Introducción

Esta investigación tiene como objetivo mostrar la importancia que tiene el analizar los efectos individuales de cada fuente de energía sobre el crecimiento económico para México de 2013 a 2020, periodo que comprende la reforma energética del 2013 y la contra reforma del 2018. Se plantea la hipótesis que, al tratar todas las fuentes de energía por igual, los efectos identificados serán sesgados. Se acepta la limitación que tiene el espacio de tiempo reducido para poder obtener las medidas de producción desagregadas y medir los efectos que la reforma energética del 2013 ha tenido sobre el crecimiento económico. Aunque el estudio de la energía en el crecimiento económico no es novedoso a nivel mundial ni para el caso de México, no existen estudios para México con variables desagregadas, por lo cual las conclusiones de este estudio pueden explicar esos huecos en el conocimiento.

La evolución de producción de energía en México ha pasado de privilegiar el uso de productos derivados del petróleo hasta 1990 (Islas et al., 2001); a buscar homogenizar con las tendencias globales, para ello se han planteado objetivos de crecimiento de la producción de energías limpias sobre el total de energía del 35% en 2024 (Múlas, 2019). Para ello en 2013 se modifica la Constitución para permitir una mayor competencia en la generación de electricidad (Bryner, 2016). Sin embargo, desde 2018 las leyes de la administración federal han dado lugar a nuevas prioridades, que podría ocasionar un retroceso en la transición energética (SENER, 2020).

Una de las principales cuestiones en la teoría económica es explicar cómo se da el crecimiento económico y los beneficios del crecimiento económico para la sociedad, partiendo de la explicación de que la tasa de ahorro va dirigida a inversiones en capital (Solow, 1956). Sin embargo, este crecimiento se puede dar por incrementos en la productividad, por avances tecnológicos, ya sean dirigidos (Hicks, 1932); favorecidos por las instituciones (Acemoglu y Robinson, 2012); o a través de un aprendizaje basado en la práctica (Arrow, 1962). Este progreso tecnológico puede ser explicado en sentido amplio en la difusión del conocimiento y la inversión en investigación o el aprovechamiento del avance de otros países a partir del comercio internacional (Romer, 1990; Helpman y Krugman, 1985).

También se plantea la idea de que este crecimiento no puede ser eterno sin considerar el daño ambiental ocasionado por el avance tecnológico y el incremento de los bienes de consumo, además de considerar que los recursos no son infinitos (Georgescu-Roegen, 1977; Nordhaus, 1977). Para evitar los problemas de la escasez impuesta por la naturaleza, las mejoras en la tecnología pueden ser utilizadas para desarrollar bienes que contaminen menos y tengan una mayor productividad (Solow, 1974; Nordhaus, 1973). La energía que es necesaria para la transformación, distribución y progreso de bienes que impulsa el crecimiento económico, al ser generada principalmente de fuentes no renovables, puede, por otro lado, restringir el crecimiento económico (Ayres y Kneese, 1969, Payne, 2010). Por ello, el desarrollo de energías renovables sirve para continuar con el crecimiento económico (Brock y Taylor, 2004; Loaiza, 2018, Consejo de Energía Mundial, 2016).

A nivel mundial, se entiende por transición energética el optar por una mayor cantidad de energía a partir de fuentes renovables y mantener o en algunos casos disminuir la energía a partir de hidrocarburos. La transición energética se ha impulsado llevando a que la nueva generación de electricidad sea 90% renovable (Loaiza, 2018) El caso mexicano no ha sido la excepción, buscando este impulso a través de reformas en el sector energético en 2014, buscando incrementar el porcentaje de energía renovable, aprovechando la gran cantidad de recursos naturales de la nación (Gutiérrez, 2014; Alemán et al., 2014; SEGOB, 2013). Según la Agencia Internacional de Energía Renovable (IRENA), se ha pasado de producir 40,732 Gigawatts por hora de energía renovable en el año 2000 hasta 54,770 en el año 2018, además de plantear diferentes metas que logren a una transición del 40% de la producción de energía limpia para el 2035 y de un 50% para el 2050 (IRENA, 2015; IRENA, 2020).

Si se optará por esta transición energética cada vez más, se deben analizar los efectos que tiene la disminución de la energía a base de petróleo para conocer la repercusión que tendrá sobre la economía, buscando que haya un efecto de sustitución, para mejorar la calidad ambiental sin perjudicar el avance de la economía (Shahbaz et al., 2014; Marinaș et al., 2018). En este estudio, se plantea el objetivo de identificar los efectos individuales por producción de energía para el caso mexicano.

En cuanto a los efectos analizados sobre la relación entre energía y economía, se han identificado los efectos sobre el empleo (El Moummy et al., 2021; Çelik, 2021; Gonçalves, et al., 2020), la inversión extranjera directa (Balsalobre et al., 2021; Parab et al., 2020; Qamruzzaman y Jianguo, 2020), las exportaciones e importaciones (Rafindadi y Ozturk, 2016; Ben et al., 2016; Ben y Ben, 2015), los precios de la energía (Ike et al., 2020; Abid, 2020 y Alsaedi et al., 2020) y la contaminación medida por las emisiones de CO2 (Bekun et al., 2021; Adebayo y Rjoub, 2021; Adebayo et al., 2020). Para este estudio se opta por analizar la principal variable de interés en la economía, a saber: el crecimiento económico (Acheampong et al., 2021; Usman et al., 2020; Ozcan et al, 2020).

En el siguiente apartado se analiza la revisión de literatura disponible, enfatizando aquellos estudios que utilizan a México como estudio de caso individual o incluyan a México dentro de los países analizados. En el segundo apartado se presenta la metodología para identificar los efectos causales a través del modelo autorregresivo de rezagos distribuidos. En el tercer apartado se realiza el análisis estadístico, seguido de la construcción de variables y los análisis econométricos realizados. En el cuarto apartado se presentan los resultados comparativos de los efectos causales por fuente de generación de energía. Por último, se presentan las conclusiones.

1. Revisión de la literatura empírica: Crecimiento económico y energías renovables

En esta sección, se presentará la revisión de literatura empírica partiendo de la explicación teórica-conceptual y los estudios empíricos de la relación entre energía y crecimiento económico. Luego, se plantea el mismo formato para la relación entre la energía renovable y el crecimiento económico. Por último, se presentan de forma acotada las principales variables de control utilizadas, así como los procesos metodológicos empleados.

La literatura existente sobre el impacto de las energías limpias y convencionales es extensa y se centra especialmente en el impacto que tiene sobre el crecimiento económico, donde se identifican cuatro posturas bien definidas. La primera, conocida como hipótesis de neutralidad, se refiere a que la economía está desacoplada del consumo de energía y que los efectos son mínimos para validarlos econométrica- mente (Pérez et al., 2020; Raza et al., 2020; Alvarado et al., 2019). La segunda, argumenta que la relación de crecimiento y energía se da en una sola dirección, o sea, de la producción a la energía (hipótesis de conservación); la tercera, de la energía a la producción (hipótesis de crecimiento) (Razmi et al., 2020; Azam et al., 2021; Yang y Kim; 2020). La cuarta, argumenta que existe una relación de sinergia o bidireccional, tanto la producción impulsa a la energía y viceversa (hipótesis de retroalimentación) (Marinaș et al., 2018; Le y Bach, 2020; Le y Sarkodie, 2020;).

El análisis de la energía y el crecimiento económico ha tenido gran interés de análisis a partir de los hallazgos de la investigación pionera realizada para Estados Unidos de 1947 a 1974, donde se identificó que existe una relación unidireccional del PIB al consumo de energía y se concluyó que, si el consumo de energía está relacionado con la actividad económica, las políticas de ahorro de energía son inaceptables (Kraft y Kraft, 1978). Además, aunque en el corto plazo no exista una relación entre el consumo de energía y la actividad económica, esta relación en ocasiones ocurre en el largo plazo, por lo cual los efectos no deben ser considerados solo en el corto plazo para el desarrollo de políticas (Latief et al., 2020, Abdollahi, 2020, Azam et al., 2021, Nguyen y Ngoc, 2020).

En los periodos más recientes el interés se ha centrado, en diferenciar los efectos entre fuentes no renovables y renovables para impulsar el crecimiento económico en países en desarrollo. Se concluye que existen efectos de conservación, crecimiento o de retroalimentación a partir de las energías renovables, por lo cual las políticas de ahorro afectarían de forma negativa el crecimiento económico (Le y Sarkodie, 2020; Le, 2020; Abid et al., 2020, Razmi et al., 2020, Le y Bach, 2020). Sin embargo, a pesar de que se puedan identificar hipótesis de neutralidad como para el caso de Malasia de 1989 a 2018, se prefiere optar por consumo de energía renovable por sus efectos positivos en la reducción de emisiones de CO2 (Raza et al., 2020). Así mismo, el efecto puede ser negativo como lo identificado para los BRICS (Brasil, Rusia, India, China y Sudáfrica) de 1994 a 2015, pero este efecto negativo puede ser menor a través de la educación y concienciación medioambiental (Tsaurai y Ngcobo, 2020). Entre 1995 y 2014, para 15 países del Este de África se identificaron los mismos resultados, por lo que el consumo de energía renovable puede frenar al crecimiento, esto podría atribuirse a que la energía renovable más popular en esta región es la biomasa de madera, que en su mayoría es impura y hace falta más procesamiento para aprovecharla (Maji et al., 2019).

Si bien los estudios se han centrado en la distinción entre fuentes de energía renovables y no renovables, las fuentes de energía renovable tampoco deben considerarse homogéneas debido a las limitaciones de escasez o los costos de contaminación, por esta razón, algunos estudios han intentado identificar estos impactos diferenciales. Por ejemplo, Sulub et al. (2020) encontraron para Malasia entre 1978 y 2017 que la energía hidroeléctrica tiene un efecto de ahorro, por lo que no afecta el crecimiento económico. Mientras que la producción de energía de biomasa sí resultó significativa para explicar el crecimiento para la Unión Europea (Busu, 2020). Sin embargo, la misma fuente de energía no tiene el mismo efecto en diferentes países, por ejemplo, la producción de energía solar y eólica es positiva para Canadá, EE. UU., Corea del Sur, Alemania, India y España, pero no para China y Dinamarca (Yang y Kim, 2020). Para los países europeos la cantidad total de energías renovables no resulta ser significativa, la energía eólica aumenta con el crecimiento económico, en España la energía solar muestra un efecto positivo en el crecimiento (Pérez et al., 2020). Asimismo, la energía nuclear tiene un efecto positivo en el crecimiento económico (Pilatowska et al., 2020). Al igual que las fuentes de energía renovables, las fuentes de energía no renovables también difieren, lo que afecta positivamente el consumo de energía de gas natural en Malasia (Etokakpan et al., 2020). En el caso de Brasil, también es importante la producción de energía hidroeléctrica y otras fuentes de energía renovable, además del gas natural (Hdom y Fuinhas, 2020).

Para México, no hay muchos análisis de un solo país que vinculen la energía con el crecimiento económico, pero está más involucrado en estudios grupales que determinan los efectos del crecimiento (Acheampong et al., 2021; Singh et al., 2019; Miranda et al., 2020). Sin embargo, al analizar los efectos de cada país por separado, México no mostró una relación significativa (Bhattacharya et al., 2016). Estos resultados no difirieron entre los niveles de desarrollo de los países (Singh et al., 2019). Por otro lado, se han identificado efectos bidireccionales para los países de la OCDE (Ozcan et al., 2020) y específicamente para el caso de México (Odugbesan y Rjoub, 2020; Tong et al., 2020). Así mismo, existen diferencias entre continentes, para América y Europa existe una relación de retroalimentación, mientras que para África y Asia existe una relación de conservación (Usman et al., 2020). Al diferenciar el nivel de ingresos, si bien resulta importante para todos los niveles de ingresos, el impacto es mayor para los grupos de ingresos más bajos e ingresos altos (Alvarado et al., 2019).

Los estudios en México incluyen un estudio de Gómez et al. (2015) quienes analizaron la relación entre el consumo de electricidad y el crecimiento económico desde 1971 hasta 2011 y encontraron una relación causal entre el crecimiento económico y el consumo de energía. Como resultado, las políticas de eficiencia energética pueden tener poco o ningún impacto en la economía. Y un trabajo de extensión de los mismos autores (Gómez et al., 2018) que analizó el período de 1971 a 2013 para encontrar una relación causal bidireccional entre el consumo de energía y el crecimiento económico en el largo plazo, aunque los resultados difieren cuando se incluyen las exportaciones o las importaciones en el análisis de corto plazo, el impacto de reducir el consumo de energía puede compensarse con políticas comerciales. Sin embargo, estos estudios no distinguieron entre fuentes de energía renovables y no renovables al analizar el consumo de energía. El único estudio que analizó estas diferencias entre 1990 y 2017, Mele, (2019) concluye que el consumo de energía renovable tiene un impacto positivo sobre el crecimiento económico, aunque este estudio no diferencia entre fuentes de energía renovable y no incluye variables de control.

El cuadro 1, muestra la revisión de la literatura donde se determina que las variables de control más utilizadas son formación bruta de capital y fuerza laboral que parten del modelo de Solow (Acheampong et al., 2021; Singh et al., 2019; Bhattacharya et al., 2016), apertura económica (Usman et al., 2020; Etokakpan et al., 2020; Le, 2020) y emisiones de CO2 (Odugbesan y Rjoub, 2020; Tong et al., 2020; Miranda et al., 2020). Así mismo se identificó la principal metodología utilizada al revisar las relaciones causales de largo plazo: el modelo autorregresivo de rezagos distribuidos (ARDL) (Tong et al., 2020; Odugbesan y Rjoub, 2020; Busu, 2020; Yang y Kim, 2020; Etokakpan et al., 2020; Sulub et al., 2020; Raza et al., 2020; Razmi et al., 2020; yNguyen y Ngoc; 2020).

2. Metodología

En esta sección se presenta la descripción metodológica: se comienza por la descripción de las variables, una breve explicación de los hechos estilizados, se realiza un ajuste estacional X13ARIMA-SEATS para desestacionalizar las variables. Luego se pasa a demostrar si las variables son estacionarias mediante las pruebas de raíz unitaria de DFA (Dickey-Fuller Aumentada) y PP (Phillips-Perron). Para mostrar que las relaciones causales son de largo plazo, se realizan pruebas de cointegración mediante la prueba de límites del modelo autorregresivo de rezagos distribuidos (ARDL) y, por último, para identificar las relaciones causales se utiliza el VEC (vector corrector de errores) del modelo ARDL (autorregresivo con rezagos distribuidos)

2.1. Modelos econométricos

La función de producción aumentada se utiliza para mostrar que el crecimiento de energía también contribuye al crecimiento económico, es decir, la producción económica depende del capital, el trabajo y otras variables macroeconómicas y ambientales, como la apertura económica y la contaminación (Acheampong et al., 2021) 2020; Lee, 2020.Odugbesan y Rjoub, 2020). En este estudio, se supone que el contexto de la función de producción es tal que el consumo de energía, el capital, la mano de obra, la apertura económica y la contaminación se tratan como insumos de producción separados, siendo la forma funcional la siguiente:

donde el producto interno bruto real (PIB) en el periodo t es función de capital (K), trabajo (L), apertura económica (AE), contaminación (C) y energía (E). La ecuación (1) puede ser parametrizada, aplicando logaritmo natural en ambos lados de la ecuación:

donde $\textcolor{red}{}{u}_t$ es el término de error de ruido blanco. Siguiendo a (Pérez et al., 2020), en este modelo se incluyen todas las fuentes de energía, pero empíricamente se estiman de manera separada, es decir, en el modelo 1 se incorporan las energías no renovables, en el modelo 2 se incorporan las energías renovables, los modelos del 3 al 6, incorporan la energía hidroeléctrica, geotérmica, eólica y solar, respectivamente, para distinguir los efectos reales de cada fuente de energía renovable y evitar problemas de multicolinealidad.

2.2. Datos

El cuadro 2 describe las variables. Debido a que se utiliza información mensual, las variables más frecuentes en el estudio, como el crecimiento del PIB, no se encuentran disponibles. Siguiendo a Carrasco y Ferreiro (2011) y a Ibarra (2022), se opta por utilizar proxies, el indicador global de actividad económica (IGAE) para el producto interno bruto y la tasa de desempleo por la fuerza laboral. Estas decisiones metodológicas se toman con el fin de desglosar mensualmente las variables energéticas y obtener una gran cantidad de datos para el período analizado,de igual forma cabe destacar que la construcción de la apertura económica se utiliza la forma más extendida que es $\textcolor{red}{}ap=\frac{x+i}{y}$, donde $\textcolor{red}{}ap$ es la apertura económica, $\textcolor{red}{}x$ son las exportaciones, $\textcolor{red}{}i$ son las importaciónes e $\textcolor{red}{}i$ es el producto interno bruto.

2.3. Hechos estilizados

El cuadro 3 muestra los estadísticos relevantes para entender el comportamiento de las variables durante el periodo de análisis, se observa que la producción promedio de energía no renovable es más de 5 veces superior a la producción de energía renovable, lo que demuestra que aún existe una alta dependencia de las fuentes menos limpias. Por otro lado, existen diferencias significativas en las energías renovables, con la energía hidroeléctrica representando el 79 % de la energía renovable, seguida de la geotérmica (15 %), la eólica (5 %) y la solar (poco menos del 1 %). También cabe señalar que, de entre las energías renovables, la geotermia y la eólica tienen un sesgo negativo, mostrando que la mayoría de los valores están por encima de la media, mientras que la distribución de la solar es leptocúrtica, mostrando una alta concentración de valores, cercanos a la media, y finalmente solo la eólica sigue una distribución normal. Estas diferencias indican que los resultados esperados no serán similares.

2.4. Pruebas de raíz unitaria

Si se trata de realizar la metodología de mínimos cuadrados ordinarios (MCO) a variables que no son estacionarias resultaría en regresiones espurias, para ello se revisa la estacionariedad de las variables utilizando la metodología que en primera instancia Dickey y Fuller (1979) propusieron para determinar, donde. Puesto que, para utilizar MCO, la series deben ser estacionarias, la hipótesis nula es $\textcolor{red}{}p$ =1, y para que esto sea posible se toma la primera diferencia, así se tiene que ∆Yt =δY_(t ˗1)+_εt, donde se tiene que δ =$\textcolor{red}{}p$−1. Para probar la estacionariedad se utilizará la prueba más general: la Dickey Fuller Aumentada (Said y Dickey, 1984) y para una mayor robustez de los resultados se aplicará la prueba de Phillips-Perron (Phillips y Perron, 1988).

2.5. Pruebas de Cointegración

Si las series son estacionarias y están relacionadas, entre ellas puede existir al menos una combinación lineal de largo plazo, a esto se le conoce como series cointegradas. Para ello en la mayoría de los casos se utiliza la metodología de Engle y Granger (1987). Esta prueba se basa en los residuales: si estos muestran una raíz unitaria, entonces las series son cointegradas. No obstante, cuando las series tienen diferente grado de estacionariedad I(0) o I(1), se opta por la prueba de limites autorregresivos distribuidos (ARDL) de Pesaran et al. (1999) y Pesaran et al. (2001). Esta prueba tiene 3 ventajas con respecto a otras metodologías: primero. no se ve afectada por el orden de integración; segundo, es relativamente más eficiente en muestras pequeñas y; tercero, se obtienen estimaciones no sesgadas del modelo de largoplazo (Belloumi, 2013).

2.6. Modelo ARDL

Una vez realizadas las pruebas de estacionariedad y cointegración, se procede a realizar un vector autorregresivo de las variables en niveles si las variables son estacionarias y no cointegradas; mientras que, si son no estacionarias y no cointegradas, se procederá a realizar un vector autorregresivo a las series diferenciadas. Un vector autorregresivo en su forma reducida es una expresión de función lineal de cada variable que es explicada por sus propios valores del pasado más todos los valores pasados de las demás variables considerando que existe un término error no correlacionado (Stock y Watson, 2001). Sin embargo, si las variables no son estacionarias, o tienen un orden mixto de integración los estimadores que se generan son sesgados, para esta situación se utiliza el modelo autorregresivo de rezagos distribuidos (ARDL), debido a que agrega un número suficiente de rezagos para capturar el proceso de generación de datos en un marco que va de lo general a lo especifico (Shrestha y Bhatta, 2018).

2.7. Vector corrector de errores

Mientras que, si las series son cointegradas y no estacionarias, existe un vector de corrección de errores (VEC) del modelo de largo plazo que permite identificar las relaciones tanto de corto como largo plazo (Granger, 1988). A partir del modelo ARDL con una simple transformación lineal, se puede obtener el VEC sin perder información y evitar problemas de relaciones espurias resultantes de series de tiempo no estacionarias (Shrestha y Bhatta, 2018). La evidencia de cointegración se puede deber a que existe una relación teórica estable entre las variables (Menegaki, 2019). Para ello se utiliza la prueba de Wald para contrastar la hipótesis nula de no cointegración cuando hay más de un coeficiente de corto plazo de la misma variable (Tursoy y Faisal 2018).

La primera parte de la ecuación $\textcolor{red}{}\beta ,\delta$ y $\textcolor{red}{}\epsilon$ representan los efectos dinámicos de corto plazo del modelo. La segunda parte con las representan las relaciones de largo plazo, siendo el corrector del error el factor sub-tercero.

2.8. Pruebas de causalidad

Este análisis, soluciona uno de los grandes problemas econométricos que aunque exista una relación no se puede conocer su causalidad, sin embargo, bajo la suposición de Granger, se puede identificar si X causa a Y, debido a que señales en X del pasado puede ayudar a la predicción de Y, este puede ser utilizada con las variables en diferencias si no se encuentra relación de cointegración, siendo una relación causal de corto plazo (Amblard y Michel, 2013, Kirchgässner y Wolters, 2007, Menegaki, 2019 y Shrestha y Bhatta, 2018). Probar la causalidad de Granger utilizando estadísticos F cuando una o ambas series de tiempo no son estacionarias puede conducir a una causalidad falsa, para estos casos la metodología de Toda y Yamamoto (1995) puede generar estadísticos no sesgados e identificar relación de largo plazo (He y Maekawa, 2001 y Menegaki, 2019). Otra de las maneras que se tiene para identificar la causalidad entre las variables, si se identifica una relación de integración de orden I(1), el vector corrector de errores (VEC) muestra estos efectos causales, para ello el coeficiente de VEC debe ser negativo para asegurar la convergencia del sistema desde el corto hacia el largo plazo (Menegaki, 2019). Para evitar problemas de variables omitidas, que genera pruebas de causalidad sesgadas, se optará por la utilización de modelos multivariados (Lutkepohl, 1982).

3. Resultados

3.1. Pruebas de raíz unitaria

Las series ajustadas estacionalmente se calculan con X13ARIMA- SEATS (INEGI, 2018) para estacionariedad y pruebas adicionales. Se realizan las pruebas DFA (Dickey-Fuller Augmentation) y PP (Phillips- Perron), siendo la hipótesis nula que la serie es no estacionaria. Los resultados se muestran en el cuadro 4, en donde solo se puede rechazar a un nivel de significancia de 5% para las variables NR, R, H, E y S en niveles. Después de aplicar las primeras diferencias, todas las variables son estacionarias a un nivel de significancia de 1% en ambas pruebas.

3.2. Pruebas de cointegración

Para la elección de los rezagos se utiliza el criterio de información Akaike, además de utilizar las pruebas, incluyendo intercepto e intercepto y tendencia si esta fuese significativa para determinar el grado de cointegración con la prueba de límites del modelo ARDL (autorregresivo con rezagos distribuidos) que proponen Pesaran et al. (2001). La hipótesis nula es no cointegración donde Ho: β₁=β₂=β₃=β₄=β₅=0. En la prueba si el valor de F es superior al límite superior, se rechaza la hipótesis nula, mostrando que existe una relación de cointegración de largo plazo. En los resultados del cuadro 5a, se observa que solo para la energía geotérmica se muestra una relación estable de largo plazo. Estos resultados son similares a los encontrados en (Bhattacharya et al., 2016. Existen efectos de largo plazo para la energía geotérmica, efectos individuales que no habían sido analizados. Se realizan pruebas de normalidad (Jarque-Bera, JB), autocorrelación, heteroscedasticidad y la prueba de especificación de Ramsey, donde se observa que los modelos ARDL planteados son estables para un nivel de significancia del 90%, exceptuando para el caso de la energía solar, donde existe autocorrelación serial (cuadro 5b).

3.3. Modelo autorregresivo de rezagos distribuidos con vector corrector de errores

En el cuadro 6 se muestran los resultados de causalidad a corto y largo plazo para el modelo que incluye energía geotérmica, que es el único que muestra efectos de largo plazo. En el largo plazo, existe evidencia de causalidad de las variables K, C, AE y G a un nivel de significancia de 1%, lo que implica que una reducción de la producción de energía geotérmica y en el capital o un incremento de la contaminación y la apertura económica afectaría negativamente en el crecimiento del producto. También existe una relación de causalidad de largo plazo al 1% de significancia cuando se toma como variable dependiente a K y G, en cambio para C la relación de causalidad de largo plazo es un nivel de significancia del 5%, pero con signo positivo por lo cual no habría convergencia. En el corto plazo, destaca la relación causal a corto plazo bidireccional entre C y G al 1% de significancia, la relación causal a corto plazo bidireccional entre Y y G al 1% de significancia, así mismo el signo positivo de G en el caso de la variable dependiente Y, muestra que en el corto plazo una reducción de la producción geotérmica afectaría negativamente en el crecimiento del producto. En la parte inferior del cuadro 6 se presentan los estadísticos de las pruebas diagnóstico, que muestran que los modelos cumplen con los supuestos de normalidad y buena especificación, la inexistencia de heterocedasticidad y autocorrelación.

Para verificar la robustez de los resultados, también se aplicó la metodología alternativa de Toda y Yamamoto (1995). Los resultados del cuadro 7, muestran que existe una causalidad fuerte de largo plazo de la producción de energía geotérmica al crecimiento económico. No obstante, esta relación no se puede confirmar que sea bidireccional. Así mismo tanto la contaminación como el capital tienen fuerte poder de explicación causal sobre el crecimiento económico. Por su parte, solo la tasa de desempleo tiene poder de explicación causal con un nivel de significancia del 5% en la producción de energía geotérmica.

4. Discusión de resultados

En esta investigación se cuantifica empíricamente el efecto entre la producción energía (renovable y no renovable) y el crecimiento económico en México en el periodo alrededor de la reforma energética de 2014, para ello se utiliza un modelo de cointegración ARDL y pruebas de causalidad. Se encuentra que la producción de energía en sus diferentes fuentes es similar a lo identificado en Gómez et al. (2015) y en Odugbesan y Rjoub (2020).

El principal objetivo de la reforma energética fue incrementar la producción de energía renovable, buscando disminuir la dependencia de la producción de energía más contaminante y respetar los tratados internacionales del cuidado del medio ambiente. Cuando se analizan los efectos entre la producción de energía renovable y no renovable no se identifican efectos de largo plazo similares a los resultados de Bhattacharya et al. (2016).

Sin embargo, cuando se analizan los efectos individuales de cada fuente de energía renovable se identifica que las fuentes de generación que son altamente dependientes de temporalidad y características no controlables, como lo son las horas de sol (fotovoltaica), la fuerza del viento (eólica) o la fuerza de corrientes de agua (hidroeléctrica), no han mostrado tener impactos reales sobre el crecimiento económico. Estos resultados concuerdan con lo identificado por Pérez et al. (2020), donde se muestra que, para países de la península ibérica, debido a diferencias climáticas algunos países se ven favorecidos en mayor medida por el consumo de energía solar o energía eólica.

En este sentido, para el caso mexicano en el periodo analizado, la producción de energía geotérmica es la única que muestra efectos causales de largo plazo en el crecimiento económico. Esto bien se puede deber a que México es el cuarto productor a nivel mundial de energía geotérmica, con sus 5 centrales de producción propiedad de la Comisión Federal de Electricidad en Baja California con la mayor capacidad instalada, seguida de Michoacán, Puebla, Baja California Sur y Jalisco (Alemán et al., 2014).

Conclusiones

Este estudio se basa en la pregunta de si el impacto de todas las fuentes de energía en el crecimiento económico debe considerarse igual para el caso de México de 2013 a 2020. Se utilizan las siguientes variables de control: la fuerza laboral, el capital físico, la contaminación y la apertura economía. Se analizan los impactos individuales de la generación de energía no renovable y renovable (hidráulica, solar, eólica y geotérmica). Las relaciones causales a largo plazo se midieron utilizando un modelo autorregresivo de rezago distribuido con vectores de corrección de errores.

Para el análisis empírico, lo primero es que cada serie de energía se debe desestacionalizar para evitar sesgos en las pruebas, ya que casi todas las fuentes de energía muestran una variación estacional significativa, excepto las no renovables. Lo siguiente es realizar una prueba de raíz unitaria para determinar el nivel de estacionariedad, encontrando que las variables tienen diferentes niveles de estacionariedad, para solucionar esto se utiliza como la prueba de cointegración al límite ARDL propuesto por Pesaran. Encontrando que solo para el caso de la producción de energía geotérmica existe una relación de largo plazo significativa.

El modelo ARDL con vector corrector de errores mostró que las variables de control capital, fuerza laboral, contaminación y apertura económica, ayudan en la estimación de efectos de largo plazo, con lo cual se identificó que, para el caso específico de la producción de energía geotérmica, estos efectos son positivos tanto en el corto como en el largo plazo. Así mismo, las pruebas de causalidad de largo plazo utilizando la metodología de ARDL-VEC se identificó la hipótesis de retroalimentación. Por otro lado, utilizando la metodología de Toda y Yamamoto, la hipótesis que mejor explica el comportamiento entre las variables es la hipótesis de crecimiento.

Estos resultados pueden ser útiles para los tomadores de decisiones que quieran impulsar el crecimiento económico: pueden hacerlo con el uso de mayor cantidad de energías renovables que impactan directamente al crecimiento económico, para el caso mexicano un mayor impulso a la producción de energía geotérmica se identificó como la única en mostrar efectos causales de largo plazo.

La principal contribución de esta investigación reside en que al medir los efectos de la producción de energía deberían buscarse maneras para evaluar los efectos desagregados que no generen sesgos de interpretación. Una limitación de esta investigación es el periodo de análisis (2013-2020) que se usó para obtener información desagregada. Las estimaciones pueden cambiar con la incorporación de una muestra temporal más grande.

Como futuras líneas de investigación se puede analizar cómo han sido los efectos a través del impulso de la generación de energía limpia a través de las metas planteadas por diferentes organismos públicos. También se recomienda analizar si los efectos diferenciados se pueden explicar por las diferencias en la reducción de la contaminación o de los incrementos de la productividad.

Referencias

Abdollahi, Hooman (2020). Investigating Energy Use, Environment Pollution, and Economic Growth in Developing Countries. Environmental and Climate Technologies, 24(1), 275-293. https://tinyurl.com/2ueyyxad

Abid, Mehdi (2020). The long-run and short-run effects of oil price on energy consumption in Tunisia: Evidence from structural breaks analysis. Energy Sources, Part B: Economics, Planning, and Policy, 15(4), 252-277. https://tinyurl.com/mryrk6dd

Abid, Nabila., Wu, Jianzu., Ahmad, Fayyaz., Draz, Muhammad., Chandio, Abbas y Xu, Hui (2020). Incorporating Environmental Pollution and Human Development in the Energy-Growth Nexus: A Novel Long Run Investigation for Pakistan. Int. J. Environ. Res. Public Health, 17(14), 51-54. https://www.mdpi.com/1660-4601/17/14/5154

Acemoglu, Daron y Robinson, James A. (2012). Por qué fracasan los países. Los orígenes del poder, la prosperidad y la pobreza. Barcelona: Deusto.

Adebayo, Tomiwa y Rjoub, Husam (2021). Assessment of the role of trade and renewable energy consumption on consumption-based carbon emissions: evidence from the MINT economies. Environmental Science and Pollution Research, 28(1), 58271–58283. https://tinyurl.com/547m2udf

Acheampong, Alex., Boateng, Elliot., Amponsah, Mary y Dzator, Janet (2021) Revisiting the economic growth-energy consumption nexus: Does gloalization matter?. Energy Economics, 102(1), 1-18. https://www.sciencedi-rect.com/science/article/pii/S0140988321003583

Adebayo, Tomiwa., Awosusi, Ayovamiji y Adeshola, Ibrahim (2020). Determinants of CO2 Emissions in Emerging Markets: An Empirical Evidence from MINT Economies. International Journal of Renewable Energy De- velopment, 9(1), 411-422. https://tinyurl.com/4hak7xs3

Alemán, Gibran, Casiano, Victor, Cárdenas, Diana, Díaz, Rocio, Scarlat, Nicolae, Mahlknecht, Jurgen, Dallemand, Jean y Parra, Roberto (2014). Renewable energy research progress in Mexico: A review. Renewable and Sustainable Energy Reviews, 32(1), 140-153. https://www.sciencedirect.com/science/article/pii/S1364032114000148

Alsaedi, Yasir, Anand, Tularam y Wong, Victor (2020). Impact of Solar and Wind Prices on the Integrated Global Electriciy Spot and Options Markets: A Time Series Analysis. International Journal of Energy Economics and Policy, 10(2), 337-353. https://www.econjournals.com/index.php/ijeep/ar-ticle/view/8939

Alvarado, Rafael; Ponce, Pablo; Alvarado, Raquel, Ponce, Katerine, Huachizaca, Viviana y Toledo, Elisa (2019). Sustainable and non-sustain- able energy and output in Latin America: A cointegration and causality approach with panel data. Energy Strategy Reviews,26(1), 1-10. https://www.sciencedirect.com/science/articl/pii/S2211467X19300562

Amblard, Pierre y Michel, Olivier (2013) The Relation between Granger Causality and Directed Information Theory: A Review. Entropy, 15(1), 113- 143. https://www.mdpi.com/1099-4300/15/1/113

Arrow, Kenneth (1962) The Economic Implications of Learning by Doing. The Review of Economic Studies, 29(3), 155–173. https://www.jstor.org/stable/2295952

Ayres, Robert y Kneese, Allen (1969). Production, Consumption & Externalities. American Economic Review, 59(1), 282-296. https://www.jstor.org/stable/pdf/1808958.pdf

Azam, Anam, Rafiq, Muhammad, Shafique, Muhammad, Ateeq, Muhammad y Yuan, Jiahai (2021). Investigating the impact of renewable electricity consumption on sustainable economic development: a panel ARDL approach. International Journal of Green Energy, 18(11), 1185-1192. https://tinyurl.com/2p9eyp8f

Balsalobre, Daniel, Ibañez, Luzon, Usman, Muhammad y Shahbaz, Muhammad (2021). The environmental Kuznets curve, base on the economic complesity, and the pollution haven hypothesis in PIIGS countries. Re- newable Energy, 185(1), 1441-1455. https://tinyurl.com/49jvd9ks

Bekun, Festus, Gyamfi, Bridght, Onifade, Stephen y Agboola, Mary (2021). Beyond the environmental Kuznets Curve in E7 economies: Accounting for the combined impacts of institutional quality and renewables. Journal of Cleaner Production, 314(1), 1-10. https://tinyurl.com/bdhvknxa

Belloumi, Mounir (2013). The relationship between trade, FDI and economic growth in Tunisia: An application of the autoregressive distributed lag model. Economic Systems, 38(1), 269–287. https://tinyurl.com/feu5fhjx

Ben, Mehdi y Ben, Slim (2015). Output, renewable and non-renewable energy consumption and international trade: evidence from a panel of 69 countries. Renewable Energy, 83(1), 799–808. https://www.sciencedirect.com/science/article/abs/pii/S096014811500350X

Ben, Mehdi, Ben, Slim y Ozturk, Ilhan (2016). Testing environmental Kuznets curve hypothesis: the role of renewable and non-renewable energy consumption and trade in OECD countries. Ecological Indicators, 60(1), 824–831. https://www.sciencedirect.com/science/article/abs/pii/S1470160X15004525

Bhattacharya, Mita, Reddy, Sudharshan, Ozturk, Ilhan y Bhattacharya, Sankar (2016). The effect of renewable energy consumption on economic growth: Evidence from top 38 countries. Applied Energy, 162(1), 733-741. https://www.sciencedirect.com/science/article/abs/pii/S0306261915013318

Brock, William y Taylor, Scott (2004). The Green Solow model. Journal Economic Growth, 15(1), 127–153. https://www.nber.org/papers/w10557

Busu, Mihail. (2020). Analyzing the Impact of the Renewable Energy Sources on Economic Growth at the EU Level Using an ARDL Model. Mathematics, 8(8), 1367. https://www.mdpi.com/2227-7390/8/8/1367

Carrasco, Carlos y Ferreiro, Jesus (2011). Inflation Targeting and Economic Performance: The Case of Mexico. Panoeconomicus, 58(5), 675-692. https://ideas.repec.org/a/voj/journl/v58y2011i5p675-692.html

Çelik, Orkun (2021). Assessment of the relationship between renewable energy and employment of the United States of America: Empirical evidence from spectral Granger causality. Environmental Sciemce and Pollution Research, 28(11), 13047–13054. https://pubmed.ncbi.nlm.nih.gov/33484454/

Consejo de Energía Mundial (2016). World Energy Scenarios 2016. Reino Unido https://tinyurl.com/ywhepdmn

Dickey, David y Fuller, Wayne (1979). Distribution of the Estimators for Autorregresive Time Series with a Unit Root. Journal of the American Statistical Association, 74(366), 427-431. https://www.jstor.org/stable/2286348

El Moummy, Chama, Salmi, Yahya y Baddih, Hindou (2021). The role of renewable energy sector in reducing unemployment: The Moroccan case. E3S Web of Conferences, 234, 1-6. https://tinyurl.com/2s3st6vy

Etokakpan, Mfonobong, Solarin, Sakiru, Yorucu, Vedutu, Bekun, Festus y Sarkodie, S. (2020) Modeling natural gas consumption, capital formation, globalization, CO2 emissions and economic growth nexus in Malaysia: Fresh evidence from combined cointegration and causality analysis. Energy Strategy Reviews, 31(1), 1-11. https://www.sciencedirect.com/science/article/pii/S2211467X20300791

Engle, Robert y Granger, Clive (1987). Cointegration and Error Correction: Representation, Estimation and Testing. Econometrica, 55(2), 251-276. https://doi.org/10.2307/1913236

Georgescu-Roegen, Nicholas (1977). The steady state and ecological salvation: A thermodynamic analysis. BioScience, 27(4), 266–270. https://www.jstor.org/stable/1297702

Gómez, Mario, Ciarreta, Aitor y Zarraga, Ainhoa (2015). Linear and Non-linear Causality between energy consumption and economic growth: the case of Mexico 1965–2014. Energies, 11(4), 748. https://www.mdpi.com/1996-1073/11/4/784

Gómez, Mario, Ciarreta, Aitor y Zarraga, Ainhoa (2018). Consumo de energía, crecimiento económico y comercio: Un análisis de causalidad para México. EconoQuantum, 15(1), 53-72. https://tinyurl.com/5a837xdk

Gonçalves, Solange, Rodriguez, Thiago y Chagas, André (2020). The impact of wind power on the Brazilian labor market. Renewable and Sustainable Energy Reviews, 128 (1), 1-38. https://www.sciencedirect.com/science/ar-ticle/abs/pii/S1364032120301805

Granger, Clive (1988). Some Recent Development in a Concept of Causality. Journal of Econometrics, 39 (1-2), 199-211. https://www.sciencedirect.com/science/article/abs/pii/0304407688900450

Gutiérrez, Roberto (2014). Reformas estructurales de México en el sexenio de Felipe Calderón: la energética. Economía UNAM, 11(32), 32-58. https://tinyurl.com/34zp8wcd

Hdom, Helde y Fuinhas, Jose (2020). Energy production and trade openness: Assessing economic growth, CO2 emissions and the applicability of the cointegration analysis. Energy Strategy Reviews, 30(1), 100488. https://www.sciencedirect.com/science/article/pii/S2211467X20300419

He, Zonglu y Maekawa, Koichi (2001). On spurious Granger causality, Eco- nomics Letters. Elsevier, 73(3), 307-313. https://www.sciencedirect.com/science/article/abs/pii/S0165176501004980

Helpman, Elhanan y Krugman, Paul (1985). Market Structure and Foreign Trade. Increasing Returns, Imperfect Competition, and the International Economy. MA: MIT Press, Cambridge.

Hicks, Jhon (1932) The Theory of Wages. Macmillan, London.

Ibarra, Raul. (2022). The Yield Spread as a Predictor of Economic Activity in Mexico: The Role of the Term Premium. Working Paper Banco de México. https://economia.lacea.org/Forthcoming%20papers/ibarra_yield_spread.pdf

Ike, George, Usman, Ojonugwa, Adewale, Andrew y Sarkodie, Samuel (2020). Environmental quality effects of income, energy prices and trade: The role of renewable energy consumption in G-7 countries. Science of the Total Environment, 721(1), 1-10. https://www.sciencedirect.com/science/article/pii/S0048969720313255

INEGI (2018). Metodología del ajuste estacional 2017. Instituto Nacional de Estadística y Geografía. Recuperado de https://tinyurl.com/hfhajnpa

INEGI (2022). Banco de Información Economica (BIE). Recuperado de https://www.inegi.org.mx/app/indicadores/?tm=0#bodydataExplorer

IRENA (2015). Renewable Energy Prospects: Mexico, REmap 2030 analysis. IRENA, Abu Dhabi.

IRENA (2020) What are the latest trends in renewable energy?. IRENA https://tinyurl.com/bdheh8np

Islas, Jorge, Manzini, Fabio y Martínez, Manuel (2001). Reduction of green- house gases using renewable energies in Mexico. International Journal of Hydrogen, 26(2), 145-149. https://www.sciencedirect.com/science/article/abs/pii/S0360319900000422

Kirchgässner, Gebhard y Wolters, Jürgen (2007). Introduction to Modern Time Series Analysis. Springer.

Kraft, Jhon y Kraft, Arthur (1978). On the relationship between energy and GNP. The Journal of Energy and Development, 3(2), 401-403. https://www.jstor.org/stable/24806805

Latief, Rashid, Kong, Yushend, Peng, Yuanyuan y Javeed, Sohail (2020). Conceptualizing Pathways of Sustainable Development in the Union for the Mediterranean Countries with an Empirical Intersection of Energy Consumption and Economic Growth. International Journal Environmental Research Public Health, 17(15), 5614. https://www.mdpi.com/1660-4601/17/15/5614

Le, Hoang (2020). The energy-growth nexus revisited: the role of financial development, institutions, government expenditure and trade openness. Helyon, 6(7), e04369. https://www.sciencedirect.com/science/article/pii/S2405844020312135

Le, Hoang y Bach, Dang (2020). The energy consumption structure and African EMDE´s sustainable development. Helyon, 6(4), e03822. https://www.sciencedirect.com/science/article/pii/S2405844020306678

Le, Hoang y Sarkodie, Samuel (2020). Dynamic linkage between renewable and conventional energy use, environmental quality and economic growth: Evidence from Emerging Market and Developing Economies. Energy Reports,6 (1), 965-973. https://www.sciencedirect.com/science/article/pii/S2352484719307802

Loaiza, Veronica (2018). Crecimiento económico y el uso de energía sustentable y no sustentable: un enefoque del caso ecuatoriano usando técnicas de cointegración. Revista Killkana Scoiales, 2 (3), 75-86. https://dialnet.unirioja.es/servlet/articulo?codigo=6584510

Lutkepohl, Helmut (1982). Non-causality due to omitteg variables. J. Ecometrics. 19(2-3), 367-378. https://www.sciencedirect.com/science/article/abs/pii/0304407682900112

Maji, Ibrahi., Sulaiman, Chindo y Rahim, Abdul (2019). Renewable energy consumption and economic growth nexus: Afresh evidence from West Africa. Energy Reports, 5(1), 384-392.

Marinaș, Marius, Dinu, Marin, Socol, Aura y Socol, Cristian (2018). Renewable energy consumption and economic growth. Causality relationship in Central and Eastern European countries. PLoS ONE, 13(10), e0202951. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0202951

Mele, Marco (2019). Renewable energy consumption: The effects on economic growthinMexico.InternationalJournalofEnergyEconomicsandPolicy,9(3), 269-273. https://www.econjournals.com/index.php/ijeep/article/view/7460

Menegaki, Angeliki (2019). The ARDL Method in the Energy-Growth Nexus Field; Best Implementation Strategies. Economies, 7(4), 1-16. https://www.mdpi.com/2227-7099/7/4/105

Miranda, Raul, Hausler, Robert, Lopez, Rabindranarth, Glaus, Mathias y Pasillas-Diaz, Jose (2020). Testing the Environmental Kuznets Curve Hypothesis in North America´s Free Trade Agreement (NAFTA) Countries. Energies, 13(12), 1-13.

Nguyen, Ha y Ngoc, Bui (2020). Energy Consumption – Economic Growth Nexus in Vietnam: An ARDL Approach with a Structural Break. The Journal of Asian Finance, Economics and Business, 7(1), 101-110. http://kore-ascience.or.kr/article/JAKO202014862061742.page

Bryner, Nicholas (2016). People of the Sun: Leveraging Electricity Reform to Promote Renewable Energy and Climate Change Mitigation in Mexico. Natural Resources Journal, 56(2), 329- 350. https://digitalrepository.unm.edu/nrj/vol56/iss2/7/

Nordhaus, William (1973). The Allocation of Energy Resources. Brookings Papers on Economic Activity, 4(3), 529-576. https://www.jstor.org/stable/pdf/2534202.pdf

Nordhaus, William (1977). Economic Growth and Climate: The Carbon Dioxide Problem. The American Economic Review, 67(1), 341–346. https://www.jstor.org/stable/1815926

Odugbesan, Jamiu y Rjoub, Husam (2020). Relationship Among Economic Growth, Energy Consumption, CO2 Emission, and Urbanization: Evidence From MINT Countries. SAGE open, 1(15), 1-15. https://journals.sagepub.com/doi/pdf/10.1177/2158244020914648

Ozcan, Burcu, Tzeremes, Panayiotis y Tzeremes, Nickolaos (2020). Energy consumption, economic growth and environmental degradation in OECD countries. Economic Modelling, 80, 203-2013. https://www.sciencedirect.com/science/article/abs/pii/S0264999318313245

Parab, Narayan., Naik, Ramashanti y Reddy, Y. (2020). Renewable Energy, Roreign Direct Investment and Sustainable Development: An Empirical Evidence. International Journal of Energy Economics and Policy, 10(5), 479-484.

Payne, James.(2010). Survey of the international evidence on the causal rela tionship between energy consumption and growth. Journal of Economic Studies, 37, 37–53. https://tinyurl.com/asheuw9a

Pérez, Ismael; García, Agustin y Maldonado, Juan (2020). Energy Transition Towards a Greener and More Competitive Economy: The Iberian Case. Sustainability, 12(8), 33-43. https://www.mdpi.com/2071-1050/12/8/3343

Pesaran, Hashem, Shin, Yongcheol y Smith, Ron (1999). Pooled mean group estimation of dynamic heterogeneous panels. Journal of the American Statistical Association, 94(446), 621-634. https://ideas.repec.org/p/edn/esedps/16.html

Pesaran, Hashem, Shin, Yongcheol y Smith Ron (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16, 289-326. https://ideas.repec.org/a/jae/japmet/v16y-2001i3p289-326.html

Phillips, Peter y Perron, Pierre. (1988). Testing for a unit roots in a time series regression. Biometrika. 75(2), 335-346. https://www.jstor.org/sta-ble/2336182

Pilatowska, Mariola, Geise, Andrzej y Włodarczyk, Aneta (2020). The Effect of Renewable and Nuclear Energy Consumption on Decoupling Economic Growth from CO2. Emissions in Spain. Energies, 13(9), 21-24. https://tinyurl.com/yee2yems

Qamruzzaman, Md y Jianguo Wei (2020).The asymmetric relationship between financial development, trade openness, foreign capital flows, and renewable energy consumption: Fresh evidence from panel NARDL investigation. Renewable Energy, 159, 827-842. https://ideas.repec.org/a/eee/renene/v159y2020icp827-842.html

Rafindadi, Abdulkadir y Ozturk, Ilhan (2016). Effects of financial development, economic growth and trade on electricy consumption: Evidence from post-Fukushima Japan. Renewable and Sustainable Energy, 54, 1073-1084. https://www.sciencedirect.com/science/article/abs/pii/S1364032115011028

Raza, Muhammad, Ahmed, Ahmed, Alshebami, Ali y Polyakova, Aleksandra (2020). Renewable energy use and its effects on environment and economic growth: Evidence from Malaysia. International Journal of Energy Economics and Policy, 10(5), 50-57. https://www.econjournals.com/index.php/ijeep/article/view/10219

Razmi, Seyedeh, Ramezanian, Bajgiran, Behname, Mehdi, Salari, Taghi y Razmi, Seyed (2020). The relationship of renewable energy consumption to stock market development and economic growth in Iran. Renewable Energy, 145, 2019-2024. https://profdoc.um.ac.ir/articles/a/1075936.pdf

Said, Said y Dickey, David (1984). Testing for Unit Roots in Autoregressive-Moving Average Models of Unknown Order. Biometrika, 71(3), 599-607. https://www.ssc.wisc.edu/~bhansen/718/SaidDickey1984.pdf

Romer, Paul (1990). Endogenous Technological Change. Journal of Political Economy, 98, 71-102. https://www.jstor.org/stable/2937632

SCICA (2022) Monitoreo automatico de emisiones de CO. http://scica.inecc.gob.mx/exec/addl

SEGOB. (2013). Plan Nacional de Desarrollo. 2013-2018. Programa especial para el aprovechamiento de energías renovables. https://tinyurl.com/dvjrs7y4

SENER (2020). Programa Sectorial de Energía 2020-2024. Secretaría de Energía. https://tinyurl.com/4974cmxf

Shahbaz, Muhammad, Nasreen, Samia, Ling, Chong y Sbia, Rashid (2014). Causality between Trade Openness and Energy Consumption: What Causes What in High, Middle and Low Income Countries. The Pakistan Development Review, 53(4), 423–458. https://www.sciencedirect.com/sci-ence/article/abs/pii/S0301421514001761

Shrestha, Min, y Bhatta, Guna (2018). Selecting appropriate methodologi- cal framework for time series data analysis. The Journal of Finance and Data Science, 4(2), 71-89. https://www.sciencedirect.com/science/article/pii/S2405918817300405

SIE (2022) Generación bruta de CFE más PIEs por tecnología. Sistema de información energética. https://sie.energia.gob.mx/bdiController.do?action=cuadro&cvecua=IIIA1C05

Singh, Nadia, Nyuur, Richard y Richmond, Ben (2019). The work that goes into renewable energy. Washington: Renewable Energy Policy Project (REPP). https://globalurban.org/The_Work_that_Goes_into_Renewable_Energy.pdf

Solow, Robert (1956). Contribution to the Theory of Economic Growth, The Quarterly Journal of Economics, 70(1), 65–94. http://piketty.pse.ens.fr/files/Solow1956.pdf

Solow, Robert (1974). The Economics of Resources or the Resources of Eco- nomics. The American Economic Review, 64(2), 1–14. https://www.uvm.edu/~jfarley/237/solow%20e%20of%20r.pdf

Stock, James y Watson, Mark (2001). Vector Autoregressions. Journal of Economic Perspectives, 15(4), 101-115. https://www.aeaweb.org/articles?id=10.1257/jep.15.4.101

Sulub Yasin, Hamid, Zarinah y Nazri Mior (2020). Renewable energy supply and economic growth in malaysia: An application of bounds testing and causality analysis. International Journal of Energy Economics and Policy, 10(3), 255-264. https://www.econjournals.com/index.php/ijeep/article/view/8980

Toda, H. y Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66 (1-2), 225–250. https://www.sciencedirect.com/science/article/abs/pii/0304407694016168

Tong, Teng, Ortiz, Jaime, Xu, Chuanhua y Li, Fangjhy (2020). Economic growth, energy consumption, and carbon dioxide emissions in the E7 countries: a bootstrap ARDL bound test. Energy, Sustainability and Society, 10(1), 1-17. https://energsustainsoc.biomedcentral.com/articles/10.1186/s13705-020-00253-6

Tsaurai, Kunofiwa y Ngcobo, Lindiwe (2020). Renewable Energy Consumption, Education and Economic Growth in Brazil, Russia, India, China, South Africa. International Journal of Energy Economics and Policy, 10(2), 26-34. https://www.econjournals.com/index.php/ijeep/article/view/8497

Tursoy, Turgut y Faisal, Faisal (2018). The impact of gold and crude oil prices on stock market in Turkey: Empirical evidences from ARDL bounds test and combined cointegration. Resources Policy, 55(1), 49–54. https://www.sciencedirect.com/science/article/abs/pii/S0301420717300727

Usman, Muhammad, Kousar, Rakhshanda, Rizwan, Muhammad y Sohail, Muhammad (2020). An empirical nexus between economic growth, energy utilization, trade policy, and ecological footprint: a continent-wise comparison in upper-middle-income countries. Environmental Science and Pollution Research, 27, 38995–39018. https://tinyurl.com/9hjw4ka4

Yang, Minyoung y Kim, Jinsoo (2020). Revisiting the Relation between Re- newable Electricity and Economic Growth: A Renewable–Growth Hypothesis. Sustainability, 12(8), 3121. https://tinyurl.com/57heyhz8

Additional information

Clasificación JEL: O20, Q40, Q42.