---

L’altre dia vaig llegir una notícia que em va cridar l’atenció. La Universitat de Potsdam havia publicat, a la prestigiosa revista científica Proceedings of the National Academy of Sciences (PNAS), els resultats d’un estudi interessant des d’un punt de vista industrial i mediambiental: després d’analitzar dades de 1.500 regions d’arreu del món dels darrers 30 anys, els investigadors van arribar a la conclusió que el 30% d’aquestes 1.500 regions havien aconseguit reduir les emissions de carboni mantenint, alhora, un creixement econòmic sostingut. Aquest fenomen es coneix tècnicament com a “creixement verd”. Segons el comunicat, aquest conjunt de 1.500 regions representen el 85% de les emissions globals, fet que dona una rellevància significativa als resultats i subratlla la importància de l’estudi.

Una altra conclusió que mostrava aquest estudi, és el fet que existeixen diferències regionals notables pel que fa al comportament de l’evolució de les emissions. Per una part, Europa té una evolució en l’àmbit de reducció d’emissions que supera sistemàticament altres parts del món en aquesta dissociació entre emissions i creixement econòmic, consolidant de manera consistent aquest comportament durant els últims 20 anys. En canvi, a Amèrica del Nord i Àsia, aquesta separació ha estat més variable, tot i que s’ha detectat una millora en l’última dècada.

L’estudi també destacava la importància per part de les regions d’impulsar la innovació mitjançant el desenvolupament de processos industrials basats en noves tecnologies i una inversió sostinguda en energies renovables, tant en l’àmbit públic com privat. Aquest enfocament és essencial per ajudar les economies regionals a avançar cap a la sostenibilitat sense renunciar al creixement econòmic. En aquest punt, em vaig preguntar si Catalunya, en el context socioeconòmic actual, formava part d’aquest 30% de regions que han aconseguit reduir les emissions mantenint un creixement econòmic. I, amb independència de quina fos la resposta, quina era la tendència que s’intuïa que podria haver-hi per als pròxims anys pel que fa a les emissions de gasos d’efecte hivernacle?

Amb aquesta curiositat, vaig anar a la pàgina web del projecte esmentat pel comunicat de la Universitat de Potsdam i, buscant entre les referències de l’estudi, vaig descarregar la base de dades EDGAR¹ (Emissions Database for Global Atmospheric Research). Aquesta base de dades recopila i proporciona informació detallada sobre les emissions de gasos d’efecte hivernacle i altres contaminants atmosfèrics a partir de fonts antropogèniques², i està mantinguda pel Centre Comú de Recerca (JRC) de la Comissió Europea juntament amb l’organització PBL Netherlands Environmental Assessment Agency.

https://edgar.jrc.ec.europa.eu/dataset_ghg2024_nuts2

L’arxiu de l’EDGAR recopila dades anuals d’emissions de totes les regions europees durant el període 1990-2023, incloent-hi gasos com el CO₂ (diòxid de carboni) de fonts fòssils, el CH₄ (metà), el N₂O (òxid nitrós) i els gasos fluorats³ (F). Per poder fer una comparació de les emissions anuals de cada regió, amb independència de quin és el volum emès en cada cas de cada un dels gasos analitzats, totes les emissions es converteixen en termes de CO₂ equivalent⁴ (CO₂e). Aquesta unitat es calcula a partir de multiplicar el volum emès de cada gas pel seu Potencial d’Escalfament Global (GWP), un indicador que expressa quantes vegades un gas contribueix més a l’escalfament global que el CO₂ en un període de 100 anys. Per exemple, el metà té un GWP de 28, cosa que significa que una tona de metà té un impacte climàtic 28 vegades superior al del CO₂. L’òxid nitrós, amb un GWP de 265, és encara més perjudicial, mentre que alguns gasos fluorats, amb valors de GWP que poden superar el miler, són especialment nocius fins i tot en quantitats molt petites. Aquesta metodologia facilita la comparació entre regions, ja que permet unificar les emissions sota un mateix criteri i mesurar el seu impacte climàtic global, independentment de les proporcions específiques de gasos emesos en cada regió.

A partir de la base de dades EDGAR, vaig recopilar en un full de càlcul les dades sobre Catalunya relacionades amb les emissions dels diferents gasos generats pels diversos sectors econòmics durant el període 1990-2023. Amb aquesta informació, vaig elaborar una sèrie temporal de les emissions totals anuals de CO₂ equivalent (CO₂e), la qual cosa em va permetre crear el gràfic que es presenta a continuació:

Aquest gràfic mostra de manera clara l’evolució temporal de les emissions totals de CO₂ equivalent a Catalunya al llarg dels darrers trenta-quatre anys. Aquesta informació constitueix el punt de partida per a una anàlisi detallada de les diferents etapes que han marcat aquest període, així com per establir les tendències futures d’emissions de gasos d’efecte hivernacle a partir de 2024. L’observació del gràfic permet identificar l’evolució de les emissions a Catalunya entre 1990 i 2023, amb diverses fases ben definides que es poden interpretar a partir del coneixement dels fets històrics ocorreguts al llarg d’aquest període:

• 1990-2007: Increment progressiu Durant aquest període, es detecta una tendència general a l’augment de les emissions, associat a l’expansió econòmica i l’augment de l’activitat en sectors com la construcció i la indústria.

• 2008-2014: Decreixement a causa de la crisi econòmica A partir del 2008, coincidint amb l’inici de la crisi econòmica derivada de les hipoteques subprime, les emissions arriben al seu màxim històric i comencen a disminuir de manera progressiva fins al 2014. Aquest descens es pot atribuir principalment a la forta contracció econòmica, especialment en sectors com el de la construcció, així com a una reducció general de l’activitat productiva.

• 2015-2019: Recuperació de les emissions Amb la superació gradual de la crisi, les emissions tornen a augmentar, reflectint una recuperació econòmica que implica un major consum d’energia i activitat industrial.

• 2019-2023: Nou descens sostingut A partir del 2019, es produeix un canvi de tendència amb una reducció sostinguda de les emissions. Aquest descens pot estar relacionat amb diverses causes, com l’adopció de polítiques climàtiques més estrictes i la introducció de tecnologies més netes dins dels processos productius, especialment motivat a causa de l’elevat preu de l’energia en els anys posteriors a la pandèmia de COVID-19.

A partir de les dades del gràfic, s’observa un descens continu de les emissions a Catalunya durant el període 2019-2023, amb una reducció progressiva del total d’emissions. Aquest comportament suggereix que Catalunya podria formar part del 30 % de les regions identificades a l’estudi de la Universitat de Potsdam que han aconseguit disminuir el seu impacte ambiental sense comprometre el seu creixement econòmic. En particular, la reducció registrada els anys 2021, 2022 i 2023 respecte al 2019 reflecteix l’existència en els darrers anys de diversos factors en l’economia catalana que han impulsat mesures per mitigar les emissions. Entre aquests factors destaquen la implementació de polítiques climàtiques més efectives i l’impacte dels alts preus de l’energia. Aquest últim ha incentivat un ús més eficient dels recursos, afavorida la integració de tecnologies sostenibles en diferents sectors econòmics i ha provocat que s’hagi registrat una disminució significativa tant en les hores d’operació com en els MWh anuals generats a partir de gas natural a les centrals de cicle combinat i de cogeneració de Catalunya⁵.

Aquest comportament concorda i complementa altres dades de què disposem a partir de diferents fonts i que ajuden a entendre l’escenari global de la transició energètica a Catalunya. Un exemple destacat seria el cas de la intensitat energètica, un indicador clau en la indústria que mesura la quantitat d’energia necessària per generar un euro de producte. Aquesta dada és especialment rellevant perquè ofereix una visió quantitativa de com l’economia catalana ha anat evolucionant en l’ús dels recursos energètics en relació amb la seva activitat productiva. La intensitat energètica es calcula dividint el PIB anual del sector industrial català pel consum energètic d’aquest sector. Pel cas de Catalunya, si fem els càlculs d’aquest paràmetre a partir de les dades anuals de l’IDESCAT durant el període 2003-2022, obtenim que la intensitat energètica de la indústria catalana ha experimentat una disminució notable, passant d’1,46 kWh/€ el 2003 a 0,78 kWh/€ el 2022. Això estaria en consonància amb el que hem obtingut de l’anàlisi de les dades EDGAR, i que ens mostren que, en els darrers anys, les emissions anuals de CO₂e a Catalunya van disminuint a un ritme sostingut.

Així doncs, un cop establert que Catalunya sembla estar dins d’aquest 30% de regions identificades per l’estudi de la Universitat de Potsdam, podem plantejar-nos complementar aquesta anàlisi amb una predicció del comportament de les emissions de CO₂e a curt termini, basada en les dades anuals disponibles⁶.

Com es pot observar al Gràfic 1, les dades mostren un comportament clarament no lineal de les emissions de CO₂e al llarg dels darrers 34 anys. En aquest context, per fer una predicció a curt termini s’ha considerat que la regressió quadràtica és una opció adequada com a primera aproximació per modelar el sistema i estimar l’evolució de les emissions en els pròxims anys⁷. No obstant això, cal tenir sempre present que la regressió quadràtica, tot i ser útil per analitzar i entendre el comportament històric de les dades, aquest model no és el més idoni per a prediccions precises, ja que, per la seva estructura o naturalesa matemàtica, no incorpora el component aleatori de factors externs que podrien influir significativament en els resultats. No obstant això, és important remarcar, encara que pugui semblar reiteratiu, que la regressió quadràtica ha estat escollida perquè és una tècnica senzilla i efectiva per modelar relacions no lineals entre dues variables: una variable independent (X, en aquest cas, els anys, que serveixen com a marc temporal) i una variable dependent (Y, les emissions de CO₂e). Aquest model estadístic permet identificar tendències generals i predir, sempre que no hi hagi canvis conjunturals importants, com podria evolucionar la tendència de les emissions a Catalunya a curt termini⁸.

D’aquesta manera, per dur a terme la previsió de les emissions de CO₂ equivalent en els pròxims anys, s’organitzen les dades provinents de l’EDGAR en tres intervals temporals per determinar si les tendències són concordants en tots ells o, per contra, per identificar possibles diferències significatives de comportament del model entre períodes. Els intervals temporals són:

• 1990-2023: Anàlisi de llarg termini per comprendre les tendències globals.

• 2014-2023: Anàlisi de mitjà termini centrada en l’impacte de les polítiques a partir de la fi de la crisi de les subprime.

• 2019-2023: Anàlisi de curt termini per captar els canvis més recents.

Per qui estigui interessat a aprofundir el procediment de càlcul i els fonaments matemàtics tant del model de regressió quadràtica com del model d’avaluació de la qualitat del model estadístic o de regressió, en aquest link faig una explicació més a fons sobre aquests mètodes matemàtics d’anàlisi de dades.

Així doncs, per conèixer quina pot ser la tendència d’emissions de CO₂e a Catalunya, es realitza la regressió quadràtica de les dades de cadascun dels períodes que he determinat. L’objectiu d’aquest mètode és trobar, a partir d’aquestes dades reals, els paràmetres que anomenarem ‘a’ i ‘b’ d’una funció en forma de paràbola que millor s’ajustin a les dades i que minimitzin l’error entre els valors reals i els valors que prediu el model, ajustant-se a la següent equació:

---

---

De la realització de les regressions quadràtiques en cadascun dels períodes determinats, a partir de les dades d’emissions de CO₂e de Catalunya, obtenim els següents valors de ‘a’ i ‘b’ per a cada període:

Període	a	b
1990-2023	-48,47	1.958,73
2014-2023	-187,76	1.739,42
2019-2023	-311,14	175,80

Un cop calculats els models de regressió quadràtica, abans d’interpretar els valors obtinguts, és imprescindible validar els resultats per assegurar que els models s’ajusten adequadament a les dades reals. Aquesta validació és clau per determinar amb un cert grau de confiança si els models són adequats i poden utilitzar-se per fer prediccions fiables. En aquest cas, faig servir dos indicadors habituals en estadística: el coeficient de determinació (R²) i l’arrel de l’error quadràtic mitjà (RMSE, per les seves sigles en anglès)⁹.

Així doncs, a partir dels paràmetres ‘a’ i ‘b’ que hem obtingut en cada una de les regressions quadràtiques per cada un dels períodes, si fem els càlculs del coeficient de determinació (R²) i l’arrel de l’error quadràtic mitjà (RMSE) per cada una d’elles, els resultats són els següents:

Període	a (quadràtic)	b (lineal)	R²	RMSE
1990-2023	-48,47	1958,73	0,799	2776,6
2014-2023	-187,76	1739,42	0,948	323,65
2019-2023	-317,14	175,80	0,999	12,82

Què ens diuen aquests resultats?

---

Període 1990-2023

Durant aquest període llarg, el coeficient a = −48,47 reflecteix una lleugera desacceleració en la tendència general de les emissions al llarg del temps. En canvi, el coeficient b = 1958,73 indica un creixement inicial significatiu, amb increments anuals destacats durant els primers anys. Això mostra que, al principi, les emissions van créixer a bon ritme, però aquest creixement es va moderar progressivament gràcies potser a factors com l’aplicació de mesures mediambientals i canvis econòmics al llarg del període.

Pel que fa a la validació del model, el coeficient de determinació R² = 0,799 indica que el model explica el 79,9% de la variabilitat de les emissions reals, un bon ajust general. Tot i això, queda un 20% de variabilitat que no es pot explicar, un fet comprensible en un període tan llarg, on nombrosos factors externs, com el Protocol de Kyoto, l’Acord de París, crisis econòmiques i els avenços tecnològics, han influït en les emissions sense estar representats en el model. Pel que fa al valor RMSE = 2776,60 kt CO₂e , indica una desviació mitjana moderada entre les prediccions i els valors reals. Aquest resultat és acceptable, tenint en compte que el període inclou etapes molt diferents: creixement, estabilització i disminució.

En conseqüència, és evident que les emissions no segueixen una trajectòria estrictament quadràtica, ja que la realitat està influenciada per variabilitats complexes i cicles econòmics i ambientals. Tanmateix, com a primera aproximació per identificar tendències futures, el model és adequat i compleix la seva funció amb precisió raonable.

Període 2014-2023

En aquest període més curt i recent, el coeficient a = −187,76 reflecteix una desacceleració molt més pronunciada que en el període anterior, suggerint canvis significatius amb una clara tendència descendent en les emissions. El coeficient quadràtic negatiu ens indica aquest canvi, mentre que el coeficient b = 1739,42 mostra que, tot i els increments moderats inicials en les emissions, aquests es van esmorteint progressivament gràcies al component quadràtic. Aquest comportament evidencia que existeix una tendència clara cap a la reducció d’emissions, probablement impulsada per polítiques climàtiques més estrictes i avenços tecnològics en els processos productius.

Pel que fa a la validació del model, el coeficient de determinació R² = 0,948 mostra un ajust significativament millor que en el període 1990-2023, explicant el 94,8% de la variabilitat de les emissions reals. Això indica que la trajectòria del model és coherent amb les dades i es veu menys afectada per factors externs o aleatoris. A més, el valor RMSE = 323,65 kt CO₂e, considerablement més baix que en el període anterior, reforça la idea de precisió del model en aquest període, amb tendències clares i consistents.

Període 2019-2023

Aquest darrer període, el més curt dels tres, presenta el coeficient a = −311,14, el valor més alt entre tots els períodes analitzats, indicant que existeix una desacceleració molt forta i significativa en les emissions de CO₂e. El coeficient b = 175,80, el més baix de tots els períodes, mostra que el creixement lineal inicial de les emissions és pràcticament inexistent. Això destaca que la reducció d’emissions està fortament influenciada pel component quadràtic del model.

En termes de validació, el coeficient de determinació R² = 0,999 reflecteix un ajust gairebé perfecte, modelant pràcticament el 100% de la variabilitat de les emissions d’aquest període. Aquesta precisió s’explica en part pel nombre reduït de dades, i pel fet que aquestes, segueixen una trajectòria descendent clara i coherent, cosa que facilita la precisió del model. Pel que fa al valor RMSE = 12,82 kt CO₂e, és el més baix de tots els períodes. Això confirma que les prediccions són molt properes als valors reals. No obstant això, cal interpretar aquesta precisió aparent amb cautela: amb tan pocs punts de dades, qualsevol canvi conjuntural podria alterar significativament les tendències futures que sembla indicar el model. Malgrat aquestes limitacions, el model suggereix que les emissions podrien continuar disminuint a un ritme moderat en els pròxims anys.

---

Conclusions finals.

Un cop analitzades les dades, els resultats mostren que, en l’actualitat, Catalunya segueix una trajectòria positiva en la reducció de les emissions de CO₂e, amb un descens notablement accelerat en els darrers anys. Tant el model de llarg termini (1990-2023) com els més recents (2014-2023 i 2019-2023) indiquen que la tendència descendent actual de les emissions de CO₂e podria mantenir-se en els pròxims anys, almenys a curt termini.

Aquest comportament es pot entendre com el resultat d’una combinació de factors clau: per una banda, l’aplicació de polítiques climàtiques més estrictes, i per l’altra, l’impacte de l’increment dels preus de l’energia, elements han incentivat en els darrers anys un ús més eficient dels recursos i han afavorit la integració de tecnologies sostenibles en diferents sectors econòmics i especialment en molts processos productius industrials.

Aquests resultats són coherents amb altres dades de què disposem a partir d’altres fonts documentals, com és el valor de la intensitat energètica a Catalunya. La intensitat energètica és un paràmetre que en la indústria mesura quanta energia es necessita per generar un euro de producte. Aquesta dada proporciona una visió clara de quin és l’ús dels recursos energètics de la indústria d’un país en relació amb la seva activitat productiva. Pel cas de Catalunya, si fem els càlculs d’aquest paràmetre a partir de les dades anuals de l’IDESCAT del PIB del sector industrial català i el seu consum energètic, obtenim que durant el període 2003-2022, la intensitat energètica de la indústria catalana ha experimentat una disminució notable, passant d’1,46 kWh/€ el 2003 a 0,78 kWh/€ el 2022. Aquest resultat que és coherent amb el que hem obtingut de l’anàlisi de les dades EDGAR, i que ens han mostrat que, en els darrers anys, les emissions anuals de CO₂e a Catalunya han anat disminuint a un ritme sostingut.

Sembla clar, doncs, que el ritme actual de reducció de les emissions a Catalunya és positiu. Malgrat això, encara hi ha reptes importants per afrontar. Si mirem les estadístiques de producció elèctrica, podem observar que, tot i que entre 2020 i 2023 s’ha registrat una disminució significativa en la producció d’energia elèctrica a partir del gas natural, principalment a causa de l’augment del seu preu, en 2023, les centrals de cicle combinat, cogeneració i nuclears van continuar sent les principals productores d’energia elèctrica del mix de Catalunya, representant un 73,65% de la producció energètica total. Per contra, les energies renovables, com la hidroelèctrica, la solar, l’eòlica i la biomassa, només van aportar un 15,36% al total. Aquest desequilibri posa de manifest que encara queda molt per fer per diversificar les fonts d’energia i reduir la dependència dels combustibles fòssils. L’increment de l’ús d’energies renovables serà clau per aconseguir un model energètic més sostenible en el futur.

En conseqüència, per poder continuar mantenint el ritme de reducció anual d’emissions de CO₂e observat en els darrers tres anys serà necessari emprendre noves accions més ambicioses per accelerar-les encara més per complir amb els compromisos europeus per 2030. En aquest context, es considera imprescindible que en els pròxims anys s’implementin polítiques de transició energètica més ambicioses. Aquestes polítiques haurien de promoure activament l’ús d’energies renovables, fomentar l’electrificació del transport i seguir impulsant l’eficiència energètica, tant en el sector industrial com en els àmbits residencial i de serveis.

La transició energètica és un procés continu que requereix innovació constant i una col·laboració estreta entre tots els agents socials. La cooperació entre administracions públiques, empreses i ciutadania serà fonamental per assolir els objectius del Pacte Verd Europeu i garantir un futur sostenible per a les generacions presents i futures.

---

---

1. EDGAR és una base de dades global, independent i multifuncional sobre les emissions antropogèniques de gasos d’efecte hivernacle i contaminació atmosfèrica a la Terra. EDGAR proporciona estimacions d’emissions independents en comparació amb les informades pels estats membres de la Unió Europea o per les parts sota la Convenció Marc de les Nacions Unides sobre el Canvi Climàtic (CMNUCC), utilitzant estadístiques internacionals i una metodologia coherent de l’IPCC. Tot i que EDGAR és molt exhaustiva, se centra en gasos amb potencial d’escalfament directe i amb dades disponibles de forma global i consistent. Gasos rars, compostos orgànics complexos i emissions secundàries poden no ser-hi inclosos de manera detallada o uniforme.https://edgar.jrc.ec.europa.eu ↩︎
2. És important destacar que les dades de la base EDGAR (Emissions Database for Global Atmospheric Research), àmpliament utilitzades per a estimacions globals, poden no coincidir exactament amb les dades oficials regionals, com les proporcionades per la Generalitat de Catalunya. Les discrepàncies entre les estimacions d’emissions de gasos amb efecte d’hivernacle (GEH) proporcionades per la base de dades EDGAR i les dades oficials de la Generalitat de Catalunya es deuen principalment a les diferències en les metodologies de càlcul i en les fonts d’informació utilitzades per ambdues entitats.
   
   Per exemple, l’any 2005, EDGAR estima que Catalunya va emetre 46.385 kt de CO₂ equivalent (CO₂e), mentre que la Generalitat de Catalunya calcula 56.990 kt CO₂e.
   
   EDGAR (Emissions Database for Global Atmospheric Research) elabora estimacions globals a partir de dades estadístiques d’activitats humanes, com la combustió de combustibles fòssils, processos industrials, agricultura i gestió de residus. Aquestes dades es complementen amb factors d’emissió estàndard i informació de satèl·lit per millorar la distribució espacial de les emissions, però no per a la seva mesura directa.
   
   https://edgar.jrc.ec.europa.eu/methodology
   
   Per la seva banda, la Generalitat de Catalunya, a través de l’Oficina Catalana del Canvi Climàtic (OCCC), segueix les directrius establertes pel Grup Intergovernamental d’Experts sobre el Canvi Climàtic (IPCC) i està alineada amb estàndards internacionals com la norma ISO 14064-1. La metodologia catalana es basa en la diferenciació de les emissions entre:
   
   Les regulades pel sistema de comerç de drets d’emissió (ETS): sectors com la generació d’energia, les instal·lacions industrials de gran consum energètic (com el ciment, el paper, la ceràmica i l’acer) i l’aviació civil.
   
   Les emissions difuses (no-ETS): sectors com el transport, l’agricultura, els edificis i els residus.
   
   Aquesta metodologia es detalla en la “Guia pràctica per al càlcul d’emissions de gasos amb efecte d’hivernacle (GEH)” i es complementa amb eines com la “Calculadora d’emissions de GEH”.
   
   https://govern.cat/salapremsa/notes-premsa/507322/accio-climatica-actualitza-la-seva-calculadora-d-emissions-de-gasos-amb-efecte-d-hivernacle 
   
   https://govern.cat/salapremsa/notes-premsa/507322/accio-climatica-actualitza-la-seva-calculadora-d-emissions-de-gasos-amb-efecte-d-hivernacle
   
   Malgrat les diferències entre les dades d’EDGAR i les de la Generalitat de Catalunya, l’ús d’una font o una altra per analitzar les tendències d’emissions i avaluar l’eficàcia de les polítiques climàtiques, com es fa en aquest article, no compromet la validesa dels càlculs ni les conclusions. El més important és utilitzar de manera consistent una mateixa font de dades al llarg del temps. Això garanteix que, independentment del valor absolut que proporcioni la font escollida, es pugui analitzar de manera clara i coherent l’evolució anual de les emissions. Aquest enfocament permet determinar si un territori està reduint efectivament les seves emissions, sense que les diferències metodològiques en la recopilació o el càlcul de les dades alterin qualitativament les conclusions de l’anàlisi. ↩︎
3. Els gasos F, o gasos fluorats, són un grup de gasos d’efecte hivernacle que inclouen hidrofluorocarburs (HFC), perfluorocarburs (PFC), hexafluorur de sofre (SF₆) i trifluorur de nitrogen (NF₃). ↩︎
4. CO₂ equivalent – El CO₂e, o equivalent de diòxid de carboni, és una unitat de mesura que s’utilitza per comparar les emissions de diferents gasos d’efecte hivernacle basant-se en el seu potencial d’escalfament global (GWP, per les seves sigles en anglès). Aquesta unitat permet expressar l’impacte climàtic de diferents gasos en termes de l’efecte que tindria la mateixa quantitat de diòxid de carboni (CO₂) a l’atmosfera. El CO₂e facilita la comparació i quantificació de les emissions de gasos amb diferents potencials d’escalfament global, com el metà (CH₄), l’òxid nitrós (N₂O) o els gasos fluorats, ja que cadascun té una capacitat diferent per atrapar la calor a l’atmosfera. Per exemple, el metà té un GWP de 28, cosa que vol dir que una tona de metà emesa a l’atmosfera equival a 28 tones de CO₂e. I l’òxid nitrós, té un GWP de 268, cosa que vol dir que una tona de metà emesa a l’atmosfera equival a 268 tones de CO₂e. D’aquesta manera, amb aquest mètode, les emissions de gasos diferents poden ser agregades i comparades de manera senzilla. ↩︎
5. Segons dades estadístiques de Red Eléctrica https://www.ree.es/es/datos/generacion/estructura-generacion i de l’Institut Català d’Energia (ICAEN) https://icaen.gencat.cat/ca/energia/estadistiques/resultats/anuals/balanc_energia/ ↩︎
6. Cal fer un apunt rellevant sobre com s’ha fet el tractament de les dades: per a una anàlisi acurada, vaig decidir eliminar la dada corresponent a l’any 2020, ja que aquest any, marcat per la pandèmia de la COVID-19, presenta una caiguda anòmala en les emissions. Incloure aquest valor, fora del rang habitual, podria generar un biaix significatiu en els resultats i afectar la previsió de tendències futures.
   ↩︎
7. També s’ha considerat l’ús del suavitzat exponencial de Brown com a alternativa a la regressió quadràtica, ja que aquest mètode és especialment adequat per a dades no estacionàries amb tendència, com les emissions de CO₂e. A més, el model de Brown permetria detectar possibles tendències a curt i mitjà termini de manera més dinàmica, ja que s’ajusta millor a canvis recents en les dades. Tanmateix, les mètriques d’avaluació del model han confirmat que la regressió quadràtica proporciona una representació precisa del comportament global de les dades disponibles. Per tant, pels objectius d’aquest article, s’ha considerat que la regressió quadràtica és la tècnica més adequada com a primera aproximació. ↩︎
8. És important remarcar que aquesta model de predicció de la regressió quadràtica, presenta límits importants, ja que no inclou una investigació exhaustiva ni una anàlisi multivariable que permeti establir amb certesa relacions causals entre factors econòmics, industrials i legislatius i les tendències detectades. La implementació d’un model més complex, seria pertinent en cas de realitzar un estudi més complet que abordi a fons la complexitat dels factors que influeixen en l’evolució de les emissions de CO₂. ↩︎
9. El R² i el RMSE són dues eines àmpliament utilitzades en estadística per avaluar la qualitat d’un model matemàtic. El R² (coeficient de determinació), indica quina part de la variabilitat de les dades reals és explicada pel model. Un valor proper a 1 significa que el model explica molt bé les dades, mentre que un valor proper a 0 indica que hi ha poca relació entre el model i les dades reals. En canvi, el RMSE (l’Arrel d’Error Quadràtic Mitjà), mesura, de mitjana, l’error del model en les seves prediccions. Expressat en les mateixes unitats que les dades, el RMSE ens mostra fins a quin punt les prediccions del model s’allunyen dels valors reals. En altres paraules, el R² ens ajuda a entendre “com de bé el model explica les dades reals”, mentre que el RMSE ens indica “com són de precises les seves prediccions”. Per assegurar que els models s’ajusten a la realitat i poden predir amb una certa credibilitat les tendències d’emissions de CO₂e en els pròxims anys, cal aconseguir un R² alt i un RMSE baix. ↩︎