---

Hace unos días leí una noticia que llamó mi atención. La Universidad de Potsdam había publicado, en la prestigiosa revista científica Proceedings of the National Academy of Sciences (PNAS), los resultados de un estudio interesante desde el punto de vista industrial y medioambiental. Tras analizar datos de 1.500 regiones de todo el mundo de los últimos 30 años, los investigadores concluyeron que el 30% de estas regiones lograron reducir las emisiones de carbono manteniendo, a su vez, un crecimiento económico sostenido. Este fenómeno se conoce técnicamente como «crecimiento verde». Según el comunicado, estas 1.500 regiones representan el 85% de las emisiones globales, lo que da una relevancia significativa a los resultados y subraya la importancia del estudio.

Otra conclusión que destacaba este estudio es que existen diferencias regionales notables en el comportamiento de la evolución de las emisiones. Por una parte, Europa tiene una evolución en la reducción de emisiones que supera sistemáticamente a otras partes del mundo en esta disociación entre emisiones y crecimiento económico, consolidando de manera consistente este comportamiento durante los últimos 20 años. En cambio, en América del Norte y Asia, esta separación ha sido más variable, aunque se ha detectado una mejora en la última década.

El estudio también destacaba la importancia de impulsar la innovación a través del desarrollo de procesos industriales basados en nuevas tecnologías y de una inversión sostenida en energías renovables, tanto en el ámbito público como en el privado. Este enfoque es esencial para ayudar a las economías regionales a avanzar hacia la sostenibilidad sin renunciar al crecimiento económico. En este punto, me pregunté si Cataluña, en el contexto socioeconómico actual, formaba parte de ese 30% de regiones que han conseguido reducir sus emisiones mientras mantienen un crecimiento económico. Y, independientemente de la respuesta, ¿cuál era la tendencia que se intuía para los próximos años respecto a las emisiones de gases de efecto invernadero?

Con esta curiosidad, accedí al sitio web del proyecto mencionado en el comunicado de la Universidad de Potsdam y, buscando entre las referencias del estudio, descargué la base de datos EDGAR¹ (Emissions Database for Global Atmospheric Research). Esta base recopila y proporciona información detallada sobre las emisiones de gases de efecto invernadero y otros contaminantes atmosféricos provenientes de fuentes antropogénicas², y está mantenida por el Centro Común de Investigación (JRC) de la Comisión Europea junto con la organización PBL Netherlands Environmental Assessment Agency.

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

El archivo de EDGAR recopila datos anuales de emisiones de todas las regiones europeas durante el período 1990-2023, incluyendo gases como el CO₂ (dióxido de carbono) de fuentes fósiles, el CH₄ (metano), el N₂O (óxido nitroso) y los gases fluorados³ (F). Para facilitar la comparación del impacto climático anual de cada región, con independencia del volumen de cada gas emitido, todas las emisiones se convierten en términos de CO₂ equivalente⁴ (CO₂e). Esta unidad se calcula multiplicando el volumen emitido de cada gas por su Potencial de Calentamiento Global (GWP, por sus siglas en inglés), un indicador que expresa cuántas veces un gas contribuye más al calentamiento global que el CO₂ en un período de 100 años. Por ejemplo, el metano tiene un GWP de 28, lo que significa que una tonelada de metano tiene un impacto climático 28 veces superior al del CO₂. El óxido nitroso, con un GWP de 265, es aún más perjudicial, mientras que algunos gases fluorados, con valores de GWP que pueden superar los 1.000, son especialmente nocivos incluso en cantidades muy pequeñas. Esta metodología facilita las comparaciones entre regiones, ya que unifica las emisiones bajo un mismo criterio y mide su impacto climático global, independientemente de las proporciones específicas de gases emitidos en cada región.

A partir de la base de datos EDGAR, recopilé en una hoja de cálculo los datos sobre Cataluña relacionados con las emisiones de los diferentes gases generados por los diversos sectores económicos durante el período 1990-2023. Con esta información, elaboré una serie temporal de las emisiones totales anuales de CO₂ equivalente (CO₂e), lo que me permitió crear el gráfico que se presenta a continuación:

Este gráfico ilustra claramente la evolución temporal de las emisiones totales de CO₂ equivalente en Cataluña a lo largo de los últimos 34 años, siendo el punto de partida para un análisis detallado de las tendencias futuras de emisiones de gases de efecto invernadero a partir de 2024. Analizando el gráfico, se puede observar fácilmente la evolución de las emisiones en Cataluña desde 1990 hasta 2023, con varias fases bien definidas:

• 1990–2007: Incremento progresivo. Durante este período, se observa una tendencia general al aumento de las emisiones, asociada a la expansión económica y al crecimiento de la actividad en sectores como la construcción y la industria.

• 2008–2014: Descenso debido a la crisis económica. A partir de 2008, coincidiendo con el inicio de la crisis económica provocada por el colapso de las hipotecas subprime, las emisiones alcanzan su máximo histórico y comienzan a disminuir progresivamente hasta 2014. Esta reducción se debe principalmente a la fuerte contracción económica, especialmente en el sector de la construcción, y a una disminución general de la actividad productiva.

• 2015–2019: Recuperación de las emisiones. Con la superación gradual de la crisis, las emisiones vuelven a aumentar, reflejando una recuperación económica que implica un mayor consumo de energía y una intensificación de la actividad industrial.

• 2019–2023: Descenso sostenido. A partir de 2019, se produce un cambio de tendencia con una reducción sostenida de las emisiones. Este descenso podría estar relacionado con diversos factores, como la adopción de políticas climáticas más estrictas, la introducción de tecnologías más limpias en los procesos productivos y, en particular, el impacto de los elevados precios de la energía en los años posteriores a la pandemia de COVID-19.

Según los datos del gráfico, se observa un descenso continuo de las emisiones en Cataluña durante el período 2019-2023, con una reducción progresiva del total de emisiones. Este comportamiento sugiere que Cataluña podría formar parte del 30 % de las regiones identificadas en el estudio de la Universidad de Potsdam que han conseguido reducir su impacto ambiental sin comprometer su crecimiento económico. En particular, la reducción registrada en los años 2021, 2022 y 2023 respecto a 2019 refleja la influencia de diversos factores en la economía catalana que han impulsado medidas para mitigar las emisiones. Entre estos factores destacan la implementación de políticas climáticas más efectivas y el impacto de los altos precios de la energía. Este último ha incentivado un uso más eficiente de los recursos, favorecido la integración de tecnologías sostenibles en diferentes sectores económicos y provocado una disminución significativa tanto en las horas de operación como en los MWh anuales generados a partir de gas natural en las centrales de ciclo combinado y de cogeneración en Cataluña⁵.

Este comportamiento concuerda y complementa otros datos de los que disponemos a partir de diferentes fuentes y que ayudan a entender el escenario global de la transición energética en Cataluña. Un ejemplo destacado sería el caso de la intensidad energética, un indicador clave en la industria que mide la cantidad de energía necesaria para generar un euro de producto. Este dato es especialmente relevante porque ofrece una visión cuantitativa de cómo la economía catalana ha ido evolucionando en el uso de los recursos energéticos en relación con su actividad productiva. La intensidad energética se calcula dividiendo el PIB anual del sector industrial catalán por el consumo energético de dicho sector. En el caso de Cataluña, si realizamos los cálculos de este parámetro a partir de los datos anuales del IDESCAT durante el período 2003-2022, obtenemos que la intensidad energética de la industria catalana ha experimentado una disminución notable, pasando de 1,46 kWh/€ en 2003 a 0,78 kWh/€ en 2022. Esto estaría en consonancia con lo que hemos obtenido del análisis de los datos EDGAR, que muestran que, en los últimos años, las emisiones anuales de CO₂e en Cataluña están disminuyendo a un ritmo sostenido.

Así pues, una vez establecido que Cataluña parece estar dentro de ese 30% de regiones identificadas por el estudio de la Universidad de Potsdam, podemos plantearnos complementar este análisis con una predicción del comportamiento de las emisiones de CO₂e a corto plazo, basada en los datos anuales disponibles⁶.

Como se puede observar en el Gráfico 1, los datos muestran un comportamiento claramente no lineal de las emisiones de CO₂e a lo largo de los últimos 34 años. En este contexto, para hacer una predicción a corto plazo se ha considerado que la regresión cuadrática es una opción adecuada como primera aproximación para modelar el sistema y estimar la evolución de las emisiones en los próximos años⁷. No obstante, siempre se debe tener presente que la regresión cuadrática, aunque útil para analizar y entender el comportamiento histórico de los datos, no es el modelo más adecuado para predicciones precisas, ya que, por su estructura o naturaleza matemática, no incorpora el componente aleatorio de factores externos que podrían influir significativamente en los resultados. Sin embargo, es importante remarcar, aunque pueda parecer reiterativo, que la regresión cuadrática ha sido elegida porque es una técnica sencilla y efectiva para modelar relaciones no lineales entre dos variables: una variable independiente (X, en este caso, los años, que sirven como marco temporal) y una variable dependiente (Y, las emisiones de CO₂e). Este modelo estadístico permite identificar tendencias generales y predecir, siempre que no haya cambios coyunturales importantes, cómo podría evolucionar la tendencia de las emisiones en Cataluña a corto plazo⁸.

Para llevar a cabo la previsión de las emisiones de CO₂ equivalente en los próximos años, los datos procedentes de EDGAR se organizan en tres intervalos temporales para determinar si las tendencias son consistentes en todos ellos o, por el contrario, para identificar diferencias significativas en el comportamiento del modelo entre períodos. Los intervalos temporales son:

• 1990–2023: Análisis a largo plazo para comprender las tendencias globales.
• 2014–2023: Análisis a medio plazo centrado en el impacto de las políticas tras la crisis de las subprime.
• 2019–2023: Análisis a corto plazo para captar los cambios más recientes.

Para quienes estén interesados en profundizar en el procedimiento de cálculo y los fundamentos matemáticos del modelo de regresión cuadrática y la evaluación de la calidad del modelo estadístico, proporciono este enlace donde hay una explicación más detallada de estos métodos matemáticos de análisis de datos.

Por tanto, para conocer cuál podría ser la tendencia de las emisiones en Cataluña, se realiza la regresión cuadrática de los datos de cada uno de los períodos definidos. El objetivo de este método es encontrar, a partir de estos datos reales, los parámetros denominados ‘a’ y ‘b’ de una función en forma de parábola que mejor se ajusten a los datos y minimicen el error entre los valores reales y los valores previstos por el modelo, ajustándose a la siguiente ecuación:

---

---

A partir de la realización de las regresiones cuadráticas en cada uno de los periodos determinados, y utilizando los datos de emisiones de CO₂e de Cataluña, se obtienen los siguientes valores de ‘a’ y ‘b’ para cada periodo:

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

Una vez calculados los modelos de regresión cuadrática, antes de interpretar los valores obtenidos, es imprescindible validar los resultados para asegurar que los modelos se ajustan adecuadamente a los datos reales. Esta validación es clave para determinar con un grado razonable de confianza si los modelos son adecuados y pueden utilizarse para realizar predicciones fiables. En este caso, se emplean dos indicadores habituales en estadística: el coeficiente de determinación (R²) y la raíz del error cuadrático medio (RMSE, por sus siglas en inglés)⁹.

Así, a partir de los parámetros ‘a’ y ‘b’ obtenidos en cada una de las regresiones cuadráticas para cada uno de los periodos, al calcular el coeficiente de determinación (R²) y la raíz del error cuadrático medio (RMSE) para cada uno de ellos, los resultados son los siguientes:

Periodo	a (cuadrático)	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

¿Qué nos dicen estos resultados?

---

Período 1990-2023

Durante este largo período, el coeficiente a = −48,47 refleja una ligera desaceleración en la tendencia general de las emisiones a lo largo del tiempo. En cambio, el coeficiente b = 1958,73 indica un crecimiento inicial significativo, con incrementos anuales destacados durante los primeros años. Esto muestra que, al principio, las emisiones crecieron a buen ritmo, pero este crecimiento se moderó progresivamente, posiblemente debido a factores como la implementación de medidas medioambientales y cambios económicos a lo largo del período.

En cuanto a la validación del modelo, el coeficiente de determinación R² = 0,799 indica que el modelo explica el 79,9% de la variabilidad de las emisiones reales, lo que supone un buen ajuste general. Sin embargo, queda un 20% de variabilidad que no se puede explicar, algo comprensible en un período tan largo, donde numerosos factores externos, como el Protocolo de Kioto, el Acuerdo de París, crisis económicas y los avances tecnológicos, han influido en las emisiones sin estar representados en el modelo. En cuanto al valor RMSE = 2776,60 kt CO₂e, indica una desviación media moderada entre las predicciones y los valores reales. Este resultado es aceptable, teniendo en cuenta que el período incluye etapas muy diferentes: crecimiento, estabilización y disminución.

En consecuencia, es evidente que las emisiones no siguen una trayectoria estrictamente cuadrática, ya que la realidad está influida por variabilidades complejas y ciclos económicos y ambientales. No obstante, como primera aproximación para identificar tendencias futuras, el modelo es adecuado y cumple su función con una precisión razonable.

Período 2014-2023

En este período más corto y reciente, el coeficiente a = −187,76 refleja una desaceleración mucho más pronunciada que en el período anterior, sugiriendo cambios significativos con una clara tendencia descendente en las emisiones. El coeficiente cuadrático negativo indica este cambio, mientras que el coeficiente b = 1739,42 muestra que, aunque los incrementos iniciales en las emisiones fueron moderados, estos se fueron amortiguando progresivamente gracias al componente cuadrático. Este comportamiento evidencia que existe una tendencia clara hacia la reducción de emisiones, probablemente impulsada por políticas climáticas más estrictas y avances tecnológicos en los procesos productivos.

En cuanto a la validación del modelo, el coeficiente de determinación R² = 0,948 muestra un ajuste significativamente mejor que en el período 1990-2023, explicando el 94,8% de la variabilidad de las emisiones reales. Esto indica que la trayectoria del modelo es coherente con los datos y está menos influenciada por factores externos o aleatorios. Además, el valor RMSE = 323,65 kt CO₂e, considerablemente más bajo que en el período anterior, refuerza la idea de precisión del modelo en este período, con tendencias claras y consistentes.

Período 2019-2023

Este último período, el más corto de los tres, presenta el coeficiente a = −311,14, el valor más alto entre todos los períodos analizados, lo que indica que existe una desaceleración muy fuerte y significativa en las emisiones de CO₂e. El coeficiente b = 175,80, el más bajo de todos los períodos, muestra que el crecimiento lineal inicial de las emisiones es prácticamente inexistente. Esto resalta que la reducción de emisiones está fuertemente influenciada por el componente cuadrático del modelo.

En términos de validación, el coeficiente de determinación R² = 0,999 refleja un ajuste casi perfecto, modelando prácticamente el 100 % de la variabilidad de las emisiones de este período. Esta precisión se explica, en parte, por el reducido número de datos y por el hecho de que estos siguen una trayectoria descendente, clara y coherente, lo que facilita la precisión del modelo. En cuanto al valor RMSE = 12,82 kt CO₂e, es el más bajo de todos los períodos. Esto confirma que las predicciones son muy cercanas a los valores reales. Sin embargo, es importante interpretar esta aparente precisión con cautela: con tan pocos puntos de datos, cualquier cambio coyuntural podría alterar significativamente las tendencias futuras que parece indicar el modelo. A pesar de estas limitaciones, el modelo sugiere que las emisiones podrían continuar disminuyendo a un ritmo moderado en los próximos años.

---

Conclusiones finales

Una vez analizados los datos, los resultados muestran que, en la actualidad, Cataluña sigue una trayectoria positiva en la reducción de las emisiones de CO₂e, con un descenso notablemente acelerado en los últimos años. Tanto el modelo a largo plazo (1990-2023) como los más recientes (2014-2023 y 2019-2023) indican que la tendencia descendente actual de las emisiones de CO₂e podría mantenerse en los próximos años, al menos a corto plazo.

Este comportamiento puede entenderse como el resultado de una combinación de factores clave: por un lado, la aplicación de políticas climáticas más estrictas y, por otro, el impacto del aumento de los precios de la energía. Estos elementos han incentivado en los últimos años un uso más eficiente de los recursos y han favorecido la integración de tecnologías sostenibles en diferentes sectores económicos, especialmente en muchos procesos productivos industriales.

Estos resultados son coherentes con otros datos que tenemos disponibles a partir de diferentes fuentes documentales, como es el caso del valor de la intensidad energética en Cataluña. La intensidad energética es un parámetro que, en la industria, mide cuánta energía se necesita para generar un euro de producto. Este dato proporciona una visión clara del uso de los recursos energéticos de la industria de un país en relación con su actividad productiva. En el caso de Cataluña, si calculamos este parámetro a partir de los datos anuales del IDESCAT sobre el PIB del sector industrial catalán y su consumo energético, obtenemos que, durante el periodo 2003-2022, la intensidad energética de la industria catalana ha experimentado una disminución notable, pasando de 1,46 kWh/€ en 2003 a 0,78 kWh/€ en 2022. Este resultado es coherente con el análisis de los datos de EDGAR, que han mostrado que, en los últimos años, las emisiones anuales de CO₂e en Cataluña han ido disminuyendo a un ritmo sostenido.

Parece claro, entonces, que el ritmo actual de reducción de emisiones en Cataluña es positivo. Sin embargo, aún quedan importantes desafíos por afrontar. Al observar las estadísticas de producción eléctrica, se puede ver que, aunque entre 2020 y 2023 se registró una reducción significativa en la generación de electricidad a partir de gas natural, principalmente debido al aumento del precio del gas, en 2023 las centrales de ciclo combinado, las instalaciones de cogeneración y las centrales nucleares continuaron siendo los principales contribuyentes al mix energético de Cataluña, representando el 73,65 % de la producción energética total. En cambio, las fuentes de energía renovable, como la hidroeléctrica, la solar, la eólica y la biomasa, solo aportaron un 15,36 %. Este desequilibrio pone de manifiesto la necesidad de redoblar esfuerzos para diversificar las fuentes de energía y reducir la dependencia de los combustibles fósiles. Incrementar el uso de energías renovables será crucial para lograr un modelo energético más sostenible en el futuro.

Por lo tanto, para mantener el ritmo anual de reducción de emisiones de CO₂e observado en los últimos tres años, será necesario implementar acciones más ambiciosas para acelerar aún más los avances y cumplir con los compromisos europeos para 2030. En este contexto, resulta esencial adoptar políticas de transición energética más ambiciosas en los próximos años. Estas políticas deberían promover activamente el uso de energías renovables, fomentar la electrificación del transporte y seguir mejorando la eficiencia energética en los sectores industrial, residencial y de servicios.

La transición energética es un proceso continuo que requiere innovación constante y una colaboración estrecha entre todos los agentes sociales. La cooperación entre administraciones públicas, empresas y ciudadanía será fundamental para alcanzar los objetivos del Pacto Verde Europeo y garantizar un futuro sostenible para las generaciones presentes y futuras.

---

---

1. EDGAR es una base de datos global, independiente y multifuncional sobre las emisiones antropogénicas de gases de efecto invernadero y contaminación atmosférica en la Tierra. EDGAR proporciona estimaciones de emisiones independientes en comparación con las reportadas por los Estados miembros de la Unión Europea o por las partes bajo la Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC), utilizando estadísticas internacionales y una metodología coherente del IPCC. Aunque EDGAR es muy completa, se centra en gases con potencial de calentamiento directo y con datos disponibles de forma global y consistente. Los gases raros, compuestos orgánicos complejos y emisiones secundarias pueden no estar incluidos de manera detallada o uniforme. https://edgar.jrc.ec.europa.eu ↩︎
2. Es importante destacar que los datos de la base EDGAR (Emissions Database for Global Atmospheric Research), ampliamente utilizados para estimaciones globales, pueden no coincidir exactamente con los datos oficiales regionales, como los proporcionados por la Generalitat de Cataluña. Las discrepancias entre las estimaciones de emisiones de gases de efecto invernadero (GEI) proporcionadas por la base de datos EDGAR y los datos oficiales de la Generalitat de Cataluña se deben principalmente a las diferencias en las metodologías de cálculo y en las fuentes de información utilizadas por ambas entidades.
   
   Por ejemplo, en 2005, EDGAR estima que Cataluña emitió 46.385 kt de CO₂ equivalente (CO₂e), mientras que la Generalitat de Cataluña calcula 56.990 kt CO₂e.
   
   EDGAR (Emissions Database for Global Atmospheric Research) elabora estimaciones globales a partir de datos estadísticos de actividades humanas, como la combustión de combustibles fósiles, procesos industriales, agricultura y gestión de residuos. Estos datos se complementan con factores de emisión estándar e información satelital para mejorar la distribución espacial de las emisiones, pero no para su medición directa.
   
   https://edgar.jrc.ec.europa.eu/methodology
   
   Por su parte, la Generalitat de Cataluña, a través de la Oficina Catalana del Cambio Climático (OCCC), sigue las directrices establecidas por el Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC) y está alineada con estándares internacionales como la norma ISO 14064-1. La metodología catalana se basa en la diferenciación de las emisiones entre:
   
   Las reguladas por el sistema de comercio de derechos de emisión (ETS): sectores como la generación de energía, las instalaciones industriales de gran consumo energético (como el cemento, el papel, la cerámica y el acero) y la aviación civil.
   
   Las emisiones difusas (no-ETS): sectores como el transporte, la agricultura, los edificios y los residuos.
   
   Esta metodología se detalla en la «Guía práctica para el cálculo de emisiones de gases de efecto invernadero (GEI)» y se complementa con herramientas como la «Calculadora de emisiones de GEI».
   
   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
   
   A pesar de las diferencias entre los datos de EDGAR y los de la Generalitat de Cataluña, el uso de una u otra fuente para analizar las tendencias de emisiones y evaluar la eficacia de las políticas climáticas, como se hace en este artículo, no compromete la validez de los cálculos ni las conclusiones. Lo más importante es utilizar de manera consistente una misma fuente de datos a lo largo del tiempo. Esto garantiza que, independientemente del valor absoluto que proporcione la fuente elegida, se pueda analizar de manera clara y coherente la evolución anual de las emisiones. Este enfoque permite determinar si un territorio está reduciendo efectivamente sus emisiones, sin que las diferencias metodológicas en la recopilación o el cálculo de los datos alteren cualitativamente las conclusiones del análisis. ↩︎
3. Los gases F, o gases fluorados, son un grupo de gases de efecto invernadero que incluyen hidrofluorocarburos (HFC), perfluorocarburos (PFC), hexafluoruro de azufre (SF₆) y trifluoruro de nitrógeno (NF₃). ↩︎
4. Equivalente de CO₂ (CO₂e) – El CO₂e, o equivalente de dióxido de carbono, es una unidad de medida que se utiliza para comparar las emisiones de diferentes gases de efecto invernadero en función de su potencial de calentamiento global (GWP, por sus siglas en inglés). Esta unidad permite expresar el impacto climático de distintos gases en términos del efecto que tendría la misma cantidad de dióxido de carbono (CO₂) en la atmósfera. El CO₂e facilita la comparación y cuantificación de las emisiones de gases con diferentes potenciales de calentamiento global, como el metano (CH₄), el óxido nitroso (N₂O) o los gases fluorados, ya que cada uno tiene una capacidad diferente para retener el calor en la atmósfera. Por ejemplo, el metano tiene un GWP de 28, lo que significa que una tonelada de metano emitida a la atmósfera equivale a 28 toneladas de CO₂e. De manera similar, el óxido nitroso tiene un GWP de 268, lo que significa que una tonelada de este gas equivale a 268 toneladas de CO₂e. Este sistema permite agregar y comparar fácilmente las emisiones de diferentes gases. ↩︎
5. Según datos estadísticos de Red Eléctrica https://www.ree.es/es/datos/generacion/estructura-generacion y del Instituto Catalán de Energía (ICAEN) https://icaen.gencat.cat/ca/energia/estadistiques/resultats/anuals/balanc_energia/. ↩︎
6. Un aspecto importante sobre el tratamiento de los datos: para un análisis preciso, decidí excluir los datos correspondientes al año 2020, ya que este año, marcado por la pandemia de COVID-19, presenta una caída anómala en las emisiones. Incluir este valor, fuera del rango habitual, podría generar un sesgo significativo en los resultados y afectar la previsión de tendencias futuras.
   ↩︎
7. También se ha considerado el uso del suavizado exponencial de Brown como una alternativa a la regresión cuadrática, ya que este método es especialmente adecuado para datos no estacionarios con tendencia, como las emisiones de CO₂e. Además, el modelo de Brown permitiría detectar posibles tendencias a corto y medio plazo de manera más dinámica, ya que se ajusta mejor a cambios recientes en los datos. Sin embargo, las métricas de evaluación del modelo han confirmado que la regresión cuadrática proporciona una representación precisa del comportamiento global de los datos disponibles. Por lo tanto, para los objetivos de este artículo, se ha considerado que la regresión cuadrática es la técnica más adecuada como primera aproximación. ↩︎
8. Es importante destacar que este modelo de predicción basado en regresión cuadrática presenta limitaciones importantes, ya que no incluye una investigación exhaustiva ni un análisis multivariable que permita establecer con certeza relaciones causales entre factores económicos, industriales y legislativos y las tendencias detectadas. La implementación de un modelo más complejo sería pertinente en caso de llevar a cabo un estudio más completo que aborde en profundidad la complejidad de los factores que influyen en la evolución de las emisiones de CO₂. ↩︎
9. El R² y el RMSE son dos herramientas ampliamente utilizadas en estadística para evaluar la calidad de un modelo matemático. El R² (coeficiente de determinación) indica qué parte de la variabilidad de los datos reales es explicada por el modelo. Un valor cercano a 1 significa que el modelo explica muy bien los datos, mientras que un valor cercano a 0 indica que hay poca relación entre el modelo y los datos reales. Por otro lado, el RMSE (Raíz del Error Cuadrático Medio) mide, en promedio, el error del modelo en sus predicciones. Expresado en las mismas unidades que los datos, el RMSE muestra hasta qué punto las predicciones del modelo se desvían de los valores reales. En otras palabras, el R² ayuda a comprender «qué tan bien el modelo explica los datos reales», mientras que el RMSE indica «qué tan precisas son sus predicciones». Para asegurar que los modelos se ajusten a la realidad y puedan predecir con cierta credibilidad las tendencias de emisiones de CO₂e en los próximos años, es fundamental lograr un R² alto y un RMSE bajo. ↩︎