricultura de la combinación

sector s en relación con el consumo final total.

energética final. Así, los coeficientes estimados deben entenderse con

Unidad

con respecto a estas categorías omitidas. En este sentido, θmetro jcuentas para el
cuasi-elasticidad del crecimiento económico con respecto a un cambio de la participación
en la mezcla primaria desde la fuentej (es decir, energías renovables y nuclear)
PIB real per cápita PIB

Intensidad energética

Otros sectores comparten

tivo a los combustibles fósiles, mientras que θs kexplica el crecimiento debido a un cambio en
Estadísticas descriptivas.

Cuota de agricultura

cuota residencial
Cuota renovable

la parte del consumo final de energía en el sectork (industria,

Cuota de transporte

Compartir servicios
Cuota nuclear

cuota de la industria
real per cápita

transporte, residencial, servicios) del sector agrícola.

Parte fósil
Variable

El último componente en la Ec.(5),Xél, comprende un conjunto de variables de

tabla 1

control que influyen en el patrón heterogéneo de crecimiento económico entre

países. Incluye factores tecnológicos y políticos (los detalles se muestran
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077 1061

PIB per cápita e intensidad energética Crecimiento económico y crecimiento de la intensidad energética
Nivel mundial (muestra agrupada, 915 observaciones) Nivel mundial (muestra agrupada, 915 observaciones)

.4
12

.2
Registro real del PIB pc
10

El crecimiento del PIB

0
8

-.2
-.4
6

3 4 5 6 7 -.6 -.4 -.2 0 .2 .4

Registro de intensidad de energía crecimiento de la IE

PIB per cápita y participación de energías renovables El crecimiento económico y las energías renovables comparten el cambio

Nivel mundial (muestra agrupada, 915 observaciones) Nivel mundial (muestra agrupada, 915 observaciones)

.4
12

.2
10
Registro real del PIB pc

El crecimiento del PIB

0
8

-.2
6

-.4
4

0 .2 .4 .6 .8 1 - . 05 0 . 05 .1 . 15 .2
renovar compartir Renovar compartir cambiar

Figura 1.Datos sobre ingresos, intensidad energética y fuentes renovables.

abajo). Optamos por considerar especificaciones alternativas para explorar la sensibilidad indicadores de política estándar como variables de control (en línea con
de los resultados de crecimiento energético a la elección de factores macroeconómicos. Barro, 2000): la tasa de inflación (deflactor del PIB) como indicador de la
En todos los casos, las variables energéticas se introducen de forma secuencial, con el fin estabilidad macroeconómica, la relación ajustada entre el volumen de
de analizar su impacto directo sobre el crecimiento junto con los efectos indirectos comercio del país y el PIB del país como indicador del grado de apertura de
producidos por otras variables energéticas. la economía, la relación entre el consumo público y el PIB como indicador de
Para todas las especificaciones de(5), el conjunto de variables (Ri,Tt,ln(Yyo, t-1),ΔIEél) la carga impuesta por el gobierno a la economía, y la tasa de fecundidad
siempre se incluye, es decir, variables ficticias regionales y de tiempo, el ingreso per (número de nacimientos sobre la población).8EnSección 6.4, consideramos
cápita rezagado y el cambio en la intensidad energética que forma parte deexpresión (6). controles de calidad institucional, como el grado de democracia, la
Además, el resto de las variables energéticas en (ángulo, 2008), se incorporan estabilidad política, el control de la corrupción, etc., variables extraídas del
J−1,
secuencialmente a la estructura: primero las acciones primarias {Δmetroj, yo, t}j=1 módulo de riesgo político de la International Country Risk Database (ICRD).9
k
y luego el sector comparte {Δs k, yo, t}k=1
−1. Teniendo esta estrategia secuencial
en mente, definimos tres especificaciones, etiquetadas como M1, M2 y M3.
En la especificación M1, también conocida comoesqueletomodelo, no se 5. Resultados de la estimación
considera ningún control adicional, es decir,Xél=0 en(5). La segunda especificación
M2 agrega controles de la literatura de crecimiento empírico, como enPerotti Ahora analizamos nuestras estimaciones. En primer lugar, comentamos la
(1996),Forbes (2000), yKnowles (2005). En particular, el precio de los bienes de estrategia econométrica para estimar(5)-(ángulo, 2008). Este consiste en
inversión en relación con los de EE. UU. se considera una medida de las implementar tres métodos alternativos: pooled-OLS, intra-grupo (WG) y sistema
distorsiones del mercado.6Además, como medida del capital humano, utilizamos GMM. Lo hacemos eligiendo especificaciones alternativas para los tres conjuntos
la tasa de educación primaria y secundaria alcanzada (como porcentaje de la de variables que utilizamos: variables de energía, tecnología y política. Finalmente,
población).7Finalmente, la tercera especificación M3 considera discutimos los principales hallazgos.

6En la literatura sobre crecimiento, el precio de los bienes de inversión en relación con los de EE. UU. se
ha considerado como un indicador de las distorsiones del mercado. Así, tomamos como negativo su
impacto en el crecimiento (Forbes, 2000;López y Servén, 2009). Esta variable captura un aspecto diferente a
la formación bruta de capital fijo (como porcentaje del PIB), como proxy del capital físico, que es otra
variable ampliamente utilizada en los modelos de crecimiento (la consideraremos enApéndice E, como una
verificación de robustez).
7Generalmente se supone que el capital humano es beneficioso para el crecimiento. Sin embargo,
estudios recientes han planteado algunas advertencias sobre la validez de los años promedio de
escolaridad o el porcentaje de la población con educación primaria o secundaria, para representar el papel
del capital humano en el crecimiento (verSianesi y Van Reenen, 2003, entre muchos otros), ya que no dan
cuenta de la “calidad” de la educación (Hanushek, 2017). No obstante, los principales resultados del trabajo
(es decir, aquellas estimaciones relacionadas con variables energéticas) siguen siendo válidos cuando se
utilizan proxies alternativos del capital humano, como el promedio de años de educación secundaria de la
población masculina, o el promedio de años de educación secundaria de la población femenina. . Los
resultados están disponibles bajo petición.
8Si bien la tasa de inflación está asociada con las fluctuaciones económicas, también está relacionada con
la incertidumbre económica y, por ello, es un factor ampliamente utilizado en la literatura sobre
crecimiento (verBarro, 2000, o más recientemente,Marrero y Servén, 2018, Entre muchos otros). Por lo
tanto, planteamos la hipótesis de que la tasa de inflación es perjudicial para el crecimiento. El tamaño del
gobierno es una medida de las distorsiones públicas agregadas y debe considerarse perjudicial para el
crecimiento y el nivel de producción de estado estacionario (Barro, 2000). Finalmente, la evidencia empírica
existente revela que un aumento en la tasa neta de fecundidad tiene un impacto negativo en el crecimiento
(Galor y Zang, 1997;Barro, 2000), a través de su efecto negativo sobre la desigualdad y la productividad
laboral en los países en desarrollo.
9Cabe mencionar que, en general, las variables de calidad institucional están fuertemente
correlacionadas con otras variables macroeconómicas ya incluidas en los diferentes modelos,
como el PIB per cápita o la tasa de inflación.
1062 A. Díaz et al. / Economía energética 81 (2019) 1056–1077

5.1. Cuestiones econométricas

− 0,00250**
− 0,702***

− 0,545***

− 0,712***

− 0,00412
− 0,0796

− 0,351
0.0113

0.191
(-17.75)

(0.06)

(1.29)
(-2.98)

(-0.46)

(-5.06)

(-1.40)

(-2.07)
Cada especificación de la ecuación.(6), a saber, M1, M2 y M3, se estima en primer
lugar a través de OLS agrupados sólidos que incluyen controles para dummies regionales
y de tiempo (Cuadro 2.a). A continuación, calculamos las estimaciones de WG (Tabla 2.b).
Con respecto a los OLS agrupados, el WG tiene la ventaja de tratar con la existencia de

Modelo 3: Modelo con variables de política

efectos específicos del país (e invariantes en el tiempo) posiblemente correlacionados con

− 0,00222*
− 0,702***

− 0,721***

− 0,00671
0.0641
regresores. Sin embargo, varios autores comoBanerjee y Duflo (2003),Barro (2000)o

(-17.95)

(0.35)
(-3.59)

(-1.90)
Perdiz (2005), plantea algunas advertencias con respecto al enfoque del grupo de trabajo.
Esto se debe a que puede producir resultados inexactos para los controles que en su
mayoría varían en la sección transversal, como el crecimiento y el uso de energía en
nuestro caso, ya que el método tiene en cuenta la variabilidad dentro del estado.
Además, en los modelos dinámicos, las estimaciones agrupadas de OLS y WG se ven

− 0,00211*

− 0,00766*
− 0,705***
(-17.44)

(-1.75)
afectadas por un sesgo de endogeneidad, al menos debido al término de PIB rezagado
incluido en(5)-
(6)como regresor. Por esa razón, la variable dependiente rezagada se elimina de
los modelos enTablas 2.a y 2.b, como en los modelos estáticos. Sin embargo, vale
la pena mencionar que los resultados estimados para todas las demás variables
permanecen básicamente sin cambios cuando se incluye un término dinámico en

− 0,00318***

0.0000249
− 0,595***

− 0,439***

− 0,852***
− 0,0157

− 0,211
0.0940

0.0597

0.0171
Modelo 2: Modelo con capital humano y precios de inversión

(0.55)

(0.43)

(1.21)

(0.00)
las estimaciones agrupadas de OLS y WG (los resultados están disponibles a

(-5.18)

(-2.78)

(-0.09)

(-5.37)

(-0.79)

(-3.21)
pedido).
Para abordar el problema de la endogeneidad en un marco de datos de panel
dinámico en ausencia de instrumentos externos adecuados (una limitación
estándar de los modelos de crecimiento), un enfoque basado en GMM es una
alternativa natural en un contexto dinámico (Arellano y Bond, 1991;Arellano y

− 0,00439***
− 0,598***

− 0,667***

− 0,00352
0.0914

0.0181
Bover, 1995). La idea básica es derivar primero las ecuaciones.(5)–(6), y luego

(0.57)

(1.27)
(-5.25)

(-3.56)

(-4.17)

(-0.33)
emplear los niveles de las variables explicativas - rezagadas dos o más períodos
- como instrumentos internos (es decir, en las Ecs.(5)–(6): ln(Yyo, t−s),XEyo, t−s,Xyo, t−s,
paras≥2), lo que resulta en un estimador GMM de primera diferencia (Arellano y
Bond, 1991).
Sin embargo, usar el modelo solo en la forma de primeras diferencias

− 0,00497***
− 0,597***

puede conducir a un importante sesgo de muestra finita cuando las

− 0,0114
0.0147
(0.99)
(-5.14)

(-4.61)

(-1.06)
variables son muy persistentes (Blundell y Bond, 1998), que es el caso de
variables como el PIB per cápita o la intensidad energética. Una alternativa
al estimador GMM de primera diferencia es el método GMM de sistema (
Arellano y Bover, 1995;Blundell y Bond, 1998). Este consiste en estimar un
sistema de ecuaciones tanto en primeras diferencias como en niveles, donde
− 0,644***

− 0,830***

− 1.093***
− 0,0105

− 0,0330

ahora los instrumentos de las ecuaciones de nivel son rezagos adecuados de

− 0,382
0.118
(0.77)
(-7.51)

(-3.34)

(-0.05)

(-0.16)

(-5.77)

(-1.07)
las variables en primeras diferencias (es decir, Δ ln Yyo, t−1, ΔXEyo, t-1y ΔXyo, t-1).10
Consideramos errores estándar robustos con una matriz de varianza-
covarianza corregida por propiedades de muestra pequeña (Windmeijer,
2005; Rodman, 2009).Tabla 2.creporta los resultados para la estrategia GMM
del sistema.
− 0,651***

− 1.192***

− 0,0385

La validez de los instrumentos GMM se prueba utilizando una prueba J

(-7.62)

(-4.31)

(-0.17)

de Hansen de sobreidentificación (Tabla 2.c). Vale la pena mencionar, sin

Modelo 1: modelo de esqueleto

embargo, que la proliferación de instrumentos, en relación con el número

de unidades transversales (un problema común en la estimación del modelo
macroeconómico sistema-GMM), sesga a la baja los errores estándar
− 0,645***

estimados y debilita el poder de las pruebas de sobreidentificación (Rodman,

Variable dependiente: crecimiento del PIB per cápita (promedio de 5 años)

(-7.19)

2009). En esta situación de sobreidentificación, elpag-valor de la prueba J de

Hansen tiende a estar cerca de uno, y debemos aplicar elWindmeijer (2005)
corrección a la matriz de varianzas-covarianzas y solicitar la reducción de un
instrumento (Rodman, 2009). Teniendo esto en cuenta, en nuestra
especificación GMM del sistema de referencia (tres primeras columnas de
Ed. secundaria alcanzada, % sobre Pob., rezagada

cada panel enTabla 2.c), limitamos el número de instrumentos en la matriz

Ed. primaria alcanzada, % sobre la población, rezagada

de instrumentos a uno.11Sin embargo, cuando todas las variables de energía

se incluyen en el modelo (la tercera columna de cada panel enTabla 2.c), este
Estimación de OLS agrupados (panel estático).

Intensidad energética, % de cambio

log(Precio de inversión), rezagado

Inflación, promedio de 5 años

Mezcla Residencial, % cambio
Mezcla de transporte, % de cambio
Mezcla Industrial, % cambio
Renovar. Mezcla, % de cambio

Nuclear. Mezcla, % de cambio

Mezcla de servicios, % de cambio

10Huang et al. (2008)yMarrero (2010), entre muchos otros, han enfatizado la relevancia de utilizar
Tasa de fecundidad, rezagada

el sistema GMM cuando se trabaja con modelos de crecimiento de datos de panel dinámicos.
Recientemente, verAtems y Hotaling (2018)para un ejercicio similar utilizando el enfoque GMM.
11SiguienteBlundell y Bond (1998), para el conjunto de ecuaciones en primeras diferencias, usamos los
niveles de los regresores rezagados dos periodos (ln(Yyo, t−2),XEyo, t-2,Xyo, t-2) como instrumentos, mientras
Cuadro 2.a

que para el conjunto de ecuaciones de nivel utilizamos la primera diferencia de los regresores rezagada un
periodo (Δ ln (Yyo, t−1), ΔXEyo, t-1, ΔXyo, t-1). En todas las especificaciones de GMM, utilizamosRi
yTtcomo instrumento exógeno (Baltagui, 2005).
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077 1063

todavía conduce a un problema de demasiados instrumentos, es decir, el número

Notas:Las regresiones anteriores son resultados de OLS agrupados, con dummies constantes, regionales y de tiempo, y varianza-covarianza robusta. La combinación de combustibles fósiles se omite para la combinación de energía primaria (es decir, la combinación de combustibles fósiles más la combinación de renovables
0.00391*
− 0,00240

de instrumentos supera claramente el número de secciones transversales y el pag-

0.650
(1.82)
744

128
(-1.07)

(-1.09)

los valores de la prueba de Hansen todavía oscilan alrededor de uno. En este caso,

más la combinación de plantas nucleares suman uno). El sector Agricultura, Ganadería y Pesca se omite de la combinación energética final (es decir, la combinación final para la agricultura junto con la industria, el sector del transporte, los servicios y el sector residencial deben sumar uno). Las cifras entre paréntesis
también mostramos los resultados al colapsar la matriz de instrumentos, lo que
reduce aún más el número de instrumentos (cuarta columna de cada panel en
Tabla 2.c).12
Al darse cuenta de estas situaciones, la prueba J de Hansen sugiere que la hipótesis
− 0,00398*

0.00357

0.622

nula de validez conjunta de todos los instrumentos no puede rechazarse en la mayoría de

(1.57)
744

128
(-1.59)

(-1.74)

los casos. Además, también calculamos una prueba de diferencia en Hansen, que
compara la eficiencia del sistema GMM sobre el GMM de primera diferencia en cada
modelo (supag-los valores son siemprenorte0.10, verTabla 2.c).
Como advertencia final, debe mencionarse que el sistema-GMM funciona
mejor cuando el número de observaciones transversales (NORTE)es grande (es
− 0,00406*

0.00322

0.593
(1.31)
744

128
(-1.76)

(-1.72)

decir, la consistencia se obtiene comonortetiende a infinito). Esto es una ventaja

en nuestro caso dada la muestra mundial. Sin embargo, cuando los datos exhiben
un alto grado de persistencia (lo que puede conducir a problemas de
instrumentos débiles incluso en el sistema GMM), como en nuestro caso, los
estimadores del sistema GMM también pueden comportarse mal (Carpeta et al.,
2005;Bollo y Sarafidis, 2015). Por lo tanto, bajo esta situación, como en muchas
0.585
814

120

aplicaciones macroeconómicas, no es evidente que se prefiera un enfoque basado

en GMM sobre OLS combinado robusto (con dummies regionales y de tiempo) o
viceversa. En esta situación, es una buena práctica reportar los resultados de la
estimación (como lo hacemos nosotros) y verificar la robustez.

5.2. Hallazgos principales

0.554
814

120

A continuación, mostramos los resultados de nuestra estimación de los

modelos M1, M2 y M3 usando OLS agrupado robusto (Cuadro 2.a), estimaciones
dentro del grupo (Tabla 2.b) y el sistema GMM (Tabla 2.c). Como veremos, un
resultado clave de la estimación es el efecto de composición hacia las energías
renovables entre tecnologías “convencionales” y “frontera”, como se definió
0.533

anteriormente. De este modo, Tabla 3informa estimaciones de los modelos M1 a

814

120

M3 utilizando system-GMM, y donde se explora la compensación entre los

incentivos para cambiar a cualquiera de las tecnologías. Nuestro panel inicial
contiene 915 observaciones año-país (Seccion 3), pero el número final de
observaciones utilizadas en la estimación de cada modelo podría verse reducido
debido a la disponibilidad limitada de datos para varias variables de control en las
0.617
915

134

especificaciones empíricas (es decir, el Xélcomponente en(6).

De hecho, dado que el nivel de ingresos de un país puede afectar su
intensidad energética y su estructura de consumo de energía, a lo largo del
artículo utilizamos el estimador GMM del sistema para abordar este posible
representan tstatistics. Los valores marcados con asterisco denotan importancia en *pagb0,10, **pagb0.05, ***pagb0.01.

problema de endogeneidad. Sin embargo, también consideramos la alternativa de

unsistema de ecuaciones simultáneasdonde nuestra ecuación de referencia se
0.577
915

134

complementa con otra ecuación para el cambio en la intensidad energética en la

que el crecimiento del ingreso es la variable explicativa. Dicho sistema se estima
como un sistema de ecuaciones aparentemente no relacionado (SURE) por
máxima verosimilitud, y los resultados se incluyen enApéndice A. A continuación
discutimos los principales hallazgos.
0.528
915

134

5.2.1. El papel de la intensidad energética

Proporcionamos pruebas sólidas de una sólida correlación negativa entre la
intensidad energética y el crecimiento económico a nivel mundial. Los coeficientes
de intensidad energética son siempre negativos y altamente significativos, de
acuerdo con la evidencia incondicional provista enFigura 1. Esto significa que se
encuentra que las reducciones en la intensidad energética están asociadas con un
mayor crecimiento del PIB. Este resultado cualitativo es robusto a un cambio en el
método econométrico utilizado. Para el panel estático estimado por pooled-OLS
Apertura comercial, promedio de 5 años

enCuadro 2.a, encontramos que, en promedio, una reducción del 1% en la

Tamaño del gobierno, promedio de 5 años

intensidad energética está asociada con un aumento en el crecimiento per cápita

12SiguienteRoodman (2009), al colapsar la matriz de instrumentos, creamos un instrumento para

número Países

cada variable y distancia de retraso, en lugar de un instrumento para cada distancia de retraso,
número Obs.

período de tiempo y variable. Nótese que esta estrategia no significa colapsar la dimensión
R2-adj

transversal del panel (es decir, promediar las observaciones entre países). Por el contrario, la
dimensión del panel de la muestra se mantiene sin cambios. De hecho, consideramos todos los
rezagos (t-2 y más) para colapsar la matriz de instrumentos.
 1064
Tabla 2.b
Estimación intragrupo (panel estático).

Variable dependiente: crecimiento del PIB per cápita (promedio de 5 años)

Modelo 1: Modelo de esqueleto (M1) Modelo 2: Modelo con capital humano y precios de inversión Modelo 3: Modelo con variables de política (M3)
(M2)

Intensidad energética, % de cambio − 0,652*** − 0,662*** − 0,648*** − 0,589*** − 0,593*** − 0,587*** − 0,719*** − 0,720*** − 0,715***
(-6.40) (-7.01) (-6.84) (-4.73) (-4.91) (-4.79) (-14.43) (-15.39) (-15.49)
Renovar. Mezcla, % de cambio − 1.224*** − 0,832*** − 0,689*** − 0,433** − 0,669*** − 0,482**
(-3.64) (-2.70) (-3.47) (-2.53) (-3.22) (-2.52)
Nuclear. Mezcla, % de cambio − 0,0846 − 0,0984 0.0815 0.00964 0.101 − 0,00692
(-0.47) (-0.53) (0.46) (0.04) (0.48) (-0.03)

A. Díaz et al. / Economía energética 81 (2019) 1056–1077

Mezcla Industrial, % cambio 0.139 0.0569 0.157
(0.78) (0.40) (0.95)
Mezcla de transporte, % de cambio 0.145 0.137 0.0280
(0.66) (0.85) (0.16)
Mezcla Residencial, % cambio − 1.009*** − 0,780*** − 0,650***
(-4.28) (-4.44) (-3.66)
Mezcla de servicios, % de cambio − 0,493* − 0,392 − 0,362
(-1.70) (-1.32) (-1.26)
log(Precio de inversión), rezagado − 0,00516*** − 0,00465*** − 0,00349**
(-4.24) (-3.54) (-2.54)
Ed. primaria alcanzada, % sobre la población, rezagada 0.00751 0.00825 0.0116
(0.35) (0.43) (0.59)
Ed. secundaria alcanzada, % sobre Pob., rezagada 0.00791 0.0112 0.00836
(0.32) (0.47) (0.35)
Tasa de fecundidad, rezagada − 0,00727*** − 0,00671*** − 0,00652***
(-3.41) (-3.43) (-3.32)
Inflación, promedio de 5 años − 0,00939* − 0,00785 − 0,00551
(-1.74) (-1.51) (-1.02)
Tamaño del gobierno, promedio de 5 años − 0,0149** − 0,0134** − 0,0118*
(-2.19) (-2.01) (-1.83)
Apertura comercial, promedio de 5 años 0.00669 0.00787 0.00828
(1.05) (1.23) (1.24)
número Obs. 915 915 915 814 814 814 744 744 744
R2-adj 0.547 0.596 0.630 0.526 0.549 0.576 0.617 0.642 0.665
número Países 134 134 134 120 120 120 128 128 128

Notas:Las regresiones anteriores son resultados de estimaciones de efectos fijos (estimaciones de WG), con dummies de tiempo y varianza-covarianza robusta. La combinación de combustibles fósiles se omite para la combinación de energía primaria (es decir, la combinación de combustibles fósiles más la combinación de
renovables más la combinación de plantas nucleares suman uno). El sector Agricultura, Ganadería y Pesca se omite de la combinación energética final (es decir, la combinación final para la agricultura junto con la industria, el sector del transporte, los servicios y el sector residencial deben sumar uno). Las cifras entre paréntesis
representan estadísticas t. Los valores marcados con asterisco denotan importancia en *pagb0,10, **pagb0.05, ***pagb0.01.
Tabla 2.c
Estimación GMM (panel dinámico).

Variable dependiente: crecimiento del PIB per cápita (promedio de 5 años)

M1: modelo de esqueleto M2: Modelo con capital humano y precios de inversión M3: Modelo con variables de política

log(ingresos), rezagado − 0,0108 − 0,0148 − 0,00221 − 0,0136 − 0,00130 − 0,000410 0.000242 0.00709 − 0,00921* − 0,00662 − 0,00489 − 0,00345
(-0.84) (-1.51) (-0.49) (-0.04) (-0.26) (-0.11) (0.08) (1.08) (-1.90) (-1.59) (-1.32) (-0,64)
Intensidad energética, % de cambio − 0,945*** − 0,978*** − 0,802*** − 0,844 − 0,687*** − 0,663*** − 0,629*** − 0,701*** − 0,871*** − 0,778*** − 0,734*** − 0,821***
(-11,90) (−13,30) (−13,03) (-0.51) (-4.68) (-5.20) (-5.82) (-6.65) (-11.61) (-10.44) (-11.69) (-11.27)
Renovar. Mezcla, % de cambio − 2.171*** − 1.126*** − 1.377 − 0,723** − 0,640** − 1.076*** − 0,882*** − 0,422* − 1,007**
(-2.63) (-2.61) (-0.28) (-2.38) (-2.12) (-2.80) (-2.80) (-1.80) (-2.55)
Nuclear. Mezcla, % de cambio 0.194 0.143 − 0,275 0.0164 0.0531 − 0,249 0.0136 − 0,252 0.142
(0.83) (0.52) (-0.04) (0.11) (0.15) (-0.84) (0.06) (-0,64) (0.48)
Sector Industrial, % variación − 0,0451 − 0,242 0.248 0.278 0.0524 0.00182
(-0.12) (-0.04) (0.89) (0.84) (0.21) (0.01)

A. Díaz et al. / Economía energética 81 (2019) 1056–1077

Sector Transporte, % variación − 0,172 − 0,322 0.104 0.128 − 0,220 − 0,428
(-0.55) (-0.11) (0.45) (0.72) (-0,92) (-1.31)
Sector Residencial, % variación − 1.188*** − 0,789 − 0,793*** − 0,533* − 1.009*** − 0,668***
(-3.71) (-0.23) (-3.97) (-1.76) (-3.59) (-2.60)
Sector servicios, % cambio − 0,286 − 0,736 0.0355 − 0,133 − 0,402 − 0,412
(-0.77) (-0.09) (0.07) (-0.40) (-1.05) (-1.23)
log(Precio de inversión), rezagado − 0,00361***−0.00335***−0.00250***−0.00240***
(-3.03)(-3.11)(-2.71)(-3.20)
Ed. primaria alcanzada, % sobre la población, rezagada 0.01000.01060.01570.0379 (0.22)(0.32)(0.53)(1.23)

Ed. secundaria alcanzada, % sobre Pob., rezagada − 0,0458 − 0,0371 − 0,0137 0.0147
(-0.99) (-1.11) (-0.55) (0.18)
Tasa de fecundidad, rezagada − 0,0106*** − 0,00846*** − 0,00650** − 0,00656*
(-2.68) (-2.97) (-2.41) (-1.74)
Inflación, promedio de 5 años − 0,000238 − 0,000426 − 0,000454 − 0,000734***
(-0.98) (-1.32) (-1.36) (-2.97)
Tamaño del gobierno, promedio de 5 años − 0,0176** − 0,0181*** − 0,0132** − 0,0290**
(-2.32) (-3.13) (-2.25) (-2.32)
Apertura comercial, promedio de 5 años − 0,00276 0.00437 0.00110 0.0148
(-0.27) (0.60) (0.15) (1.01)
número Observaciones 915 915 915 915 814 814 814 814 744 744 744 744
prueba de Hansen (pag-val) 0.003 0.084 0.773 0.069 0.036 0.413 1.000 0.360 0.084 0.455 1.000 0.179
Prueba de diferencia de Hansen ( 0.021 0.419 0.998 0.234 0.693 0.984 1.000 0.777 0.469 0.970 1.000 0.461
pag-val) prueba m1 (pag-val) m2- 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
prueba (pag-val) Número de 0.873 0.633 0.906 0.790 0.643 0.709 0.605 0.969 0.490 0.792 0.284 0.837
países 134 134 134 134 120 120 120 120 128 128 128 128
Número de instrumentos 44 78 148 87 98 132 202 117 109 142 209 125

Notas:Las regresiones anteriores son estimaciones robustas systemGMM, de 2 pasos, que incluyen un retraso en la matriz para los instrumentos. La combinación de combustibles fósiles se omite para la combinación de energía primaria (es decir, la combinación de combustibles fósiles más la combinación de renovables más la combinación de plantas nucleares

suman uno). Agricultura, Ganadería y Pescasector se omite de la combinación energética final (es decir, la combinación final para la agricultura junto con la industria, el sector del transporte, los servicios y el sector residencial debe sumar uno). Las cifras entre paréntesis representan estadísticas t. Los valores marcados con asterisco denotan importancia en *pagb

0,10, **pagb0,05, **pagb0.01.

1065
 1066
Tabla 3
El crecimiento y el papel de la Intensidad Energética (estimación sistema-GMM).

Variable dependiente: crecimiento del PIB per cápita (promedio de 5 años)

M1 M2 M3 M1 M2 M3

log(ingresos), rezagado − 0,00842 − 0,00624 − 0,0121*** − 0,0477*** − 0,0305*** − 0,011

(-1.40) (-1.32) (-3.33) (-4.53) (-4.15) (-1.36)
Intensidad energética, % de cambio − 0,675*** − 0,650*** − 0,745***
(-6.48) (-5.17) (-12.58)
Renovar. Mezcla, % de cambio − 0,344 − 0,145 − 0,824
(-0.89) (-0.47) (-1.60)
Renovar. Mezcla (Convencional), % de cambio − 1.209*** − 0,540* − 0,687**
(-2.88) (-1.80) (-2.45)
Renovar. Mezcla (Frontera), % de cambio 0.587* 0.598* 0.388
(1,74) (1,77) (0,76)

A. Díaz et al. / Economía energética 81 (2019) 1056–1077

Nuclear. Mezcla, % de cambio − 0,217 − 0,36 − 0,554* − 0,424 − 0,860** − 0,773*
(-0.48) (-1.05) (-1.68) (-0.74) (-2.08) (-1.68)
Sector Industrial, % variación 0.0871 0.16 0.14 0.339 0.386 0.0007
(0,42) (0,87) (0,89) (1,07) (1,54) (0,0)
Sector Transporte, % variación 0.162 0.165 0.0439 0.483 0.536 0.687
(0,69) (1,0) (0,25) (1,15) (1,45) (1,46)
Sector Residencial, % variación − 1.217*** − 0,915*** − 0,677*** − 1.489*** − 0,959*** − 0,903**
(-4.28) (-3.89) (-3.68) (-4.27) (-2.88) (-2.08)
Sector servicios, % cambio − 0,396 − 0,0718 − 0,559** − 0,546 0.0862 − 0,465
(-1.25) (-0.21) (-2.17) (-1.17) − 0,22 (-1.16)
log(Precio de inversión), rezagado − 0,00309** − 0,00741***
(-2.09) (-3.88)
Ed. primaria alcanzada, % sobre la población, rezagada 0.0711*** 0,182***
(3,03) (4,63)
Ed. secundaria alcanzada, % sobre Pob., rezagada 0.000387 0.0873**
(0,02) (2,24)
Tasa de fecundidad, rezagada − 0,0158*** − 0,0132**
(-3.93) (-2.19)
Inflación, promedio de 5 años − 0,000453* − 0,000334
(-1.74) (-0.56)
Tamaño del gobierno, promedio de 5 años − 0,0183** − 0,0335*
(-2.12) (-1.66)
Apertura comercial, promedio de 5 años 0.00309 − 0,0044
(0,42) (-0.27)
número Observaciones 915 814 744 915 814 744
prueba de Hansen (pag- 0.0205 0.506 0.845 0.00873 0.148 0.146
val) m2-prueba (pag-val) 0.862 0.718 0.682 0.943 0.398 0.0172
Número de países 134 120 128 134 120 128
Número de instrumentos 110 142 151 91 123 121

Notas:Las regresiones anteriores son estimaciones robustas systemGMM, de 2 pasos, que incluyen un retraso en la matriz para los instrumentos. La combinación de combustibles fósiles se omite para la combinación de energía primaria (es decir, la combinación de combustibles fósiles más la combinación de renovables más la combinación de plantas nucleares

suman uno). Agricultura, Ganadería y Pescasector se omite de la combinación energética final (es decir, la combinación final para la agricultura junto con la industria, el sector del transporte, los servicios y el sector residencial debe sumar uno). Las cifras entre paréntesis representan estadísticas t. Los valores marcados con asterisco denotan importancia en *pagb0,10,

**pagb0.05, ***pagb0.01.
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077
tasa entre 0,60% y 0,70%, dependiendo del modelo utilizado. Esta elasticidad
estima un rango entre 0,59% y 0,72% para el enfoque WG, y entre 0,63% y
0,98% para el sistema GMM (panel dinámico). De hecho, las principales
diferencias en las estimaciones puntuales se deben al método econométrico
utilizado más que al efecto de los controles alternativos incluidos en el
modelo (ángulo, 2008).
Por lo tanto, la correlación observada entre la intensidad energética y el
crecimiento económico a nivel mundial parece estar impulsada por un efecto
directo o por canales indirectos no observados o no considerados en el modelo
(por ejemplo, la calidad de las instituciones). Esto es importante porque el efecto
directo tiene implicaciones en términos de nuestras suposiciones sobre la
tecnología. En el contexto del modelo discutido enSección 2, surge un impacto
negativo entre los cambios de intensidad energética y el crecimiento económico
cuando πNθ,lo que indica que el canal de eficiencia de la intensidad energética en
Bt(el estado de la tecnología de producción) a través de
el parámetro π domina el canal de intensidad de entrada en Zt/MIρ t(la energía
uso) a través del parámetro θ. Este resultado está en línea con la teoría del cambio
técnico de ahorro de energía desarrollado enDíaz y Puch (2019). En efecto,Rajbhandari y
Zhang (2018)han encontrado recientemente una correlación negativa entre los cambios
en la intensidad energética y el crecimiento económico. También proporcionan evidencia
de que los niveles más altos de intensidad energética implican niveles más bajos de
productividad económica, lo que también desalienta el crecimiento.
La relación negativa entre la intensidad energética y el crecimiento económico
entre los países desarrollados ha sido ampliamente estudiada. Aquí mostramos
que esta relación negativa no es específica de los países desarrollados. Es decir, la
disminución de la intensidad energética también es una característica de los
países emergentes/en desarrollo donde la profundización del capital sigue siendo
una fuente importante de crecimiento, no solo de progreso técnico, como en los
países desarrollados.13Este hecho se puede racionalizar con la macro literatura
existente (cf.Atkeson y Kehoe, 1999;Díaz et al., 2004,Díaz y Puch, 2019) donde la
profundización del capital implica una menor intensidad energética en un mundo
con precios de la energía en aumento.
Finalmente, como se indicó anteriormente, cuando estimamos el sistema alternativo
de dos ecuaciones como un SURE, los resultados son similares a los obtenidos bajo el
enfoque del sistema GMM. Interpretamos este hallazgo como una confirmación de que
ambos enfoques están manejando adecuadamente el tema de la endogeneidad para el
propósito de este documento (verApéndices A y C).14
5.2.2. El papel del mix energético primario
El segundo resultado empírico clave se relaciona con la relación entre el crecimiento
y los cambios en la matriz energética primaria de los combustibles fósiles hacia
renovables (θmetro1enexpresión (6)), dada la cuota de la nuclear, la
grado de desarrollo y la intensidad energética.
EnTablas 2.a–2.c, consideramos las tecnologías renovables como un bloque
homogéneo, mientras que enTabla 3distinguimos entre dos tipos de opciones
renovables: la clase convencional antes mencionada (hidro y biomasa) frente a lo
que llamamos energías renovables de frontera (eólica, solar, geotérmica o
undimotriz). Cuando las energías renovables se toman en su conjunto (Tablas 2.a–
2.c), o por la parte relativa a las renovables convencionales (Tabla 3), el coeficiente
estimado es siempre negativo y significativo, pasando de −0,42 a −2,2. Esto indica
que el cambio de los combustibles fósiles a las energías renovables (sin tener en
cuenta el tipo de ellos), aunque sea respetuoso con el medio ambiente, puede no
ser un almuerzo gratis y puede estar impulsado por factores que socavan el
crecimiento del PIB. En términos de nuestro marco teórico, es que la
productividad agregada de las energías renovables es menor que la de las fósiles.
combustibles (es decir, s−3,t
1,t λ1sρ−13b λρ1en el modelo descrito enSección 2).
13Filipovic et al. (2015)escrutar cuáles son los determinantes de la intensidad energética en 28 países miembros de la
UE. Encuentran que los precios de la energía (principalmente), los impuestos a la energía y el PIB per cápita
probablemente estén detrás del grado de intensidad energética. Este resultado es corroborado por experiencias en
Dinamarca, Alemania e Italia.
14Aunque la otra forma de causalidad va más allá del alcance de este documento, vale la pena mencionar que las
ecuaciones de intensidad energética estimadas revelan varios aspectos importantes relacionados con el crecimiento, a
saber: (i) un crecimiento del ingreso del 1% reduce la intensidad energética en un 1% (esto el resultado es robusto a
través de las especificaciones); y (ii) la participación de las energías renovables y el sector residencial están significativa
y negativamente relacionados con la intensidad energética.
1067
Sin embargo, según los resultados enTabla 3, si el movimiento se orienta hacia las
energías renovables “frontera”, la asociación con el crecimiento económico se vuelve
positiva aunque débilmente significativa, entre 0,4 y 0,6. En otras palabras, este cambio
de los combustibles fósiles a las energías renovables “fronterizas” (todas las demás
acciones, la intensidad energética y el estado de la tecnología dado) podría ayudar a
conciliar las políticas de reducción de las emisiones de CO2 con el crecimiento
económico. Por lo tanto, nuestra interpretación es que mientras que mover recursos de
tecnologías de energía sucia a limpia generalmente produce costos de ajuste que pueden
erosionar la capacidad de crecimiento, resulta que la calidad del movimiento es
importante. Nuestras estimaciones enTabla 3sugieren que el signo de la correlación,
entre las energías renovables y la tasa de crecimiento, se modifica cuando la economía se
mueve hacia fuentes renovables “fronterizas” en lugar de “convencionales”.15Esto podría
tomarse como una evidencia de crecimiento lento cuando el impulsor del cambio a las
energías renovables son las dificultades de un país en el mercado de los combustibles
fósiles.
También vale la pena mencionar que al eliminar la intensidad energética
de la ecuación, el cambio en la participación de las energías renovables ya
no es estadísticamente significativo para el crecimiento. Este resultado
podría surgir debido a una relación significativa entre los cambios en la
intensidad energética y el mix energético (es decir, debido al progreso
tecnológico común oa la legislación ambiental).dieciséisTambién enfatiza la
importancia de considerar simultáneamente los aspectos energéticos (mix
de energía primaria y final e intensidad energética) para comprender las
diferencias de crecimiento entre países, lo cual es una contribución con
respecto a otros trabajos en la literatura relacionada (Inglesi-Lotz, 2016,
Bhattacharya et al., 2016, 2017, oNarayan y Doytch, 2017), como se comenta
en la Introducción.
Finalmente, pasar de los combustibles fósiles a las plantas nucleares no es
significativo para el crecimiento del PIB per cápita en absoluto. en casi todos
casos, los coeficientes θmetro 2enexpresión (6)no son significativas
compañeros bajo efectos fijos para el modelo de esqueleto M1 es una
excepción). En términos de productividad agregada a nivel mundial, la
productividad agregada de las centrales nucleares es similar a la
correspondiente a los combustibles fósiles.
5.2.3. Convergencia en el ingreso per cápita
EnTabla 2.c, nuestras estimaciones del sistema-GMM no proporcionan
evidencia de convergencia condicional: el coeficiente del nivel logarítmico
rezagado del ingreso no es significativo en casi todos los casos (solo en el modelo
M3, la tasa de convergencia es cercana al 1%). Por el contrario, el sistema-GMM de
Tabla 3presenta un hallazgo importante. Cuando el cambio en la intensidad
energética se incluye en el modelo junto con una desagregación de la
participación de las energías renovables en “convencional” y “frontera” (panel
izquierdo enTabla 3), como enTabla 2.c, la velocidad de convergencia del PIB no es
significativa (M1 y M2) o muy pequeña (1,2% en M3). No obstante, en el panel
derecho deTabla 3, eliminar los cambios de intensidad energética hace que el
término de ingreso rezagado en(6)más negativo y más significativo. La velocidad
de convergencia aumenta de 1,2% a 4,7% bajo el sistema GMM. Las implicaciones
de este resultado son dos. En primer lugar, la omisión de una variable (muy)
relevante induce un sesgo en los demás parámetros, incluido un sesgo al alza en
la velocidad de convergencia. En segundo lugar, revela una relación latente entre
la velocidad de convergencia del PIB real per cápita y el cambio en la energía
15Inglesi-Lotz (2016),Bhattacharya et al. (2016),Bhattacharya et al. (2017)oNarayan y Doytch
(2017)encontrar un impacto positivo de las energías renovables en el crecimiento. VerSección 6.1
para más detalles sobre este tema.
dieciséisPara toda la muestra, la correlación entre la intensidad energética y la participación de las energías renovables
es de 0,121, aunque significativa. Sin embargo, esta baja correlación está lejos de generar problemas de colinealidad.
Además, correlaciones cruzadas indirectas adicionales a través de una tercera variable, como el nivel rezagado del PIB
per cápita (es decir, sus correlaciones cruzadas con la participación de las energías renovables y la intensidad
energética son −0,64 y −0,34, respectivamente) u otras participaciones energéticas (es decir, la correlación entre la
participación energética en la industria y la participación de las energías renovables es −0,43 y casi cero para la
intensidad energética), también podría afectar la importancia de las energías renovables para explicar el crecimiento.
La complejidad de las correlaciones cruzadas antes mencionadas hace que sea muy importante estimar modelos en los
que se incluyan todas las variables energéticas simultáneamente (Marrero, 2010). De lo contrario, las estimaciones de
cualquier parámetro energético podrían estar sesgadas.
1068 A. Díaz et al. / Economía energética 81 (2019) 1056–1077

Tabla 4
Estimación alternativa sistema-GMM.

Variable dependiente: PIB per cápita (registrado)

M1 M2 M3

log(ingresos), rezagado 0,969*** 0,969*** 0,947***

(31.67) (45.84) (51.85)
log (intensidad de energía), rezagado − 3.510*** − 3.213*** − 3.766***
(-6.74) (-4.91) (-13.83)
Renovar. Mezcla, % de cambio − 7.164*** − 2.713** − 3.549***
(-3.15) (-2.04) (-2.64)
Nuclear. Mezcla, % de cambio − 0,344 − 0,924 − 0,883
(-0.30) (-0,62) (-0.59)
Sector Industrial, % variación 0.0845 0.546 0.944
(0.08) (0.60) (1.02)
Sector Transporte, % variación 0.177 0.661 − 0,0497
(0.15) (0.86) (-0.06)
Sector Residencial, % variación − 6.245*** − 4.437*** − 3.415***
(-4.24) (-3.67) (-3.66)
Sector servicios, % cambio − 2430 − 0,899 − 2.242*
(-1.43) (-0.56) (-1.65)
log(Precio de inversión), rezagado − 0,0148***
(-3.04)
Ed. primaria alcanzada, % sobre la población, rezagada 0.284***
(2.75)
Ed. secundaria alcanzada, % sobre Pob., rezagada − 0,0591
(-0.55)
Tasa de fecundidad, rezagada − 0,0532***
(-2.78)
Inflación, promedio de 5 años − 0,00254*
(-1.80)
Tamaño del gobierno, promedio de 5 años − 0,0958**
(-2.22)
Apertura comercial, promedio de 5 años 0.0550
(1.36)
número Observaciones 915 814 744
Hansenp 0.0122 0.311 0.622
ar1p 0.000202 6.86e−09 1.90e−08
ar2p 0.834 0.672 0.594
negro 134 120 128
j 101 134 143

Notas:Las regresiones anteriores son estimaciones robustas del sistema GMM, de 2 pasos, que incluyen un retraso en la matriz para los instrumentos. La combinación de combustibles fósiles se omite para la combinación de energía primaria (es decir, la combinación de

combustibles fósiles más la combinación de renovables más la combinación de plantas nucleares suman uno).Agricultura, Ganadería y Pescasector se omite de la combinación energética final (es decir, la combinación final para la agricultura junto con la industria, el sector del

transporte, los servicios y el sector residencial debe sumar uno). Las cifras entre paréntesis representan estadísticas t. Los valores marcados con asterisco denotan importancia en *pagb0,10, **pagb0.05, ***pag b0.01.

intensidad a nivel mundial. Por lo tanto, la inclusión del crecimiento de la
intensidad energética (junto con los cambios en el uso de las energías renovables)
es importante para explicar el crecimiento y su proceso de convergencia
(condicional). Interpretamos este hallazgo como una evidencia del papel clave que
las mejoras en la intensidad energética juegan en la convergencia del ingreso a lo
largo de la transición hacia un camino de crecimiento sostenido y, además, su
importancia clave como canal de transmisión para el desarrollo económico.
En las últimas tres columnas deTabla 3, los cambios en la participación
de la energía nuclear se vuelven significativos y negativos. En comparación
con las tres primeras columnas deTabla 3, el hallazgo es que los cambios en
la combinación de energía primaria afectan el crecimiento a través de
cambios en la participación de las energías renovables. Sin embargo, el
resultado aquí implica que el canal de transmisión es particularmente
evidente cuando hacemos abstracción del papel de los cambios en la
intensidad energética. Una justificación de este resultado es que algunos
países posiblemente se vean limitados en el proceso de crecimiento, ya sea
por el aumento de los precios de la energía fósil o por la adopción de nuevas
tecnologías energéticas, o posiblemente por ambas cosas. Como
consecuencia, podrían estar cambiando a energías renovables
convencionales ineficientes como respuesta a cualquier obstáculo durante
hallazgo en la investigación relacionada (1,21% enTabla 2.c).17Esta discusión
se amplía enapéndice B.
Como una aproximación alternativa para analizar el término de velocidad de
convergencia (y todos los términos restantes en la ecuación.(5)), estimamos un
panel dinámico donde la variable endógena es el nivel logarítmico del PIB per
cápita, en lugar de su tasa de crecimiento. En modelos dinámicos, esto implica un
ajuste en el término dinámico y un reescalado en el resto de coeficientes. Tenga
en cuenta que el término de crecimiento enexpresión (5)Se define como GYél= [
en(Yél) − ln (Yyo, t−1)]/5, de manera que la nueva especificación a estimar toma la
siguiente forma:
en Yél¼ a0þRiþTtþ β0en Yi;t−1 þ θ0XEélþ λ0 0Xélþ εél;d5 bisÞ
donde β0en (5 bis) y β en(5)están relacionados como β = (β0− 1)/5. Tabla 4presenta
los resultados para algunas especificaciones seleccionadas bajo el sistema-GMM
(mediante el colapso del conjunto de instrumentos como alternativa para superar
el problema de sobreajuste). En consonancia con el anterior
17En la literatura relacionada con el crecimiento, las estimaciones de MCO combinados ofrecen
coeficientes de convergencia sesgados a la baja, mientras que los proporcionados por el enfoque de

su proceso de toma de decisiones sobre la tecnología energética óptima. Si
esto es así, no sorprende que una vez que controlamos por los cambios en la
matriz energética primaria en esos países, los mecanismos de crecimiento
neoclásicos aparecen y la convergencia condicional no puede rechazarse.
efectos fijos tienden a estar sesgados al alza. Nuestro coeficiente estimado bajo el sistema GMM se
encuentra entre las estimaciones convencionales (aunque no significativas en muchas ocasiones). Los
resultados estimados para un panel dinámico bajo enfoques pooled-OLS y WG están disponibles a pedido.
Este hallazgo fue confirmado anteriormente por artículos comoIslam (1995), yCaseli et al. (1996), entre
otros.
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077
especificaciones enTablas 2.c y 3, las tasas de convergencia varían poco,
pasando del 0,2% al 1,06%. Además, los principales resultados sobre la
relación entre las variables relacionadas con la energía y el crecimiento
económico se mantienen sólidos después de esta especificación, que es la
principal contribución del artículo.
5.2.4. Composición sectorial
Finalmente, la inclusión de variables sectoriales (consumo final de energía en
el sector s relativo al consumo final total, es decir, Δsk, yo, ten(6)) tiene poco efecto
sobre el crecimiento del PIB per cápita en todo el mundo. La única excepción
destacable es la cuota de energía demandada por el sector residencial. La
contribución estimada al crecimiento de esta variable oscila entre −0,68 y −1,49,
según la especificación y el método. En promedio, para una desviación del 1 % en
la participación energética del sector residencial, en relación con la participación
de la agricultura, se puede asociar con un cambio de −1,12 % en la tasa de
crecimiento del PIB per cápita. Esto es digno de destacar, dada la secular
tendencia a la baja en la agricultura, causada casi con certeza por el cambio
estructural y la gran migración de las zonas rurales a las ciudades en los países
emergentes, lo que provoca la tendencia al alza en la participación residencial de
la energía a lo largo del camino del desarrollo hacia una constante crecimiento.
6. Robustez de los resultados
Esta sección analiza la solidez de nuestros resultados a especificaciones alternativas
de nuestro modelo empírico de referencia (es decir, resultados enTablas 2.c y 3).
Precisamente, primero evaluamos el efecto de cambiar a una mayor proporción de
energía renovable en la mezcla. En segundo lugar, evaluamos las consecuencias de
utilizar la intensidad energética rezagada como variable de control en lugar de utilizar
sus tasas de crecimiento. En tercer lugar, presentamos un análisis general de la
heterogeneidad de la muestra entre regiones, niveles de ingreso y períodos. Finalmente,
evaluamos el papel potencial de controles adicionales, especialmente a través de
medidas de calidad institucional e inversión privada. Se dan más detalles de estos
controles alternativos enApéndices B, C, D y Ecorrespondiente aSecciones 6.1, 6.2, 6.3 y
6.4, respectivamente.
6.1. La correlación con las renovables
Uno de nuestros resultados más importantes es la correlación negativa encontrada entre el
crecimiento económico y los cambios en la participación de las energías renovables en relación
con la participación de los combustibles fósiles.
Siguiendo la literatura existente sobre el crecimiento empírico (verBarro, 2000,
yMarrero, 2010, y las referencias que contiene), hemos considerado las tasas de
crecimiento del PIB per cápita y los términos dinámicos en nuestra especificación
empírica de forma reducida. Alternativamente, a menudo se ha considerado una
desviación de la literatura de crecimiento empírico según la cual se considera la
relación en niveles (log-) entre el PIB real per cápita y las energías renovables (cf.
Inglesi-Lotz, 2016;Bhattacharya et al., 2016, 2017; oNarayan y Doytch, 2017, entre
otros). Tal especificación se abstrae de la variabilidad en las tasas de crecimiento
económico y ocasionalmente omite el aspecto dinámico. Esta circunstancia implica
suponer que las economías se mantienen en una senda de crecimiento
equilibrado, lo que puede estar más o menos justificado según la muestra. En la
mayoría de estos ejercicios empíricos, el hallazgo es una correlación positiva entre
el PIB per cápita y el consumo de energías renovables.Tabla B.1enapéndice B
resume las elasticidades estimadas para algunos de estos artículos
representativos. Las diferencias entre los resultados de esos trabajos y nuestros
resultados podrían atribuirse al uso de diferentes muestras (países y períodos de
tiempo) o los métodos econométricos utilizados. Ver tambiénapéndice Bpara más
detalles de esta discusión.
Analizamos más a fondo este problema en nuestra muestra. De este modo,
Tabla B.2en apéndice Binforma nuestras estimaciones en las que la variable
dependiente y todas las demás variables de la regresión se expresan en niveles
logarítmicos para diferentes especificaciones y métodos. El principal hallazgo es
que la correlación positiva observada (como lo han encontrado algunas
investigaciones previas) entre el PIB per cápita y el consumo del total
1069
renovables podría deberse a la omisión de efectos fijos de país y tiempo, junto con
la omisión de una medida de eficiencia energética general (proxy por intensidad
energética en nuestro caso). Además, en todos los casos, el coeficiente de
intensidad energética es negativo y altamente significativo, como informamos en
Tablas 2.a a 2.c.
Más importante aún, cuando hacemos la distinción entre energías renovables
convencionales y de frontera (columnas (v) a (viii) enTabla B.2), obtenemos el
mismo resultado que reportamos enTabla 3. Mientras que las energías renovables
convencionales mantienen el signo negativo (y significativo), la correlación entre
las energías renovables de frontera y el PIB real per cápita se vuelve positiva. La
elasticidad (a largo plazo) de las fuentes renovables convencionales oscila entre el
−13 % y el −19 %, mientras que la de las renovables de frontera oscila entre el 1,4
% y el 4,6 %. En consecuencia, esta evaluación basada en un análisis de largo plazo
refuerza las conclusiones deSección 5arriba, que a su vez son consistentes con el
marco teórico que presentamos enSección 2.
Este análisis de robustez concilia, al menos en parte, nuestros resultados con los
mencionados anteriormente en la literatura. El hallazgo de que las energías renovables
“agregadas” están negativa o positivamente correlacionadas con el PIB real per cápita
podría ser sensible a la muestra y al modelo y método econométrico utilizados. Sin
embargo, cuando distinguimos entre energías renovables convencionales y de frontera,
es bastante sólido que las primeras están correlacionadas negativamente, mientras que
las segundas están correlacionadas positivamente.
6.2. Intensidad energética rezagada como variable explicativa
Otro resultado importante es la correlación negativa encontrada entre el
crecimiento económico y los cambios en la intensidad energética, dado el mix
energético y el estado de la tecnología. EnTablas 2.a a 2.c y 3, hemos utilizado el
crecimiento de la intensidad energética como variable explicativa. Sin embargo,
uno puede preguntarse cómo serían los resultados si, en cambio, se utiliza como
variable explicativa el nivel de intensidad energética al comienzo del período de
cinco años.
Tabla C.1enApéndice Cmuestra los resultados estimados de este análisis.
Encontramos que el signo del coeficiente estimado del nivel rezagado de
intensidad energética varía dependiendo de la inclusión de la tasa de crecimiento
de la intensidad energética. La intuición de este resultado es la siguiente. La
omisión del cambio en la intensidad energética como variable explicativa
(primeras tres columnas enTabla C.1) plantea que el nivel rezagado de intensidad
energética estaría capturando el proceso de convergencia de la intensidad
energética y, por tanto, sus estimaciones estarían fuertemente sesgadas e incluso
podrían cambiar de signo. Precisamente, la razón del sesgo es que mayores
niveles depasadointensidad energética se correlacionan con cambios bajos en
actualintensidad energética, que a su vez se correlaciona con un mayor
crecimiento del ingreso per cápita. Por lo tanto, cuando se omite el cambio en la
intensidad energética en la regresión, el coeficiente del nivel rezagado de la
intensidad energética es positivo, mientras que se vuelve negativo cuando se
controla explícitamente el proceso de convergencia de la intensidad energética.
Como comentario final, tenga en cuenta que el cambio en energía renovable ya no es
significativo después de omitir el cambio en la intensidad energética. Nuevamente, esto
probablemente se deba a un efecto sesgado de omitir variables relevantes. Una vez que se
incluye el cambio en la intensidad energética, el valor rezagado ln(IEyo, t-1) no parece muy
relevante, por lo que los resultados que se muestran enTablas 2.a a 2.cpuede ser visto como
robusto.
6.3. Análisis de heterogeneidad: Regiones, niveles de ingreso y periodos de tiempo
Nuestros resultados anteriores se han obtenido a nivel mundial. Sin embargo, podría
haber heterogeneidad en varias dimensiones. Por lo tanto, exploramos a continuación si
nuestros principales resultados (deTabla 2.c y 3) varían según las regiones, el período de
tiempo y los niveles de ingresos. Los resultados estimados se muestran en Cuadros D.1,
D.2 y D.3enApéndice D. En todos los casos, usamos la estimación GMM del sistema, como
enTablas 2.c y 3.
Primero enTabla D.1, diferenciamos las siguientes regiones: Europa (incluimos
variables ficticias para los países del Este de la UE), América, Asia-Pacífico y Sub-
1070
África sahariana (SSA).18Encontramos que el coeficiente de intensidad energética es
negativo y estadísticamente significativo en todos los casos, con un rango de −0,436
(Europa) a −0,982 (SSA, África subsahariana). En Europa, los cambios en la participación
de las fuentes de energía renovables (particularmente las fuentes convencionales) y las
participaciones del sector residencial y el sector de servicios parecen negativas y
estadísticamente significativas, en línea con nuestros resultados agregados enTablas 2.a–
2.c. Para las regiones restantes, la participación de las energías renovables no es
significativa. Así, la correlación negativa observada entre la participación de las
renovables y el crecimiento económico a nivel mundial (Tablas 2.a–2.c) se debe
principalmente a la comparación entre regiones.
Segundo, enCuadro D.2, diferenciamos entre períodos de tiempo y
exploramos si la correlación energía-crecimiento se ha visto afectada
por la crisis del precio del petróleo de mediados de los 80 (es decir,
distinguimos entre antes y después de 1985). Seleccionamos los años
80, en lugar de mediados de los 70, para permitir un número
suficientemente grande de observaciones antes y después de ese
período. Curiosamente, la sensibilidad del crecimiento con respecto a la
intensidad energética aumenta (en términos absolutos) de −0,36 a
−0,84 después de 1985. Este cambio en este coeficiente es robusto a la
diferenciación entre fuentes renovables (es decir, convencional frente a
frontera). El coeficiente de la cuota de renovables convencionales
también aumenta de −0,66 a −1,04, mientras que el de las renovables
frontera no parece afectar al crecimiento económico cuando
diferenciamos entre ambos periodos. Finalmente,
Finalmente, enTabla D.3, completamos este análisis teniendo en cuenta
el grado de desarrollo del país de acuerdo con la clasificación del Banco
Mundial: países de ingresos bajos y medianos bajos, países de ingresos
medianos altos y países de ingresos altos (para estos últimos, también
distinguimos entre países de la OCDE). Las estimaciones enTabla D.3indican
que a menor ingreso, menor velocidad de convergencia (del 4% al 10%), y
mayor sensibilidad del crecimiento con respecto a la intensidad energética
(del −0,77 al −0,16). Tenga en cuenta que esto es consistente con nuestro
análisis regional anterior (Tabla D.1).
La disminución de estos coeficientes es sólida para la diferenciación entre
fuentes renovables convencionales y de frontera. El coeficiente de la participación
de las energías renovables convencionales es negativo y significativo para los
países de ingresos medios altos y los países de ingresos altos, de −0,79 a
− 1,03, mientras que el de las fuentes renovables de frontera es significativo y se
correlaciona positivamente con el crecimiento, pero solo para países de renta
media-alta, +1,62. Nótese que estos últimos países han experimentado un mayor
cambio en su patrón de desarrollo y uso de energía, lo que podría explicar este
signo altamente positivo para las energías renovables de frontera.
En general, el principal resultado de este ejercicio es que encontramos
patrones heterogéneos en la relación entre crecimiento e intensidad
energética según el período y el nivel de ingresos. La sensibilidad del
crecimiento económico con respecto a la intensidad energética es mayor a
partir de 1985, y menor el nivel de renta per cápita. También es evidente que
un análisis más detallado al interior de cada región (e incluso al interior de
los países) revelaría información relevante sobre la relación entre energía y
crecimiento. Sin embargo, el objetivo aquí es describir el patrón promedio
en todo el mundo, y el análisis de heterogeneidad detallado va más allá del
alcance de este documento y se deja para futuras extensiones.
6.4. Controles alternativos: el papel de la calidad institucional y la inversión privada
Para finalizar esta sección de análisis de robustez, consideramos controles
alternativos en la ecuación de regresión.(5), principalmente relacionado con la calidad
institucional y la inversión privada en los diferentes países.
Tabla E.1enApéndice Einforma los resultados cuando este nuevo conjunto de
variables institucionales se incluye en la regresión. Estas variables son las
siguientes: la calidad de la democracia, la estabilidad del Gobierno, la inversión
privada y la estabilidad política (ver el Anexo para el detalle de las
18Los tamaños de las muestras difieren ampliamente entre las regiones. Dado que la estimación del sistema-GMM puede verse
afectada por muestras pequeñas, agregamos aquellas regiones con un tamaño de muestra más pequeño. Por lo tanto, agregamos la
región de América con los países de Asia-Pacífico (etiquetados como ASP).
A. Díaz et al. / Economía energética 81 (2019) 1056–1077
fuente). Todos los coeficientes tienen el signo esperado. Los coeficientes tanto de la calidad de la
democracia como de la estabilidad del Gobierno son positivos y significativos, lo que significa que
la calidad de las instituciones tiene un impacto positivo en el crecimiento. Sin embargo, la
inversión, como porcentaje del PIB, ypolítica2también afectan positivamente el crecimiento.
Tenga en cuenta que los resultados de la intensidad energética y la participación
total de las energías renovables son robustos a la inclusión de estos controles. Además,
cuando hacemos la distinción entre energías renovables de frontera y convencionales, el
signo del movimiento hacia las energías renovables convencionales sigue siendo
negativo, mientras que el signo del movimiento hacia la frontera se vuelve positivo
(aunque no significativo). Entonces, lo relevante aquí es que pasar a las energías
renovables de frontera (desde las no renovables), al menos, no daña el crecimiento. El
hecho de que el coeficiente de las renovables de frontera no sea significativo podría estar
indicando que la calidad institucional es un aspecto relevante para explicar cómo se
correlacionan las renovables y el crecimiento económico. Sin embargo, este es un
aspecto que merece un análisis mucho más detallado y que va más allá del alcance de
este trabajo.
7. Observaciones finales
La relación entre el crecimiento económico y el uso de la energía es compleja, ya que
involucra aspectos relacionados con las instituciones y las políticas, el estado de la
tecnología y la composición sectorial de una economía. Este artículo contribuye a este
problema al proponer una especificación empírica para proporcionar evidencia sobre la
importancia relativa de todos estos aspectos. Nuestra especificación incorpora, en un
modelo de datos de panel dinámico, un indicador de intensidad energética, las
participaciones en el mix energético primario (donde distinguimos entre fuentes
renovables y combustibles fósiles), y las participaciones de los sectores donde finalmente
se consume energía. Como usamos un conjunto de datos que incluye una muestra de
134 países durante el período 1960-2010, también debemos controlar las características
específicas de cada país. Esta heterogeneidad enriquece nuestro análisis, contrario a los
estudios existentes que típicamente se restringen a un conjunto reducido de países.
Además, nuestro conjunto de datos único permite medir la influencia de las instituciones
y las políticas junto con el nivel de desarrollo económico. Además, nuestra forma de
regresión empírica de crecimiento energético reducido está motivada por un marco
neoclásico que relaciona el crecimiento económico con la intensidad energética y
diferencia el impacto de la energía renovable (en oposición a la no renovable) en el
proceso de crecimiento.
Nuestros resultados confirman una correlación negativa entre la intensidad
energética y el crecimiento a nivel mundial: a mayor intensidad energética, menor
crecimiento del PIB per cápita. Dependiendo de la especificación del modelo y del
método econométrico, encontramos, en promedio, una elasticidad del crecimiento
del PIB pc con respecto a la intensidad energética que oscila entre −0,5 y
− 1,0%. La literatura existente ha reportado ampliamente evidencia sobre esta
correlación negativa para los países desarrollados. Encontramos que esta
correlación también es válida para los países emergentes y en desarrollo. Además,
al excluir la intensidad energética de las regresiones, encontramos evidencia
significativa de convergencia condicional y del papel de las variables tecnológicas
incluso a expensas de las variables de política. Estos hallazgos sugieren que las
mejoras en la tecnología energética también son una fuerza de desarrollo.
Además, informamos evidencia de que aquellos países que cambian de energías renovables
fósiles a convencionales, en lugar de energías renovables de frontera, podrían estar
experimentando dificultades en su camino de desarrollo (los coeficientes de cambios en la
combinación de energías renovables son siempre negativos y significativos). En relación con la
participación de la energía en los sectores finales, solo la participación de la energía demandada
por el sector residencial muestra un efecto negativo sólido y significativo en el crecimiento del
PIB per cápita. La inclusión del resto de variables sectoriales es despreciable en su efecto sobre el
crecimiento del PIB per cápita a nivel mundial.
Contribuimos a la literatura existente en el sentido de que hemos analizado ciertas
relaciones entre la intensidad energética, la combinación energética, la composición
sectorial y el crecimiento económico. Nuestros resultados parecen ser bastante robustos
a especificaciones y procedimientos de estimación alternativos. Otras preguntas sobre la
relación energía-crecimiento, como la composición óptima de las fuentes de energía,
seguramente requieren un modelo de equilibrio general dinámico. La evidencia empírica
encontrada en este artículo nos ayudará a disciplinar la construcción de un modelo que
relacione las tecnologías de energía alternativa con el progreso tecnológico y el proceso
de crecimiento.
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077 1071

Apéndice A. Sistema de ecuaciones simultáneas

A continuación estimamos unecuación aparentemente no relacionada(SURE) por máxima verosimilitud:

GYél¼ α þRiþTtþ β1en Yi;t−1þ δ1ΔEIélþ θ0 1XEélþ λ0 1Xélþ εél; dR: 1Þ

ΔEIél¼ α þRiþTtþ β2en Yi;t−1þ δ2GYélþ θ0 2XEélþ λ0 2Xélþ ηél; dR: 2Þ

dónde:

θℓ0XEél≡∑J−1 ℓ;jΔmj;i;tþ
j¼1θmetro
∑K−1 k¼1θs ℓ;kΔsequipo; dR: 3Þ

yℓ =1, 2, es decir, crecimiento e intensidad energética, respectivamente. ecuación(A.1)se escribe idénticamente como Eq.(5)enSección 4. La segunda ecuación.(A.2)abarca casi las mismas
variables explicativas que la ecuación.(A.1), excepto el cambio en la intensidad energética ΔIEél, pero incluyendo la tasa de crecimiento de la renta,GYél. El
K−1
cuotas de energía {Δmetro j, yo, t} j=1y
J−1 {Δsk, yo, t}k=1 , y el conjunto de variables de controlXél, también se incorporan, sin imponer más restricciones al conjunto
de parámetros
Tabla A.1presenta un resumen de estos nuevos resultados bajo cinco especificaciones alternativas. Para cada especificación, proporcionamos unregresión (A.1)para el
crecimiento y unaregresión (A.2)por el cambio en la intensidad energética. Comparamos estos resultados con los ya publicados enCuadro 2.a(Pool-OLS) y Tabla 2.c
(sistema GMM). Destacamos los siguientes aspectos.
Primero, cuando estimamos el sistema de dos ecuaciones(A.1) y (A.2), crecimiento y cambio de intensidad energética, respectivamente, los resultados se aproximan a los alcanzados
bajo el caso del sistema GMM. Por ejemplo, en el modelo básico de "esqueleto" (etiquetado como (Aghion et al., 1999)), el coeficiente de intensidad energética se convierte en −0,88,
mientras que el nivel logarítmico rezagado de ingresos (es decir, el coeficiente de convergencia) sigue siendo insignificante. Cuando se agrega la proporción de fuentes de energía
renovables y (especialmente) la proporción de energía consumida por el sector residencial (especificaciones del modelo (Alesina et al., 1996) y (Álvarez et al., 2005)), la estimación SUR
proporciona un coeficiente más cercano al caso GMM (Tabla 2.c) que aquellos bajo la estimación conjunta (Cuadro 2.a). Algo similar sucede cuando las variables de control se incorporan
a las ecuaciones. Como ya se discutió en el documento, las estimaciones del pool-OLS parecen sesgadas con respecto a la tabla GMM del sistema, probablemente debido al problema de
endogeneidad entre las variables clave. Este es siempre el caso de laIntensidad de la energíacoeficiente en la ecuación de crecimiento: mientras que en la estimación por pooling se
encuentra en torno a 0,6, en el sistema-GMM es de 0,9. El sistema SUR corrige parcialmente este sesgo. En segundo lugar, las ecuaciones de intensidad energética revelan varios
aspectos importantes relacionados con el crecimiento, a saber: (i) un crecimiento del ingreso del 1 % reduce la intensidad energética en un 1 % (este resultado es sólido en todas las
especificaciones); y (ii) la participación de las energías renovables y el sector residencial están significativa y negativamente relacionados con la intensidad energética.

Tabla A.1
Sistema SEGURO.

Modelo: (1) (2) (3) (4) (5)

Variable dependiente: Crecimiento ΔEI Crecimiento ΔEI Crecimiento ΔEI Crecimiento ΔEI Crecimiento ΔEI

log(ingresos), rezagado 0.000199 0.00231 0.00118 0.00298** 0.000915 0.00258* − 0,00136 − 0.000164 − 0,00344*** − 0.00218
(0.14) (1.56) (0.87) (2.07) (0.71) (1.82) (-1.06) (-0.11) (-2.60) (-1.52)
Crecimiento de los ingresos − 0,958*** − 0,994*** − 1.028*** − 1.092*** − 1.021***
(-44.34) (-46,98) (-48.22) (-44.24) (-46.47)
Intensidad energética, % de cambio − 0,882*** − 0,875*** − 0,856*** − 0,796*** − 0,885***
(-44.34) (-46,98) (-48.22) (-44.24) (-46.47)
Renovar. Mezcla, % de cambio − 1,227*** −1,247*** −0,907*** −0,982*** (- − 0,461***−0.531***−0.554***−0.591***
10.76) (-10.11) (-7.73) (-7.63) (-4.31) (-4.24) (-5.78) (-5.74)
Nuclear. Mezcla, % de cambio 0.0337 0.0719 0.0762 0.122 0.233 0.348 0.132 0.213
(0.12) (0.24) (0.29) (0.42) (1.04) (1.32) (0.62) (0.93)
Sector Industrial, % variación 0.0969 0.0978 0.00446 − 0,0113 0.201* 0.210*
(0.81) (0.75) (0.04) (-0.08) (1.79) (1.74)
Sector Transporte, % variación − 0,228 − 0,334* − 0,198 − 0,314* − 0,328** − 0,433***
(-1.46) (-1.95) (-1.35) (-1.83) (-2.39) (-2.96)
Sector Residencial, % variación − 1.066*** − 1.074*** − 0,864***−0,945***−0,676***−0,684***
(-8.27) (-7.48) (-6,92) (−6,39)(-6.12)(-5.72)
Sector servicios, % cambio − 0,387 − 0,410 − 0,271 − 0,353 − 0,373* − 0,421*
(-1.64) (-1.58) (-1.08) (-1.21) (-1.68) (-1.76)
log(Precio de inversión), rezagado − 0,00212** − 0,00168
(-2.02) (-1.36)
Ed. primaria alcanzada, % sobre la población, rezagada 0.0150 0.0103
(1.54) (0.90)
Ed. secundaria alcanzada, % sobre Pob., rezagada 0.000804 − 0,00583
(0.07) (-0.41)
Tasa de fecundidad, rezagada − 0,00336*** − 0,00265**
(-3.16) (-2.29)
Inflación, promedio de 5 años − 0,00524 − 0,00521
(-1.37) (-1.27)
Tamaño del gobierno, promedio de 5 años − 0,00320 − 0.00299
(-1.51) (-1.31)
Apertura comercial, promedio de 5 años 0.00351 0.00346
(1.54) (1.42)
número Observaciones 915 915 915 915 915 915 814 814 744 744

Estadísticas t robustas entre paréntesis: *** denota significancia al 1 %, ** al 5 %, * al 10 %.

1072 A. Díaz et al. / Economía energética 81 (2019) 1056–1077

Anexo B. Sobre la correlación entre crecimiento y renovables

Tabla B.1reporta las elasticidades estimadas entre el crecimiento económico y el consumo de energía renovable reportadas en algunos artículos representativos en la literatura.
Salvo los seis casos presentados porBhattacharya et al. (2016), estos estudios muestran resultados positivoslargo plazoelasticidades dentro de una amplia gama de valores.19
Tabla B.2resume la evaluación de este tema en nuestra muestra. Las columnas (i) a (v) de la tabla informan los resultados usando OLS agrupado bajo
diferentes especificaciones. Las últimas dos columnas muestran los resultados de los enfoques dentro del grupo (WG) y del sistema GMM. Presentamos los
resultados secuencialmente para explorar las causas detrás del potencial cambio de signo en el coeficiente de las variables de energía. Para facilitar la
exposición, no incluimos aquí el conjunto de controles utilizados a lo largoTablas 2.a–2.c, pero distinguimos entreconvencionalyfronterafuentes renovables.
Primero, incondicionalmente, la correlación entre el PIB per cápita (en logs) y el consumo de energías renovables (en logs) es positiva. Además, su
elasticidad es del 4,5%, algo inferior a la media encontrada en trabajos anteriores (Tabla B.1). Además, cuando se incluyen efectos fijos regionales en la
regresión, esta correlación positiva se mantiene, aunque la elasticidad se reduce a solo 0,74%. Condicionado a los efectos fijos temporales y regionales
(columna (iii)), el coeficiente de renovables se vuelve negativo y significativo, en línea con nuestros resultados enTablas 2.a–2.c(la elasticidad es −1%).
En segundo lugar, cuando se incluye la intensidad energética en la regresión (ahora en niveles logarítmicos, columna (iv)), el coeficiente de energías renovables se
vuelve más negativo y más significativo. Así, parte de la correlación positiva observada inicialmente entre el consumo de renovables y el PIB per cápita se debe a una
correlación oculta debida a efectos fijos (temporales y específicos de cada país) ya la intensidad energética de cada país. Una vez que se controlan estos factores, la
correlación parcial entre las energías renovables totales y el PIB per cápita (en logaritmos) se vuelve negativa. Así, atribuimos el resultado cambiante a la omisión de los
efectos fijos de país y tiempo, y también de la intensidad energética.
De hecho, las diferencias también podrían atribuirse al uso de diferentes muestras (países y períodos de tiempo) o los métodos econométricos utilizados. Por ejemplo,
Bhattacharya et al. (2016)use los 38 países principales de acuerdo con el Índice atractivo de países de energía renovable y calcule las elasticidades de producción a largo
plazo. Por lo tanto, el modelo no es dinámico y utiliza datos agrupados y observaciones anuales.Inglesi-Lotz (2016)utiliza datos anuales de 34 países de la OCDE desde
1990 hasta 2010 y realiza un análisis de cointegración a largo plazo con técnicas de efectos fijos y OLS agrupados.Bhattacharya et al. (2017)utilice datos anuales de 85
economías desarrolladas y en desarrollo desde 1991 hasta 2012, utilizando OLS agrupados y el sistema GMM. En este artículo, el sistema GMM sufre claramente un
problema de overfitting (se utilizan demasiados instrumentos), ya que elpag-valor de la prueba de Hansen muestran un valor de 1,00.Narayan y Doytch (2017)utilice un
panel de 89 países desde 1971 hasta 2011, divididos en ingresos bajos, ingresos medios-altos e ingresos altos. Analizan los efectos a corto y largo plazo y distinguen entre
usuarios residenciales e industriales de renovables. Por lo tanto, sus resultados no son totalmente comparables a nuestro caso.

Tabla B.1
Elasticidades de producción a largo plazo frente al consumo de energía renovable.

Artículo Elasticidad Países Muestra

Apergis y Payne (2010a) 0.760 34 países de la OCDE 1985-2005

Apergis y Payne (2010b) 0.195 13 países euroasiáticos 1992-2007
0.074 (Rusia excluida)
Inglesi-Lotz (2016) 0.100 34 países de la OCDE 1990-2010
0.080
Bhattacharya et al. (2016) 0.101 38 países 1991-2012
− 0,162 Ucrania
− 0,118 India
− 0,072 Estados Unidos
− 0,061 Israel
0.066 España
0.117 Francia
0.150 Alemania
0.160 Reino Unido
0.260 Porcelana

Bhattacharya et al. (2017) 0.219 85 países 1991-2012

0.152 Paises de altos ingresos
0.277 Países de ingresos medios y bajos
0.132 Oriente Medio y África del Norte
0.367 Africa Sub-sahariana
0.141 Europa y Asia Central
Narayan y Doytch (2017) 1.008 89 países 1971-2011
1.002 Países de ingresos medios y bajos
1.006 ingreso medio alto
1.003 Paises de altos ingresos

Tabla B.2
Estimación Pooled-OLS, Fixed Effects WG y system-GMM.

Variable endógena: PIB real per cápita (ajustado por PPA, nivel logarítmico)

(i) (ii) (iii) (iv) (v) (v) (vii) (viii)

Nivel de registro de intensidad energética − 0,690*** − 0,603*** − 0,622*** − 0,719*** − 1.390***

(-14.57) (-12.58) (-8.44) (-5.43) (-7.25)
Renovar. Mezcla, nivel de registro 0,0453*** 0,00745** −0,0101*** −0,104***
(10,95) (2,11) (−2,62) (−14,17)
Renovar. Mezcla (Convencional), − 0,128*** − 0,0125 − 0,197*** − 0,186***
nivel de registro (-16.70) (-0,85) (-5.41) (-5.12)
Renovar. Mix (Frontier), nivel de registro 0.0442*** 0.0146*** 0.0458** 0.0290**
(8.84) (3.34) (2.49) (2.48)

19Las cuatro excepciones son India (−0,118), Ucrania (−0,162), Estados Unidos (−0,072) e Israel (−0,061).
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077 1073

Tabla B.2 (continuado)

Variable endógena: PIB real per cápita (ajustado por PPA, nivel logarítmico)

(i) (ii) (iii) (iv) (v) (v) (vii) (viii)

Método Piscina-OLS Piscina-OLS Piscina-OLS Piscina-OLS Piscina-OLS Grupo de trabajo Sistema GMM Sistema GMM
muñecos de tiempo No No Sí Sí Sí Sí Sí
Dummies regionales No Sí Sí Sí Sí No Sí
Efectos fijos No No No No No Sí Sí
Matriz de Instrumentos – – – – – – Reducir: 1 retraso, a partir de Colapso (todos los retrasos, a partir de
t-2 t-2)
número Observaciones 1676 1676 1676 1049 1049 1049 1049 1049
R2 ajustado 0.071 0.439 0.488 0.612 0.648 0.717
Hansen (pag-val) 0.0212 0.0688
prueba m1 (pag-val) 0.0991 0.0439
m2-prueba (pag-val) 0.385 0.131
núm. de países 134 134 134
número de instrumentos 71 47

Estadísticas t robustas entre paréntesis: *** denota significancia al 1 %, ** al 5 %, * al 10 %.

Apéndice C. Sobre el uso de la intensidad energética rezagada como variable explicativa

Para ahorrar espacio, solo mostramos los resultados usando el sistema-GMM bajo las especificaciones M1, M2, M3 y usando todas las variables de energía.20En las primeras tres
columnas, cuando solo se incluye el nivel rezagado de intensidad energética (y se excluye su tasa de crecimiento), el coeficiente es positivo y estadísticamente significativo en todos los
casos. Sin embargo, en las últimas tres columnas, cuando se incorporan conjuntamente a la regresión tanto el nivel rezagado como la tasa de crecimiento de la intensidad energética,
ambos coeficientes son negativos y estadísticamente significativos. Esto plantea la advertencia de que la exclusión de una variable relevante, como la tasa de crecimiento de la
intensidad energética, podría sesgar fuertemente la estimación de la variable de intensidad energética rezagada.
En nuestra muestra, encontramos una fuerte evidencia de la convergencia β de la intensidad energética (tanto absoluta como condicional). Es decir, la relación entre el crecimiento
de la intensidad energética y su nivel rezagado es negativa y altamente significativa.21Las implicaciones clave de este resultado se resumen en el texto principal,Sección 6.2.

Tabla C.1
Análisis de robustez: nivel logarítmico rezagado y tasas de crecimiento de la intensidad energética según la estimación GMM del sistema.

Variable dependiente: tasa de crecimiento del PIB per cápita

M1 M2 M3 M1 M2 M3

log(ingresos), rezagado − 0,0186* − 0,0160 − 0,0161* − 0,0334*** − 0,0180** − 0,0188***

(-1.68) (-1.63) (-1.68) (-3.49) (-2.51) (-4.25)
log (intensidad de energía), rezagado 0.0298** 0.0378*** 0.0550*** − 0,0867*** − 0,0434*** − 0,0291***
(2.06) (2.75) (3.46) (-5.52) (-2.94) (-3.09)
Intensidad energética, % de cambio − 0,871*** − 0,727*** − 0,790***
(-13.61) (-8.59) (-12.57)
Renovar. Mezcla, % de cambio − 0,614 − 0,202 − 0,485 − 0,941*** − 0,393* − 0,560**
(-1.27) (-0,68) (-1.36) (-2.61) (-1.75) (-2.30)
Nuclear. Mezcla, % de cambio − 0,394 − 0,832** − 0,836 0.277 0.118 − 0,0438
(-0.79) (-1.97) (-1.35) (1.34) (0.43) (-0.16)
Sector Industrial, % variación 0.291 0.304 0.0584 0.111 0.176 0.152
(0.93) (1.19) (0.22) (0.68) (0.98) (0.90)
Sector Transporte, % variación 0.446 0.544 0,625** − 0,156 − 0,0145 − 0,102
(1.09) (1.47) (2.05) (-0.71) (-0.09) (-0.51)
Sector Residencial, % variación − 1.632*** − 1.024*** − 0,852*** − 0,912*** − 0,722*** − 0,660***
(-4.74) (-3.29) (-3.34) (-3.90) (-3.47) (-3.41)
Sector servicios, % cambio − 0,557 0.0550 − 0,469 − 0,423 − 0,170 − 0,589**
(-1.33) (0.13) (-1.34) (-1.31) (-0.57) (-2.10)
log(Precio de inversión), rezagado − 0,00737*** − 0,00189**
(-6.18) (-2.57)
Ed. primaria alcanzada, % sobre la población, rezagada 0.134*** 0.0836***
(3.22) (3.86)
Ed. secundaria alcanzada, % sobre Pob., rezagada 0.0322 0.0373
(0.83) (1.39)
Tasa de fecundidad, rezagada − 0,0214*** − 0,00975***
(-4.06) (-2.58)
Inflación, promedio de 5 años − 0,000363 − 0,000558**
(-0,67) (-2.21)

(Continúa en la siguiente página)

20Para superar el problema de demasiados instrumentos, usamos la versión de "colapso" para limitar el número de instrumentos (como en la cuarta columna enTabla 2.c.).
21Consideramos dummies de tiempo en ambos casos. Los resultados no cambian significativamente cuando se excluyen los efectos fijos temporales. Usando pool-OLS (convergencia absoluta), el resultado de la convergencia β es:
0:0343
ΔEIél¼ α− endIEyo;t-1Þ þ εél;
d0:0029Þ
y para estimaciones dentro del grupo (convergencia condicional):
0:0945
IEél¼ ai− endIE yo;t-1 Þ þv é: l
d0:0049Þ
Las cifras entre paréntesis representan desviaciones estándar, por lo que ambos coeficientes son estadísticamente significativos al 1% de nivel de significación. Estas dos regresiones implican tasas anuales de
convergencia para la intensidad energética del 3,4 % (absoluto) y del 9,5 % (condicional), mayores que las que suelen obtenerse para el PIB real. Por ejemplo, en nuestra muestra, la regresión de convergencia absoluta para
el PIB produce un coeficiente de −0,0009, que no es significativo, mientras que bajo efectos fijos el coeficiente es −0,0443, significativo al nivel del 1%. Por lo tanto, la evidencia de convergencia es más fuerte para la
intensidad energética que para el PIB per cápita.
1074 A. Díaz et al. / Economía energética 81 (2019) 1056–1077

Tabla C.1 (continuado)

Variable dependiente: tasa de crecimiento del PIB per cápita

M1 M2 M3 M1 M2 M3

Tamaño del gobierno, promedio de 5 años − 0,0596*** − 0,0126

(-3.50) (-1.22)
Apertura comercial, promedio de 5 años 0.0176 0.0128*
(1.43) (1.87)
número Observaciones 915 814 744 915 814 744
Hansen (pag-val) 0.00786 0.360 0.410 0.0563 0.629 0.763
prueba m1 (pag-val) 0.000357 0.00224 0.0000285 0.00163 2.71e-09 7.46e-09
m2-prueba (pag-val) 0.994 0.324 0.0198 0.840 0.836 0.508
núm. de países 134 120 128 134 120 128
número de instrumentos 101 134 143 111 144 153

Notas:Las regresiones anteriores son estimaciones robustas del sistema GMM, de 2 pasos, que incluyen un retraso en la matriz para los instrumentos. La combinación de combustibles fósiles se omite para la combinación de energía primaria (es decir, la combinación de

combustibles fósiles más la combinación de renovables más la combinación de plantas nucleares suman uno).Agricultura, Ganadería y Pescasector se omite de la combinación energética final (es decir, la combinación final para la agricultura junto con la industria, el sector del

transporte, los servicios y el sector residencial debe sumar uno). Las cifras entre paréntesis representan estadísticas t. Los valores marcados con asterisco denotan importancia en *pagb0,10, **pagb0.05, ***pag b0.01.

Apéndice D. Sobre la heterogeneidad entre regiones, ingresos y tiempo

Primero enTabla D.1, diferenciamos las siguientes regiones: Europa (incluimos variables ficticias para los países del este de la UE), América, Asia-Pacífico y África subsahariana.22
Segundo, enCuadro D.2, diferenciamos entre períodos de tiempo y exploramos si la correlación energía-crecimiento se ha visto afectada por la crisis del precio del petróleo de
mediados de los 80 (es decir, distinguimos entre antes y después de 1985). Finalmente, enTabla D.3, completamos este análisis tratando de dar cuenta del grado de desarrollo de los
países según la clasificación del Banco Mundial: países de ingresos bajos y medianos bajos, países de ingresos medianos altos y países de ingresos altos (tanto OCDE como no OCDE);
mostramos también los resultados para los países de la OCDE. En todos los casos, usamos la estimación GMM del sistema, como lo hicimos enTablas 2.c y 3.23

Tabla D.1
Estimación de GMM por región.

Variable dependiente: tasa de crecimiento del PIB per cápita

Europa America Asia y el Pacífico SSA Europa America Asia y el Pacífico SSA

log(ingresos), rezagado − 0,0190 − 0,0236 − 0,0474*** 0.0134*** − 0,0189 − 0,0343* − 0,0486*** 0.0131***
(-1.37) (-1.41) (-3.07) (2.86) (-1.56) (-1.74) (-2.93) (2.85)
Intensidad energética, % de cambio − 0,436** − 0,716*** − 0,542*** − 0,982*** − 0,443** − 0,681*** − 0,525*** − 0,980***
(-2.33) (-6.26) (-5.43) (-27.38) (-2.36) (-6.33) (-4.71) (-25.94)
Renovar. Mezcla, % de cambio − 2.009*** − 0,0575 0.817 − 0,208
(-4.31) (-0.22) (1.21) (-0.47)
Renovar. Mezcla (Convencional), % de cambio − 1.948*** − 0,0748 1.072 − 0,213
(-3.84) (-0.26) (1.12) (-0.51)
Renovar. Mezcla (Frontera), % de cambio − 0,0496 0.392 − 0,0977 − 0,598
(-0.07) (0.46) (-0.16) (-0,66)
Nuclear. Mezcla, % de cambio − 0,704 0.0145 0.462 0 − 0,680 0.0548 0.550 0
(-1.50) (0.02) (0.68) (.) (-1.50) (0.07) (0.74) (.)
Sector Industrial, % variación 0.133 − 0,527* − 0,412* 0.247 0.104 − 0,669** − 0,414* 0.231
(0.36) (-1.82) (-1.66) (0.56) (0.28) (-2.03) (-1.68) (0.48)
Sector Transporte, % variación 0.472 − 0,657 − 0,246 0.00514 0.477 − 0,601 − 0,288 0.0105
(1.12) (-1.37) (-0,67) (0.01) (1.14) (-1.28) (-0.76) (0.02)
Sector Residencial, % variación − 0,791*** − 1.129** − 1.377* − 0,725*** − 0,832*** − 1.267*** − 1.437* − 0,739***
(-3.14) (-2.31) (-1.79) (-2.88) (-3.30) (-2.64) (-1.81) (-2.80)
Sector servicios, % cambio − 0,625* − 0,632 − 1.291*** 0.425 − 0,584* − 0,797 − 1.226*** 0.415
(-1.91) (-1.10) (-3.12) (0.40) (-1.71) (-1.29) (-2.91) (0.39)
número Observaciones 323 169 280 143 323 169 280 143
hansenp 0.203 0.533 0.262 0.204 0.516 0.723 0.255 0.404
ar1p 0.0130 0.00148 0.0264 0.0152 0.0153 0.00320 0.0247 0.0146
ar2p 0.847 0.200 0.858 0.470 0.879 0.373 0.851 0.479
negro 48 24 40 22 48 24 40 22
j 51 35 44 28 56 38 48 31

Nota: Los tamaños de las muestras difieren ampliamente entre las regiones. Dado que la estimación del sistema-GMM puede verse afectada en muestras pequeñas, agregamos aquellas regiones con un tamaño de muestra más pequeño. Por lo
tanto, agregamos la región de América con los países de Asia-Pacífico (etiquetados como AAP).
Estadísticas t robustas entre paréntesis: *** denota significancia al 1 %, ** al 5 %, * al 10 %.

22Los tamaños de las muestras difieren ampliamente entre las regiones. Dado que la estimación del sistema-GMM puede verse afectada por muestras pequeñas, agregamos aquellas regiones con un tamaño de muestra más pequeño. Por lo tanto, agregamos la región de

América con los países de Asia-Pacífico (etiquetados como ASP).

23Cuando diferenciamos por regiones o niveles de ingreso, las estimaciones del sistema-GMM suelen presentar un sobreajuste (demasiados instrumentos), lo que reduce el poder de la prueba de hipótesis (por ejemplo, la
pag-valor en la prueba de Hansen tiende a ser muy cercano a uno en todos los casos). Para este propósito, limitamos nuestros instrumentos a nonorte2-3 rezagos y, simultáneamente, necesitamos colapsar la matriz de
instrumentos.
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077 1075

Cuadro D.2
Estimación de GMM por período.

Variable dependiente: tasa de crecimiento del PIB per cápita

Añob1985 Año≥1985 Añob1985 Año≥1985

log(ingresos), rezagado − 0,0285*** 0.000409 − 0,0296*** 0.000931

(-2.76) (0.11) (-2.96) (0.28)
Intensidad energética, % de cambio − 0,367* − 0,839*** − 0,358* − 0,841***
(-1.82) (-16.16) (-1.86) (-16.28)
Renovar. Mezcla, % de cambio − 0,468 − 1.056**
(-1.57) (-2.14)
Renovar. Mezcla (Convencional), % de cambio − 0,658* − 1.043**
(-1.88) (-2.14)
Renovar. Mezcla (Frontera), % de cambio − 0,404 0.122
(-0.56) (0.20)
Nuclear. Mezcla, % de cambio 0,983*** − 0,147 0,946*** − 0,104
(2.95) (-0.53) (3.00) (-0.38)
Sector Industrial, % variación 0.156 0.0883 0.217 0.0919
(0.49) (0.35) (0.65) (0.36)
Sector Transporte, % variación − 0,203 0.222 − 0,114 0.207
(-0.46) (0.79) (-0.26) (0.72)
Sector Residencial, % variación − 0,905*** − 1.397*** − 0,896*** − 1.407***
(-2.75) (-4.25) (-2.81) (-4.35)
Sector servicios, % cambio 0.819 − 0,532 0.494 − 0,488
(1.52) (-1.60) (0.89) (-1.45)
número Observaciones 282 633 282 633
Hansen (pag-val) 0.268 0.106 0.662 0.365
prueba m1 (pag-val) 0.0663 0.0000474 0.0947 0.0000641
m2-prueba (pag-val) 0.505 0.395 0.483 0.412
núm. de países 104 134 104 134
número de instrumentos 80 132 89 147

Estadísticas t robustas entre paréntesis: *** denota significancia al 1 %, ** al 5 %, * al 10 %.

Tabla D.3
Estimación de GMM por niveles de ingreso.

Variable dependiente: tasa de crecimiento del PIB per cápita

Bajo & Media alta Altos ingresos Altos ingresos Bajo & Media alta Altos ingresos Altos ingresos
Medio bajo (todo) (OCDE) Medio bajo (todo) (OCDE)

log(ingresos), rezagado − 0,0402*** − 0,1000*** − 0,100*** − 0,0641*** − 0,0416*** − 0,0838*** − 0,0975*** − 0,0658***
(-3.05) (-4.79) (-3.71) (-4.44) (-3.21) (-4.13) (-3.76) (-4.45)
Intensidad energética, % de cambio − 0,776*** − 0,423*** − 0,137 − 0,109 − 0,773*** − 0,488*** − 0,159* − 0,133*
(-10.11) (-3.61) (-1.55) (-1.52) (-10.06) (-3.87) (-1.79) (-1.68)
Renovar. Mezcla, % de cambio − 0,504 − 1.097** − 0,447 − 0,658
(-1.19) (-2.12) (-1.12) (-1.27)
Renovar. Mezcla (Convencional), % − 0,445 − 1.030** − 0,791* − 1.236**
cambiar (-1.13) (-2.44) (-1.85) (-2.03)
Renovar. Mezcla (Frontera), % 0.412 1.617** 0.0967 − 0,220
cambiar (1.13) (2.39) (0.30) (-0.71)
Nuclear. Mezcla, % de cambio − 0,252 − 0,476 − 0,251 − 0,373 − 0,320 − 0,318 − 0,224 − 0,364
(-0.39) (-1.60) (-0.91) (-1.58) (-0.51) (-1.11) (-0.82) (-1.43)
Sector Industrial, % variación 0.230 0.528** − 0,0449 0.830*** 0.313 0.491** − 0,0827 0,686**
(0.48) (2.24) (-0.16) (2.68) (0.66) (2.21) (-0.30) (2.24)
Sector Transporte, % variación 0.466 − 0,110 0.123 0.153 0.513 − 0,230 0.0968 0.135
(0.81) (-0.29) (0.34) (0.66) (0.93) (-0.59) (0.26) (0.52)
Sector Residencial, % variación − 0,677** − 0,727* − 1,003*** − 0,507** − 0,701** − 0,871** − 0,986*** − 0,448**
(-2.02) (-1.80) (-2.67) (-2.30) (-2.16) (-2.18) (-2.67) (-2.13)
Sector servicios, % cambio 0.0464 − 0,311 − 0,541* 0.329 0.0549 0.103 − 0,541* 0.312
(0.09) (-0.55) (-1.75) (1.26) (0.11) (0.18) (-1.80) (1.20)
número Observaciones 284 253 378 304 284 253 378 304
Hansen (pag-val) 0.170 0.684 0.439 0.288 0.592 0.826 0.557 0.583
prueba m1 (pag-val) 0.0144 0.0418 0.0950 0.000784 0.0134 0.0214 0.0882 0.000949
m2-prueba (pag-val) 0.190 0.721 0.271 0.462 0.258 0.853 0.252 0.211
núm. de países 46 42 46 35 46 42 46 35
número de instrumentos 52 55 54 46 57 60 59 50

Estadísticas t robustas entre paréntesis: *** denota significancia al 1 %, ** al 5 %, * al 10 %.

1076 A. Díaz et al. / Economía energética 81 (2019) 1056–1077

Apéndice E. Sobre el uso de variables de control alternativas

Consideramos un conjunto de variables tomadas del módulo de riesgo político de laBase de datos internacional de riesgo país (ICRD). Un índice de control de la
corrupción (corrupción); en este caso, cuanto mayor sea el valor del índice, menor será la corrupción. Un índice de responsabilidad democrática (democracia); es decir, si
hay elecciones libres y justas y el grado de responsabilidad del gobierno. Finalmente, un índice de estabilidad del gobierno (estabilidad); que mide tanto la capacidad del
gobierno para llevar a cabo su(s) programa(s) declarado(s) como su capacidad para permanecer en el cargo.24También consideramos lapolítica2variables (de la proyecto
Polity IV),cuyopuntajecaptura el espectro de autoridad del régimen que va desde −10 (monarquía hereditaria) a +10 (democracia consolidada). Para el modelo con
política2,también consideramos la inversión privada (formación bruta de capital fijo) como una parte del PIB (como enBarro, 2000).Tabla E.1presenta resultados relativos a
indicadores institucionales adicionales como variables de control en la regresión.

Tabla E.1
Sistema de estimación GMM: calidad institucional y controles de inversión.

Variable dependiente: tasa de crecimiento del PIB per cápita

(i) (ii) (iii) (iv) (v)

log(ingresos), rezagado − 0,0162** − 0,00495 0.00104 − 0,00606 − 0,00109

(-2.55) (-1.05) (0.28) (-1.29) (-0.26)
Intensidad energética, % de cambio − 0,790*** − 0,714*** − 0,657*** − 0,819*** − 0,667***
(-14.33) (-6.52) (-6.39) (-15.35) (-5.36)
Renovar. Mezcla (Convencional), % de cambio − 0,313 − 1.025** − 1.061*** − 0,288 − 0,896**
(-1.21) (-2.46) (-2.93) (-1.36) (-2.26)
Renovar. Mezcla (Frontera), % de cambio 0.425 0.262 0.313 0.505 0.0167
(0.75) (0.67) (0.84) (1.12) (0.04)
Nuclear. Mezcla, % de cambio − 0,102 − 0,0253 0.0465 0.101 0.0132
(-0.32) (-0.09) (0.28) (0.50) (0.05)
Sector Industrial, % variación 0.0291 0.0648 0.197 − 0,0400 0.146
(0.13) (0.31) (0.95) (-0.18) (0.63)
Sector Transporte, % variación − 0,151 0.160 − 0,0258 − 0,282 − 0,000584
(-0.80) (0.61) (-0.10) (-1.34) (-0.00)
Sector Residencial, % variación − 1.085*** − 1.142*** − 1.156*** − 1.087*** − 1.143***
(-3.32) (-4.16) (-4.09) (-3.15) (-4.04)
Sector servicios, % cambio − 0,486 − 0,377 − 0,157 − 0,472 − 0,0903
(-1.25) (-1.08) (-0.56) (-1.36) (-0.24)
Calidad de la democracia 0.00575*** 0.00237
(2.67) (1.27)
Corrupción 0.00229 0.000437
(0.81) (0.21)
Estabilidad del gobierno 0.00327*** 0.00168*
(2.86) (1.70)
política2 0.00191*** 0.00145**
(2.73) (2.35)
GFFC sobre PIB 0.219*** 0.144*** 0.190***
(4.58) (3.78) (4.61)
número Observaciones 673 845 835 624 775
Hansen (pag-val) 0.209 0.200 0.224 0.666 0.360
prueba m1 (pag-val) 0.000570 0.00192 0.000329 0.00191 0.00236
m2-prueba (pag-val) 0.832 0.920 0.964 0.926 0.535
núm. de países 122 126 130 118 122
número de instrumentos 129 124 124 141 136

Notas:Las regresiones anteriores son estimaciones robustas del sistema GMM, de 2 pasos, que incluyen un retraso en la matriz para los instrumentos. La combinación de combustibles fósiles se omite para la combinación de energía primaria (es
decir, la combinación de combustibles fósiles más la combinación de renovables más la combinación de plantas nucleares suman uno).Agricultura, Ganadería y Pescasector se omite de la combinación energética final (es decir, la combinación final
para la agricultura junto con la industria, el sector del transporte, los servicios y el sector residencial debe sumar uno). Las variables institucionales han sido recuperadas de laMódulo de Riesgo PolíticodelBase de datos internacional de riesgo país (
ICRD):https://www.prsgroup.com/explore-our-products/countrydata-online/.
Las cifras entre paréntesis representan estadísticas t. Los valores marcados con asterisco denotan importancia en *pagb0,10, **pagb0.05, ***pagb0.01.

Apéndice F. Datos complementarios

Los datos complementarios a este artículo se pueden encontrar en línea enhttps://doi.org/10.1016/j.eneco.2019.05.022.

24https://www.prsgroup.com/explore-our-products/countrydata-online/.
 A. Díaz et al. / Economía energética 81 (2019) 1056–1077
Referencias
Aghion, P., Caroli, E., García-Peñalosa, C., 1999.Desigualdad y crecimiento económico: el per-
perspectiva de las nuevas teorías del crecimiento. J. Economía. Iluminado. 37 (4), 1615-1660.
Alesina, A., Ozler, S., Roubini, N., Swagel, P., 1996.Inestabilidad política y económica.
crecimiento. J. Economía. Crecimiento 2, 189–211.
Álvarez Herranz, A., Balsalobre Lorente, D., Shahbaz, M., Cantos, JM, 2017.Innovación energética
ción y consumo de energías renovables en la corrección de los niveles de contaminación del aire.
Política energética 105, 386–397.
Álvarez, F., Marrero, GA, Puch, LA, 2005.La contaminación del aire y la macroeconomía en todo
Países europeos. Documentos de trabajo de FEDEA 2005–2010.
Ang, J., 2007.Emisiones de CO2, consumo de energía y producción en Francia. Política Energética 35,
4772–4778.
Ang, J., 2008.La relación a largo plazo entre desarrollo económico, emisiones contaminantes
siones y consumo de energía: evidencia de Malasia. Revista de modelado de políticas 30,
271–278.
Apergis, N., Payne, JE, 2010a.Consumo de energías renovables y crecimiento económico: ev-
idencia de un panel de países de la OCDE. Política energética 38, 656–660.
Apergis, N., Payne, JE, 2010b.Consumo de energías renovables y crecimiento en Eurasia. es-
ergía Econ. 32, 1392–1397.
Apergis, N., Payne, JE, Menyah, K., Wolde-Rufael, Y., 2010.Sobre la dinámica causal entre
entre las emisiones, la energía nuclear, las energías renovables y el crecimiento económico. Ecol.
economía 69, 2255–2260.
Arellano, M., Bond, S., 1991.Algunas pruebas de especificación para datos de panel: evidencia de Monte Carlo
dencia y una aplicación a las ecuaciones de empleo. Revisión de Estudios Económicos 58,
277–297.
Arellano, M., Bover, O., 1995.Otra mirada a la estimación de variables instrumentales de
modelos de componentes de error. J. Economía. 68, 29–52.
Atems, B., Hotaling, C., 2018.El efecto de la generación de electricidad renovable y no renovable.
ación sobre el crecimiento económico. Política energética 112, 111–118.
Atkeson, A., Kehoe, PJ, 1999.Modelos de uso de la energía: masilla-masilla versus masilla-arcilla. Soy.
economía Rev. 89 (4), 1028–1043.
Baltagi, BH, 2005.Análisis Econométrico de Datos de Panel. 3ra edición. John Wiley e hijos
Inc., Nueva York.
Banerjee, A., Duflo, E., 2003.Desigualdad y crecimiento: ¿qué pueden decir los datos? J. Economía.
Crecimiento 8, 267–299.
Barro, RJ, 2000.Desigualdad y crecimiento en un panel de países. J. Economía. Crecimiento 5 (1), 5–32.
Barro, RJ, Lee, JW, 2013.Un nuevo conjunto de datos de logros educativos en el mundo, 1950—
2010. J. Dev. economía 104, 184–198.
Bhattacharya, M., Paramati, SR, Ozturk, I., Bhattacharya, S., 2016.El efecto de las renovables
consumo de energía en el crecimiento económico: evidencia de los 38 países principales. aplicación
Energía 162, 733–741.
Bhattacharya, M., Churchill, SA, Paramatti, SR, 2017.El impacto dinámico de las energías renovables
energía e instituciones sobre la producción económica y el CO2emisiones entre regiones.
Renovar. Energía 111, 157–167.
Binder, M., Hsiao, C., Pesaran, H., 2005.Estimación e inferencia en vector de panel corto
autorregresiones con raíces unitarias y cointegración. Teoría econométrica 21, 795–837.
Blundell, R., Bond, S., 1998.Condiciones iniciales y restricciones de momento en panel dinámico
modelos de datos J. Economía. 87 (1), 115–143.
Boluk, G., Mert, M., 2014.Consumo de energías fósiles y renovables, GEI (efecto invernadero)
gases) y crecimiento económico: evidencia de un panel de países de la UE (Unión Europea).
Energía. 74, 439–446.
Brock, WA, Taylor, MS, 2010.El modelo de Green Solow. J. Economía. Crecimiento 15 (2), 127–153. Bollo, M.,
Sarafidis, V., 2015.Modelos de datos de panel dinámicos. En: Baltagi, BH (Ed.), The Oxford
Manual de Datos de Panel. Oxford University Press, Oxford, págs. 76–110.
Caselli, F., Esquivel, G., Lefort, F., 1996.Reapertura del debate sobre la convergencia: una nueva mirada a
Empíricas de crecimiento entre países. J. Economía. Crecimiento 1, 363–389.
Díaz, A., Puch, LA, 2019. Inversión, progreso tecnológico y eficiencia energética. El
SER Revista de Macroeconomíahttps://doi.org/10.1515/bejm-2018-0063.
Díaz, A., Puch, LA, Guilló, MD, 2004.Costosa reasignación de capital y uso de energía. Rdo.
economía Din. 7 (2), 494–518.
Ferraro, D., Peretto, PF, 2017. Precios de materias primas y crecimiento. economía jhttps://doi.org/
10.1111/ecoj.12559próximo.
1077
Filipovic, S., Verbic, M., Radovanovic, M., 2015.Determinantes de la intensidad energética en el
Unión Europea: un análisis de datos de panel. Energía. 92, 547–555.
Forbes, K., 2000.Una reevaluación de la relación entre desigualdad y crecimiento. Soy.
economía Rev. 90 (4), 869–887.
Galor, O., Zang, H., 1997.Fecundidad, distribución del ingreso y crecimiento económico: teoría y
evidencia entre países. Japón y la economía mundial 9 (2), 197–229. Hanushek, 2017.Para el
desarrollo económico a largo plazo, solo importan las habilidades. IZA Mundo de
Trabajo 343, 2017.
Hassler, J., Krusell, P., Olovsson, C., 2018.Las consecuencias de la incertidumbre: la sensibilidad climática
productividad y sensibilidad económica al clima. Revisión anual de economía 10,
189–205.
Huang, BN, Hwang, MJ, Yang, CW, 2008.Relación causal entre el consumo de energía
Revisión de la economía nacional y el crecimiento del PIB: un enfoque dinámico de datos de panel. Ecol. economía 67 (1), 41–54.
Inglesi-Lotz, R., 2016.El impacto del consumo de energías renovables en el crecimiento económico:
una aplicación de datos de panel. Economía de la energía. 53, 58–63.
Islam, N., 1995.Empíricas de crecimiento: un enfoque de datos de panel. Economía QJ. 110, 1127–1170.
Kijima, et al., 2010.Modelos económicos para la curva de Kuznets ambiental: una encuesta.
J. Economía. Din. Control. 34 (7), 1187–1201.
Knowles, S., 2005.Desigualdad y crecimiento económico: la relación empírica
reconsiderado a la luz de datos comparables. J. Dev. Semental. 41, 135–159.
López, H., Servén, L., 2009.Demasiado pobre para crecer. Documento de trabajo de investigación de políticas 5012. El
Banco Mundial.
Marrero, Georgia, 2010.Emisiones de gases de efecto invernadero, crecimiento y mix energético en Europa.
Economía de la energía. 32, 1356-1363.
Marrero, G., Rodríguez, JG, 2013.Desigualdad de oportunidades y crecimiento. J. Dev. economía 104,
107–122.
Marrero, GA, Servén, L., 2018.Crecimiento, desigualdad y pobreza, ¿una relación sólida? Pol-
Documento de trabajo de investigación helada 8578.
Menegaki, AN, Ozturk, I., 2013.Revisión del nexo entre crecimiento y energía en Europa: pruebas
de un modelo de economía política de efectos fijos. Política energética 61, 881–887. Narayan, S.,
Doytch, N., 2017.Una investigación sobre las energías renovables y no renovables
nexo de consumo y crecimiento económico utilizando el consumo de energía industrial y residencial.
Economía de la energía. 68, 160–176.
Perdiz, MD, 2005.¿La distribución del ingreso afecta el crecimiento económico de los estados de EE. UU.? Reg. J.
ciencia 45 (2), 363–394.
Perotti, R., 1996.Crecimiento, distribución del ingreso y democracia. J. Economía. Crecimiento 1, 149–187.
Rajbhandari, A., Zhang, F., 2018.¿La eficiencia energética promueve el crecimiento económico? Evi-
dencia a partir de un conjunto de datos de panel multinacional y multisectorial. Economía de la energía. 69, 128–
139.
Rausch, S., Schwerin, H., 2017.Uso de energía a largo plazo y la paradoja de la eficiencia (Mimeo). Ravallion,
M., 2012.¿Por qué no vemos la convergencia de la pobreza? Soy. economía Rev. 102 (1),
504–523.
Roodman, D., 2009.Una nota sobre el tema de demasiados instrumentos. buey Toro. economía Estadística 71,
135–158.
Sianesi, Bárbara, Van Reenen, John, 2003.Los rendimientos de la educación: macroeconomía.
J. Economía. sobrev. 17 (2), 157–200.
Smiech, S., Papiez, M., 2014.Consumo de energía y crecimiento económico a la luz de
cumplimiento de los objetivos de la política energética en la UE: el enfoque de causalidad de Granger del panel
de arranque. Política energética 71, 118–129.
Ucan, O., Aricioglu, E., Yucel, F., 2014.Nexo entre el consumo de energía y el crecimiento económico:
evidencia de países desarrollados en Europa. En t. J. Economía de la energía. Política 4, 411–419. Voigt,
S., De Cian, E., Schymura, M., Verdolini, E., 2014.Evolución de la intensidad energética en
40 grandes economías: ¿cambio estructural o mejora tecnológica? Economía de la energía.
41, 47–62.
Wang, C., 2013.Crecimiento diferencial de la producción entre regiones y emisiones de dióxido de carbono:
pruebas de Estados Unidos y China. Energía 53, 230–236.
Windmeijer, F., 2005.Una corrección de muestra finita para la varianza de dos lineales eficientes
Estimadores escalonados GMM. J. Economía. 126 (1), 25–51.
Banco Mundial, 2012.Crecimiento verde inclusivo: el camino hacia el desarrollo sostenible
(Grupo del Banco Mundial).