ALFA. Revista de Investigación en Ciencias Agronómicas y Veterinarias
Enero-abril 2024 / Volumen 8, Número 22
ISSN: 2664-0902 / ISSN-L: 2664-0902
https://revistaalfa.org
pp. 176 – 190
Análisis de
Emisiones de CO2 en Perú a través de componentes Principales y
clasificación jerárquica
Analysis of CO2 Emissions in Peru
through Principal Components and Hierarchical Classification
Análise de
Emissões de CO2 no Peru através de Componentes Principais e Classificação Hierárquica
Julio Cesar Quispe Mamani 1
jcquispe@unap.edu.pe
https://orcid.org/0000-0002-3938-1459
Charles Arturo Rosado Chávez 2
charlesrosado575@gmail.com
http://orcid.org/0000-0002-8441-6905
Lucas Ponce Quispe 1
lucasponce2070@gmail.com
https://orcid.org/0000-0002-0294-1475
Marcial Guevara Mamani 1
mguevara@unap.edu.pe
http://orcid.org/0000-0003-3545-1306
German Roberto Quispe Zapana 1
germanroberto5@gmail.com
https://orcid.org/0000-0002-2657-7460
Manuel Timoteo Enriquez Tavera 1
menriqueztavera@gmail.com
https://orcid.org/0000-0001-9372-2413
1Universidad Nacional
del Altiplano. Puno, Perú
2Universidad Nacional
de Moquegua. Moquegua, Perú
Artículo recibido 30 de noviembre
2023 | Aceptado 20 de diciembre 2023 | Publicado 20 de enero 2024
Escanea en tu dispositivo móvil
o revisa este artículo en:
https://doi.org/10.33996/revistaalfa.v8i22.257
RESUMEN
La emisión de CO2
tiene dentro de sus impactos negativos su contribución al calentamiento global
del planeta. El objetivo de la investigación fue examinar las relaciones entre
fuentes de emisiones y remociones de CO2 a través de un análisis de componentes
principales (ACP) y conglomerados jerárquicos. La investigación se desarrolló
mediante un diseño observacional de cohorte retrospectivo. Fueron analizados
datos públicos del Inventario Nacional de Gases de Efecto Invernadero (INGEI)
en el período 2000-2019. Los resultados muestran que los sectores relacionados
con la Agricultura, Silvicultura y Otros Usos de la Tierra (ASOUT) son los que
más generan CO2 a la atmósfera. El ACP permitió reducir la información
disponible de 78 variables a siete CP y dos cluster. Se concluye que la
aplicación de ACP permitió identificar patrones en los datos resultantes de la
clasificación de las fuentes y sumideros generadores de emisiones de CO2 en
diferentes sectores económicos del país.
Palabras clave: Análisis de Componentes Principales; Calentamiento global; Cambio
climático; Dióxido de carbono; Fuentes de Dióxido de carbono; Gases de efecto
invernadero
ABSTRACT
The emission of CO2,
among its negative impacts, contributes to the global warming of the planet.
The objective of the research was to examine the relationships between sources
of CO2 emissions and removals through a Principal Component Analysis (PCA) and
Hierarchical Classification. The study was conducted using a retrospective
observational cohort design. Public data from the National Greenhouse Gas
Inventory (INGEI) for the period 2000-2019 were analyzed. The results indicate
that sectors related to Agriculture, Forestry, and Other Land Uses (ASOUT) are
the major CO2 emitters. The PCA reduced the available information from 78
variables to seven principal components and two clusters. It is concluded that
the application of PCA helped identify patterns in the data resulting from the
classification of sources and sinks generating CO2 emissions in different
economic sectors of the country.
Key words: Principal Component Analysis; Global Warming;
Climate Change; Carbon Dioxide; Carbon Dioxide Sources; Greenhouse Gases
RESUMO
A emissão de CO2,
entre seus impactos negativos, contribui para o aquecimento global do planeta.
O objetivo da pesquisa foi examinar as relações entre fontes de emissões e
remoções de CO2 por meio de uma análise de Componentes Principais (ACP) e
Classificação Hierárquica. O estudo foi conduzido por meio de um desenho
observacional de coorte retrospectivo. Foram analisados dados públicos do
Inventário Nacional de Gases de Efeito Estufa (INGEI) no período de 2000 a
2019. Os resultados mostram que os setores relacionados à Agricultura,
Silvicultura e Outros Usos da Terra (ASOUT) são os maiores geradores de CO2 na
atmosfera. O ACP reduziu a informação disponível de 78 variáveis para sete CP e
dois clusters. Conclui-se que a aplicação do ACP permitiu identificar padrões
nos dado resultante da classificação das fontes e sumidouros geradores de
emissões de CO2 em diferentes setores econômicos do país.
Palavras-chave: Análise de Componentes Principais; Aquecimento Global;
Mudanças Climáticas; Dióxido de Carbono; Fontes de Dióxido de Carbono; Gases de
Efeito Estufa
INTRODUCCIÓN
En la actualidad los efectos negativos y nocivos que
afectan el medio ambiente son, cada vez más significativos y más evidentes a
nivel mundial, resaltan entre los mayores problemas con peculiaridad aquellos
que causan daño a la capa de ozono, además los que contribuyen con el
calentamiento global, así como la contaminación en zonas urbanas. En este
sentido, unas de las causas principales de estos problemas o fenómenos son por
las emisiones de dióxido de carbono (CO2), gas considerado como el
de mayor efecto invernadero que se emite a raíz de las actividades del ser
humano (1).
Las emisiones de dióxido de carbono (CO2)
provocan el fenómeno conocido como efecto invernadero. Este efecto se produce
cuando el CO2 y otros gases, como el ozono, vapor de agua, óxido
nitroso, entre otros, se acumulan en la atmósfera, reteniendo el calor generado
por la radiación solar. Estos gases, denominados gases de efecto invernadero,
son resultado tanto de procesos naturales, como la evaporación de los mares y
las erupciones volcánicas, como de actividades humanas, principalmente
industriales. La naturaleza tiene una capacidad de absorción de estos gases,
sin que se produzcan cambios significativos en el medio ambiente. Sin embargo,
en años recientes, el crecimiento poblacional y el aumento de la actividad
económica han generado una mayor emisión de estos gases por encima de la
capacidad de absorción natural. Esto ha resultado en un incremento de las
temperaturas y alteraciones en las condiciones ambientales (2).
Para el año 2022 a nivel mundial las emisiones totales
de dióxido de carbono (CO2) tuvo un aumento de más de 200 millones
de toneladas, este aumento fue el mayor de la historia en términos absolutos,
las emisiones mundiales de dióxido de carbono que tienen relación con la
energía alcanzaron los 36 millones de toneladas, estableciendo el nivel más
alto registrado ya que debido a la pandemia la economía mundial tuvo que
dinamizarse con mayor rapidez e impulsar esta recuperación y crecimiento
dependió en mayor nivel del carbón, según el análisis de la Agencia
Internacional de la Energía (AIE) (3-5).
En 2021, las emisiones de CO2 en el Perú han crecido 8,557 megatoneladas, esto significa un
crecimiento de un 18,37% respecto al año anterior 2020. Las emisiones del
dióxido de carbono CO2 en el año 2021 han sido equivalentes a 55,144
megatoneladas, con lo que Perú se sitúa como el país número 129 en el ranking de
países por emisiones de dióxido de carbono CO2, formado por 184 países en total, en el que se
ordenan los países de menos a más contaminantes (6).
Un mecanismo creado a nivel mundial para el
tratamiento a este problema fue la Convención Marco de las Naciones Unidas
sobre el Cambio Climático, la cual entró en vigor el 21 de marzo de 1994. Hoy
en día, tiene una membresía casi universal. Los 197 países que han ratificado
la Convención se denominan Partes en la Convención. El objetivo final es
estabilizar las concentraciones de gases de efecto invernadero "a un nivel
que impida interferencias antropógenas (inducidas por el hombre) peligrosas en
el sistema climático". Establece que "ese nivel debería alcanzarse en
un plazo suficiente para permitir que los ecosistemas se adapten naturalmente
al cambio climático, asegurar que la producción de alimentos no se vea
amenazada y permitir que el desarrollo económico prosiga de manera
sostenible" (7).
En este sentido, el Gobierno del Perú, como otros
países dan a conocer a la comunidad nacional e internacional su Inventario
Nacional de Gases de Efecto Invernadero (INGEI), en cumplimiento de los
compromisos y obligaciones contraídas como parte de la Convención Marco de las
Naciones Unidas sobre el Cambio Climático (CMNUCC) (8,9). En la elaboración del
INGEI, se incluyen las categorías y subcategorías fuentes de emisiones y
remociones existentes en el país en las cuales se contó información sobre los
de datos de actividad, factores de emisión y los parámetros necesarios para las
estimaciones. Es así como, las principales categorías son: Energía, Procesos
Industriales y uso de productos, Agricultura, silvicultura y otros usos de la
tierra y por último Desechos, cada una de estas tiene subcategorías que las
componen, las cuales para el caso del gas que es objeto de análisis totalizan
hasta el 2019 unas 78 actividades.
Por otra parte, el análisis de componentes principales
(ACP) es una técnica multivariada que se emplea para examinar las relaciones
entre varias variables cuantitativas. Permite reducir el número de variables
originales disponibles en un pequeño conjunto de combinaciones lineales de las
variables originales y brindar una explicación a la estructura de varianza del
gran volumen de información medida (10). Lo cual podría ser útil en el caso que
se presenta donde la información objeto de análisis referida a la emisión de
CO2 está contenida en 78 variables.
Inicialmente, PCA fue introducido por Pearson en el
contexto de variables no aleatorias y posteriormente extendido a variables
aleatorias por Hotelling. Este método permite reducir eficazmente la
dimensionalidad de un conjunto de datos al tiempo que conserva la varianza
principal. Esta reducción se logra mediante una transformación ortogonal que
convierte los datos en un nuevo conjunto de índices, conocidos como CPs, que
cumplen dos criterios fundamentales: (i) Cada CP es una combinación lineal de
las variables originales. (ii) Los CPs son mutuamente no correlacionados. El
primer CP captura la mayor cantidad de información del índice original, y cada
CP subsiguiente interpreta la proporción de variabilidad que no ha sido
explicada por sus predecesores (11,12).
A partir de los elementos expuestos, el objetivo de
esta investigación es examinar las relaciones entre las fuentes de emisiones y
remociones de CO2 utilizadas para la elaboración del Inventario
Nacional de Gases de Efecto Invernadero en el Perú a través de un análisis de
componentes principales y clasificación jerárquica.
MATERIALES Y MÉTODOS
La investigación se
desarrolló mediante un diseño observacional de cohorte retrospectivo según ha
descrito Corona y Fonseca (11) en el 2021, donde se analizó la base de datos
pública y compilada en el Inventario Nacional de Gases de Efecto Invernadero
(INGEI) desde el año 2000 hasta el 2019 por el Ministerio del Ambiente en Perú,
MINAM (8,9).
Proceso de
elaboración del inventario nacional de gases de efecto invernadero: El INGEI
2016 ha sido elaborado en el marco del INFOCARBONO bajo la conducción del
Ministerio del Ambiente y gracias a la información reportada por el Ministerio
de Energía y Minas, el Ministerio de Transportes y Comunicaciones, el
Ministerio de la Producción, el Ministerio de Vivienda, Construcción y
Saneamiento, el Ministerio de Desarrollo Agrario y Riego y el mismo Ministerio
del Ambiente en sus respectivos RAGEI (Reporte Anual de Gases de Efecto
Invernadero), MINAM (8,9).
Los RAGEI son
inventarios de GEI (Gases de efecto invernadero) sectoriales que se han
organizado de acuerdo al alcance de las funciones de cada entidad competente.
La integración de todos los RAGEI para la elaboración del INGEI se encuentra a
cargo del MINAM, una vez culminado el informe se presenta oficialmente a la
CMNUCC y se difunde a nivel nacional a través del Sistema Nacional de
Información Ambiental (SINIA) y de la página web INFOCARBONO
https://infocarbono.minam.gob.pe/annios-reportes-sectoriales/2019/. Asimismo,
el Instituto Nacional de Estadística e Informática (INEI), a través del Anuario
de Estadísticas Ambientales, es el encargado de publicar los resultados del
INGEI.
Análisis de datos:
Los datos fueron compilados del datset: Tabla-consolidada-INGEI-2019_VF.xlsx,
se tomó la información de cada variable en los años 2000, 2005, 2010, 2012,
2014, 2016, 2018, 2019. La información se codificó para facilitar el posterior
trabajo con cada variable: Energía=Energ, Actividades de quema de
combustibles=AQC-EN, Industrias de energía=IEN-EN, Producción de electricidad y
calor como actividad principal=PECAP-EN, Generación de electricidad -
SEIN=GE-SEIN-EN, Generación de electricidad - SA= GE-SA-EN.
Generación combinada
de calor y energía (CHP)=GCCE-EN, Refinación de petróleo=RP-EN, Fabricación de
combustibles sólidos y otras industrias energéticas=FCSIE-EN, Otras industrias
de la energía=OIE-EN, Industrias manufactureras y de la construcción=IMC-EN,
Minería (con excepción de combustibles) y cantería=MyC-EN, Industria no
especificada=InE-EN, Transporte=T-EN, Aviación civil=AC-EN, Transporte
terrestre=TT-EN, Automóviles=Aut-EN, Camiones para servicio ligero=CPSL-EN,
Camiones para servicio pesado y autobuses=CSPyA-EN, Motocicletas=Motc-EN,
Ferrocarriles=Frrc-EN, Navegación marítima y fluvial=NMF-EN, Otro tipo de
transporte=OTT-EN, Transporte por tuberías=TTb-EN, Todo terreno=TTrrn-EN, Otros
sectores=OSect-EN, Comercial/Institucional=CI-EN, Residencial=Rsd-EN,
Agricultura=AGRIC-EN, Pesca=Pesc-EN, No especificado=NEsp-EN, Móvil=Mv-EN,
Móviles (componente de aviación)=MvCA-EN, Petróleo y gas natural=PtGN-EN,
Petróleo=Pt-EN, Venteo=VentPt-EN, Quema en antorcha=QmAPt-EN, Todos los
demás=TDPt-EN, Producción y refinación=PRPt-EN, Gas natural=GN-EN,
Venteo=VentGN-EN, Quema en antorcha=QmAGN-EN, Todos los demás=TDGN-EN,
Producción=PdGN-EN, Procesamiento=PcGN-EN, Transmisión y
almacenamiento=TAGN-EN, Distribución=DtGN-EN, Procesos Industriales y Uso de
Productos=PIUP, Producción de Cemento=PC-PIUP, Producción de Cal=PCal-PIUP,
Producción de Vidrio=PV-PIUP, Otros usos de Carbonatos=OUC-PIUP, Cerámicas
(ladrillos)=Crmc-PIUP, Otros usos de la Ceniza de Sosa (Carbonato de
Sodio)=OUCS-PIUP, Industria química=IQ-PIUP, Producción de Ceniza de Sosa
(Carbonato de Sodio)=PCS-PIUP, Producción de Hierro y Acero=PHA-PIUP,
Producción de Plomo=PP-PIUP, Producción de Zinc=PZnc-PIUP.
Agricultura,
Silvicultura y Otros Usos de la Tierra=ASOUT, Tierras forestales=TFrst-ASOUT,
Tierras forestales que permanecen como tierras forestales=TFrstPTf-ASOUT,
Tierras de cultivo=TCult-ASOUT, Tierras que se convierten en tierras de
cultivo=TCTC-ASOUT, Tierras forestales que se convierten en tierras de
cultivo=TFCTC-ASOUT, Pastizales que se convierten en tierras de
cultivo=PCTC-ASOUT, Pastizales=Pstz-ASOUT, Tierras que se convierten en
pastizales=TCPstz-ASOUT, Tierras forestales que se convierten en
pastizales=TFCPstz-ASOUT, tierras de cultivo que se convierten en pastizales=TCulCPstz-ASOUT,
Asentamientos=Asent-ASOUT, Tierras que se convierten en
asentamientos=TCAsent-ASOUT, Tierras forestales que se convierten en
asentamientos=TFCAsent-ASOUT, Tierras de cultivo que se convierten en
asentamientos=TCCAsent-ASOUT, Pastizales que se convierten en
asentamientos=PstzCAsent-ASOUT, Otras tierras=OT-ASOUT, Tierras que se
convierten en otras tierras=TCOT-ASOUT, Tierras de cultivo que se convierten en
otras tierras=TCCOT-ASOUT, Pastizales que se convierten en otras
tierras=PstzCOT-ASOUT, Aplicación de urea=Aurea-ASOUT, Desechos=DES,
Incineración abierta de desechos=IAD-ASOUT.
Seguidamente se
realizó el análisis comparativo de la emisión de CO2 en todo el
período entre los sectores generales en que clasifica el INGEI su información:
Energía, Procesos Industriales y uso de productos, Agricultura, silvicultura y
otros usos de la tierra y por último Desechos a tráves de la prueba de
distribución libre de Kruskal-Wallis para la comparación de muestras múltiples,
el nivel de significación se estableción para p<0.05.
Posteriormente se
realizó un análisis de componentes principales (ACP) el cual es una es una
técnica multivariada que se emplea para examinar las relaciones entre varias
variables cuantitativas (12) su aplicación se realizó con el fin de reducir la
dimensionalidad de los datos e identificar qué combinaciones de variables
pueden conformar un patrón característico de emisión de CO2 en las
diferentes clasificaciones que se le brindan en el INGEI. En este sentido
fueron graficadas las primeras dos componentes una vez que el primer CP tiene
la mayor varianza de cualquier combinación lineal de las variables observadas.
Según (13), la mayor parte de la varianza de los datos es explicada por los
componentes principales y el número de componentes nos indica la existencia o
no de diversidad en la respuesta estudiada, en el caso que se investiga
referente a las emisiones de CO2. Además, fue estimado el porcentaje
de varianza explicada por cada componente principal y la contribución de cada
variable a cada componente, este análisis fue realizado a partir de la librería
(factoExtra) (14).
Posteriormente la
información se subdividió en dos clusters mediante aprendizaje automático no
supervisado para identificar puntos de datos similares (agrupaciones
naturales). Para esto se ejecutó un análisis determinación del número óptimo de
cluster a través de la librería(NbClust) y posteriormente se utilizó el
procedimiento de Agrupación Jerárquica sobre Componentes Principales utilizando
la función HCPC de la librería(FactoMineR) (15), en el entorno de programación
R (R Statistics, versión 4.0.5, Inc, Colorado, USA). Este análisis no solo
permite identificar la jerarquía en la importancia de las variables que
describen la variabilidad de la muestra sino también perfilar un conjunto de
observaciones al asociarlo con variables que tienen el mayor efecto dentro de
cada conglomerado para describir la distribución en el espacio.
Luego de creado los
cluster se identificaron dentro de cada uno los individuos que los conforman y
se creó un nuevo dataset, los datos dentro fueron comparados a través de prueba
de hipótesis de t, el nivel de significación se estableció para p<0.05. Fue
utilizado el software R versión 4.3.2 (2023-10-31) -- "Eye Holes"
Copyright (C) 2023.
RESULTADOS
La emisión de CO2
a la atmósfera tiene dentro de sus impactos negativos su contribución al
calentamiento global del planeta. En la Figura 1, muestra las medianas de
gigagramos de dióxido de carbono (GgCO2) que se han producidos en
Perú por los principales sectores económicos en que se estructura la
información emitida en el informe del Inventario Nacional de Gases de Efecto
Invernadero. Los resultados muestran que los sectores relacionados con la
Agricultura, Silvicultura y Otros Usos de la Tierra (ASOUT) son los que más
generan CO2 a la atmósfera en el período comprendido entre el año
2000 y el 2019. Una prueba de comparación múltiple de Kruskal-Wallis se realizó
dando como resultados diferencias significativas para p<8.291e-05 entre los
valores observados, siendo así, sigue en importancia las instituciones
correspondientes al sector de producción de Energía (EN) y le siguen, aunque
sin diferir entre ellos las actividades correspondientes a Procesos
Industriales y Uso de Productos (PIUP) y finalmente aquellas dirigidas a la
eliminación de Desechos (DES).
Figura 1. Emisión de CO2 por diferentes
sectores generales de la economía en el período de 2000-2019
La estructura de la
varianza total de las emisiones de CO2 en Perú en el período del año
2000-2019 se muestra en la Tabla 1. En este análisis se emplearon un total de
78 variables (sectores de la economía) en las cuales se estructura el
Inventario Nacional de Gases de Efecto Invernadero. El análisis de componentes
principales aplicado permitió reducir la información disponible a solo siete
componentes principales. En este sentido, los valores propios (Eigenvalue) se
pueden utilizar para determinar la cantidad de componentes principales que se
deben retener. Un valor propio mayor que 1 indica que el componente principal
representa más varianza que la contenida en una de las variables originales
(16), en el caso que se evalúa el CP7 presenta un valor propio mayor de 1, el
porcentaje acumulado explicado de la varianza total por cada componente
principal explica el 100% del comportamiento de la varianza total.
Tabla 1. Componentes principales según sectores de la
economía para la emisión de CO2 en Perú
|
Componentes principales |
Eigenvalue |
Porcentaje explicado de la varianza total por cada componente
principal |
Porcentaje acumulado explicado de la varianza total por cada
componente principal |
|
Dim.1 |
38.8357 |
49.7894 |
49.7894 |
|
Dim.2 |
19.8673 |
25.4710 |
75.2604 |
|
Dim.3 |
7.2043 |
9.2363 |
84.4968 |
|
Dim.4 |
5.0747 |
6.5061 |
91.0029 |
|
Dim.5 |
3.1564 |
4.0467 |
95.0497 |
|
Dim.6 |
2.1706 |
2.7828 |
97.8325 |
|
Dim.7 |
1.6905 |
2.1674 |
100.0000 |
Como es esperado en
este tipo de análisis el mayor porcentaje explicado de la varianza total les
corresponden a las dos primeras CP, siendo 48.2% y 25.7% respectivamente Figura
2.
Figura 2. Primera dos componentes principales y
contribución de cada sector a la emisión de CO2 en Perú, 2000-2019
Como se mostró arriba las cinco primeras CP explican el 94.89%. En la
Figura 2 se muestra un resumen de los 10 primeros sectores que más contribuyen en las
cinco primeras CP. Así, para la CP1, las 10 primeras actividades pertenecientes
al sector pertenecen la Energía (EN): Actividades de quema de combustibles
(AQC-EN), Motocicletas (Motc-EN), Distribución (DtGN-EN), Aviación civil
(AC-EN), Transporte (T-EN), Transmisión y almacenamiento (TAGN-EN), Transporte
terrestre (TT-EN), Camiones para servicio pesado y autobuses (CSPyA-EN),
Generación combinada de calor y energía (CHP) (GCCE-EN) y Camiones para
servicio ligero (CPSL-EN) (Figura 2. CP1(a))
En la CP2 las 10 primeras actividades que más contribuyen pertenecen al
sector Energía (EN) y Procesos
Industriales y Uso de Productos (PIUP): Industria química (IQ-PIUP), Producción
de Ceniza de Sosa (Carbonato de Sodio) (PCS-PIUP), Fabricación de combustibles
sólidos y otras industrias energéticas (FCSIE-EN), Otras industrias de la
energía (OIE-EN), Residencial (Rsd-EN), Tierras de cultivo que se convierten en
otras tierras (TCCOT-ASOUT), Petróleo y gas natural (PtGN-EN), Quema en antorcha (QmAGN-EN), Generación de electricidad-SA (GE-SA-EN) y
Gas natural (GN-EN).
En la CP3 las 10 primeras actividades que más contribuyen pertenecen a
los sectores Procesos Industriales y Uso
de Productos (PIUP) y Agricultura, Silvicultura y Otros Usos de la Tierra
(ASOUT): Producción de Vidrio (PV-PIUP),
Producción de Hierro y Acero (PHA-PIUP), Producción de Cal (PCal-PIUP),
Producción de Cemento (PC-PIUP), Aplicación de urea (Aurea-ASOUT), Cerámicas
(ladrillos) (Crmc-PIUP), Producción de Zinc (PZnc-PIUP), Otros usos de
Carbonatos (OUC-PIUP), Ferrocarriles (Frrc-EN) y Otras tierras (OT-ASOUT).
En la CP4 las 10 primeras actividades que más contribuyen pertenecen a
los sectores Energía (EN) y Agricultura, Silvicultura y Otros Usos de la Tierra
(ASOUT): Transporte por tuberías (TTb-EN), Generación de electricidad-SEIN
(GE-SEIN-EN), Otro tipo de transporte (OTT-EN), Industria no especificada
(InE-EN), Navegación marítima y fluvial (NMF-EN), Industrias manufactureras y
de la construcción (IMC-EN), Producción de Cemento (PC-PIUP), Petróleo y gas
natural (PtGN-EN), Todo terreno (TTrrn-EN) y Todos los demás (TDPt-EN).
En la CP5 las 10 primeras actividades que más contribuyen pertenecen a
los sectores Energía (EN), Agricultura, Silvicultura y Otros Usos de la Tierra
(ASOUT) y Procesos Industriales y Uso de Productos (PIUP): Agricultura
(AGRIC-EN), Refinación de petróleo (RP-EN), Pesca (Pesc-EN), Tierras de cultivo
que se convierten en otras tierras (TCCOT-ASOUT), Producción de Vidrio
(PV-PIUP), Aplicación de urea (Aurea-ASOUT), Pastizales que se convierten en
tierras de cultivo (PCTC-ASOUT), Automóviles (Aut-EN), Otros usos de la Ceniza
de Sosa (Carbonato de Sodio) (OUCS-PIUP) y Venteo (VentGN-EN).
Figura 3. Contribución de las actividades que se
realizan en cada uno de los sectores a los componentes principales (CP)
El método más
popular para determinar el número óptimo de cluster es el índice de silhouette
(silueta). Cuanto mayor sea el valor que tome será mejor valorado y
seleccionado como el valor óptimo. Al aplicar este método dos cluster fue el
resultado final Figura 4.
Figura 4. Número óptimo de cluster
Leyenda: El término "average silhouette
width" se traduce al español como "ancho promedio de la
silueta". La medida de ancho promedio de la silueta se utiliza para
evaluar la cohesión y separación de los clusters en un conjunto de datos. Esta
métrica proporciona información sobre qué tan bien cada punto de datos se
ajusta a su cluster asignado en comparación con otros clusters, lo que ayuda a
identificar el número óptimo de clusters para un análisis de clustering
efectivo.
Al aplicar un análisis de Agrupación Jerárquica sobre Componentes
Principales fueron identificados dos cluster. En este caso, los resultados
sugieren que los datos se agrupan en dos grupos distintos, lo que puede ser
útil para la interpretación y la comprensión de las relaciones entre los años y
las variables medidas.
Figura 5. Análisis de cluster jerárquico sobre
componentes principales.
Leyenda: El término "height" se refiere a la
altura del árbol en el contexto de la formación de clusters. En este análisis,
la altura representa la medida de similitud o disimilitud entre los clusters
formados a partir de los datos. La altura indica la distancia en la cual se
unen o separan los clusters.
El cluster uno agrupó los valores de las variables evaluadas
correspondientes para los dos primeros años (2000 y 2005), estos tuvieron como
característica principal en que para esos años no se hicieron mediciones en las
siguientes variables: GCCE-EN, TFrst-ASOUT, TFrstPTf-ASOUT, TCult-ASOUT,
TCTC-ASOUT, TFCTC-ASOUT, PCTC-ASOUT, Pstz-ASOUT, TCPstz-ASOUT, FCPstz-ASOUT,
TCulCPstz-ASOUT, Asent-ASOUT, TCAsent-ASOUT, TFCAsent-ASOUT, TCCAsent-ASOUT,
PstzCAsent-ASOUT, OT-ASOUT, TCOT-ASOUT, TCCOT-ASOUT, PstzCOT-ASOUT.
Los valores de emisión de CO2(GgCO2) generados por ambos cluster (Figura 6) no mostraron diferencias significativas. Un análisis adicional de t de Student para la comparación de dos promedios corroboró los mismos resultados, no se presentaron diferencias significativas entre las series de la emisión de CO2(GgCO2) en ambos cluster (promedio cluster uno: 3392.068 CO2(GgCO2), promedio cluster dos: 5644.587 CO2(GgCO2) t = -1.6459, p-value = 0.1012).
Figura 6. Diferencias entre cluster
DISCUSIÓN
Los resultados de la emisión de CO2 en Perú revela que los
sectores relacionados con la Agricultura, Silvicultura y Otros Usos de la
Tierra (ASOUT) son los principales generadores de CO2 en el período
entre 2000 y 2019. Estos hallazgos se respaldan con una prueba de comparación
múltiple de Kruskal-Wallis que mostró diferencias significativas entre los
valores observados, destacando la importancia del sector ASOUT en las emisiones
de CO2. A su vez, se identificó que las instituciones
correspondientes al sector de producción de Energía (EN) ocupan un lugar
relevante en la generación de CO2, seguidas por las actividades
relacionadas con Procesos Industriales y Uso de Productos (PIUP), y finalmente,
las dirigidas a la eliminación de Desechos (DES). Estos resultados subrayan la
necesidad de abordar estrategias específicas para mitigar las emisiones de CO2
en los sectores identificados como los principales contribuyentes. Es
fundamental implementar medidas que promuevan prácticas sostenibles en la
agricultura, silvicultura y otros usos de la tierra, así como en la producción
de energía y el manejo de desechos para reducir el impacto negativo en el
calentamiento global y el medio ambiente. La información proporcionada por el
Inventario Nacional de Gases de Efecto Invernadero ofrece una base sólida para
orientar políticas y acciones destinadas a combatir el cambio climático y
mejorar la calidad ambiental en Perú.
En este sentido, las emisiones de CO2 representan una
externalidad vinculada al incremento de la actividad económica y al crecimiento
poblacional en los países. Un ejemplo de esto es el caso de Perú, donde en 1990
se emitieron 20,9 miles de toneladas métricas (TM) de CO2, cifra que
aumentó a 53,3 mil TM en 2019. Durante este periodo, la economía peruana
experimentó un crecimiento del 261%, mientras que la población solo aumentó un
46%. Por lo tanto, el aumento de las emisiones parece estar más relacionado con
el crecimiento del PIB que con la evolución demográfica (2).
Para Mulder (17) en 2021, además de las emisiones antropogénicas, es
necesario considerar brevemente la producción natural de CO2 y en
qué medida estas dos fuentes de carbono podrían contribuir al CO2
que ingresa en la atmósfera. El calentamiento global, impulsado por el CO2
antropogénico, está aumentando rápidamente la ocurrencia de eventos de
incendios naturales. Las emisiones de CO2 por incendios forestales y
matorrales en 2019 fueron > 10% más altas que la mención anual de que su
capa superior del suelo formada en millones de años tiene un stock total de
carbono de solo 25 Gt. Sus resultados muestran claramente que los incendios y
los biomas están interrelacionados, con incendios forestales comunes en el
bioma de sabana. Ya que las frecuencias de incendios difieren
significativamente entre biomas (P = 0.003) pero no entre regiones
biogeográficas (P = 0.460). Además de Australia, en 2019 las regiones
biogeográficas más afectadas estaban en África (Sur y Norte de África, emitiendo
2.22 y 1.05 Gt de CO2, respectivamente) y en América Latina
(emitiendo 1.00 Gt de CO2).
La estructura de la varianza total de las emisiones de CO2 en
Perú entre 2000 y 2019 se analizó utilizando un total de 78 variables que
representan los sectores económicos del país, según el INGEI. Mediante el
análisis de componentes principales, se logró reducir la información a siete
componentes principales. Estos resultados sugieren que la información contenida
en las 78 variables originales se puede resumir eficazmente en siete
componentes principales, lo que simplifica la interpretación y comprensión de
las emisiones de CO2 en Perú durante el período estudiado.
En general, plantea Sun (18) en el 2017, se puede observar en diversos
estudios que la selección adecuada de factores influyentes tiene una influencia
significativa en los resultados de predicción de las emisiones de CO2.
Sin embargo, la mayoría de los autores solo hacen hincapié en el impacto de
estos factores en las emisiones totales de CO2 y pasan por alto la
correlación entre ellos. En realidad, existen superposiciones de información
contenida en los datos, por lo que el empleo del análisis de componentes
principales (PCA) para reducir la dimensión de los factores influyentes
preseleccionados con la retención de información al máximo, posibilita la
simplificación de la información, la eficiencia operativa y la precisión de
procesos de predicción pueden mejorarse significativamente.
Los resultados revelan que las cinco primeras componentes principales (CP)
explican el 94.89% de la varianza total. En la CP1, se destacan actividades
clave del sector de Energía (EN) como Actividades de quema de combustibles,
Motocicletas, Distribución, Aviación civil, Transporte, Transmisión y
almacenamiento, entre otros. Asi mismo, una de las principales actividades
producidas por el ser humano que emite CO2 es la combustión de
combustibles fósiles esto es conforme al carbón, gas natural y petróleo para
generar lo que es la energía y con la finalidad de transporte, aunque ciertos
procesos industriales y cambios en el uso de la tierra también emiten CO2
(19).
Los resultados mostrados en este trabajo coinciden con los reportados
previamente por Jiménez-Martínez (10) en el 2014, quien asegura que desde el
punto de vista tecnológico, el análisis de componentes principales soportado en
dos planos factoriales explican el 57,94% de la información, lo cual los hace
significativos, donde el plano uno indica una correlación directa de las
variables emisiones de CO2 por emisiones de combustibles a gas,
emisiones de CO2 del consumo de combustible líquido (kilotoneladas),
emisiones de CO2 del consumo de combustibles sólidos
(kilotoneladas), indicando que desde el punto de vista tecnológico solo los
aspectos de emisiones denotan significancia con respecto a alteraciones de
cambio climático para América Latina, mientras que el factor dos se asocia con
la producción de electricidad y consumo de energía eléctrica, apreciándose que
el consumo de energía eléctrica así como su producción son aspectos que
presionan hacia la generación de emisiones de CO2.
Por otro lado, la CP2 resalta actividades significativas de los sectores
Energía (EN) y Procesos Industriales y Uso de Productos (PIUP), como Industria
química, Producción de Ceniza de Sosa y Fabricación de combustibles sólidos. En
cuanto a la CP3, sobresalen actividades relevantes de los sectores Procesos
Industriales y Uso de Productos (PIUP) y Agricultura, Silvicultura y Otros Usos
de la Tierra (ASOUT), como Producción de Vidrio y Producción de Hierro y Acero.
En las CP4 y CP5, se evidencia una combinación de actividades de los sectores
Energía (EN), Agricultura, Silvicultura y Otros Usos de la Tierra (ASOUT), así
como Procesos Industriales y Uso de Productos (PIUP), destacando áreas como Transporte
por tuberías, Generación de electricidad-SEIN y Refinación de petróleo. Estos
resultados subrayan la relevancia de estos sectores en las emisiones de CO2 en
Perú durante el período analizado, enfatizando la urgencia de implementar
medidas específicas para reducir estas emisiones en sectores clave como la
energía, la industria y la agricultura.
Además, autores como García (20) en el 2021, han resaltado la necesidad
de implementar medidas específicas en sectores como la energía, la industria y
la agricultura para reducir las emisiones de gases de efecto invernadero. El
estudio realizado por Zevallos y Lavado-Casimiro (21) en el 2022, también
respalda la relevancia de los resultados presentados, ya que enfatizan la
urgencia de abordar las emisiones de CO2 en sectores específicos
para mitigar el impacto ambiental. Estos hallazgos coinciden con
investigaciones previas realizadas por Sosa-Rodríguez (22) en el 2019, quienes
han demostrado la importancia de identificar y priorizar acciones en sectores
como la agricultura para combatir el cambio climático.
CONCLUSIONES
La aplicación del análisis de componentes principales permitió
identificar patrones significativos en los datos resultantes de la
clasificación de las fuentes y sumideros generadores de emisiones de dióxido de
carbono en diferentes sectores económicos del país. Siendo el primer componente
principal integrado por variables del sector de la Energía y el segundo por
fuentes de los sectores Energía y Energía (EN) y Procesos Industriales y Uso de
Productos (PIUP). Estos dos CP son los más importante en la explicación de la
varianza total del comportamiento de las Emisiones de CO2 en Perú en
el período estudiado. Esta reducción dimensional facilita la toma de decisiones
informadas para abordar eficazmente las emisiones de CO2 y promover
prácticas más sostenibles en Perú.
CONFLICTO DE INTERESES.
Los autores declaran que no existe conflicto de
intereses para la publicación del presente artículo científico.
REFERENCIAS BIBLIOGRÁFICAS
1. Raihan A, Tuspekova A. The nexus between
economic growth, renewable energy use, agricultural land expansion, and carbon
emissions: New insights from Peru. Energy Nexus. 2022; 6:100067.
https://www.sciencedirect.com/science/article/pii/S2772427122000304
2. Chirinos R. ¿Cuánto
contamina el Perú y que se hace al respecto? Moneda - Medio Ambient.
2021;(188):60–4.
https://www.bcrp.gob.pe/docs/Publicaciones/Revista-Moneda/moneda-188/moneda-188-12.pdf
3. Leitão N. Testing the Role of Trade on
Carbon Dioxide Emissions in Portugal. Econ 2021, 2021;9(1):22.
https://www.mdpi.com/2227-7099/9/1/22/htm
4. Quiroga R, Agacino R,
Malmierca A, del Villar S, Ocampo R. La pérdida de los bosques de América
Latina y el Caribe 1990-2020: evidencia estadística. Temas Estadísticos de la
CEPAL. 2020. 1–9. https://fra-platform.herokuapp.com/
5. Awmack C, Woodcock C, Harrington R. Climate
change may increase vulnerability of aphids to natural enemies. Ecol Entomol.
1997;22(3):366–8. https://onlinelibrary.wiley.com/doi/full/10.1046/j.1365-2311.1997.00069.x
6. Pinedo-Jáuregui C, verano-Cachay J,
Barrantes-Santos V. Análisis del control de emisiones atmosféricas vehiculares
en Lima metropolitana. South
Sustain. 2020; 1(1):e005–e005.
https://revistas.cientifica.edu.pe/index.php/southsustainability/article/view/598
7. ONU. Convención Marco de
las Naciones Unidas Sobre el Cambio Climático. 1992.
https://unfccc.int/resource/docs/convkp/convsp.pdf
8. MINAM. INGEI 2016:
Inventario Nacional de Gases de Efecto Invernadero del año 2016 y actualización
de las estimaciones de los años 2000, 2005, 2010, 2012 y 2014. Normativa. 2021.
36–86. http://www.ambiente.gob.ec/el-ministerio/
9. MINAM. Segundo Informe
Bienal de Actualización ante la Convención Marco de las Naciones Unidas sobre
el Cambio Climático. Lima-Perú; 2019. https://unfccc.int/documents/204739
10. Jiménez-Martínez JA,
Mejía LM. Multivariate
Stochastic Analysis CO2 emission factor for carbon sequestration and
sustainable development for Colombia. UGCiencia. 2014;20:64–71. https://core.ac.uk/download/pdf/268087839.pdf
11. Corona L, Fonseca H.
Acerca del carácter retrospectivo o prospectivo en la investigación científica.
Medisur. 2021;19(2):338–41.
http://medisur.sld.cu/index.php/medisur/article/view/4501
12. Molina-Molina O, Monteros-Pérez
E. Rotación en análisis de componentes principales categórico: un caso
práctico. Met Encuestas. 2010; 12:63–88.
https://digital.csic.es/handle/10261/42768
13. Cardozo L, Reina-monroy
J, Florez-escobar W, Peña-ibagón J, Cas- C, Bonilla D. Autoconcepto físico en
estudiantes universitarios: Generación de perfiles por clasificación jerárquica
sobre componentes principales principal components. Retos. 2023; 48:167–77.
https://dialnet.unirioja.es/servlet/articulo?codigo=8772363
14. Kassambara A, Mundt F. Package
‘factoextra’. 2020. 3–83. http://www.sthda.com/english/rpkgs/factoextra
15. Le S, Josse J, Husson F. FactoMineR: An R
Package for Multivariate Analysis. J Stat Softw. 2008;25(1):1–18.
https://www.jstatsoft.org/v25/i01/
16. Zuluaga R, Delahoz-Domínguez E, Hoolyana
O. Eficiencia académica estudiantil: un enfoque de análisis de componentes
principales y análisis envolvente de datos. IngenIare. 2021;16(29):27–40.
https://dialnet.unirioja.es/servlet/articulo?codigo=8051528
17. Mulder C, Conti E, Mancinelli G. Carbon
budget and national gross domestic product in the framework of the Paris
Climate Agreement. Ecol Indic. 2021; 130:108066.
https://www.sciencedirect.com/science/article/pii/S1470160X21007317
18. Sun W, Sun J. Prediction of carbon dioxide
emissions based on principal component analysis with regularized extreme
learning machine: The case of China. Environ Eng Res. 2017 Sep 1;22(3):302–11.
https://www.eeer.org/journal/view.php?number=842
19. Chen W, Lei Y. The impacts of renewable
energy and technological innovation on environment-energy-growth nexus: New
evidence from a panel quantile regression. Renew Energy. 2018 1; 123:1–14.
https://www.sciencedirect.com/science/article/abs/pii/S0960148118301708
20. García S, Vega M, Mora
M. Experiencias incipientes de inventarios de emisiones de gases de efecto
invernadero en el ámbito local en Costa Rica. Rev Ciencias Ambient.
2021;55(1):186–210. https://doi.org/10.15359/rca.55-1.9
21. Zevallos J,
Lavado-Casimiro W. Climate Change Impact on Peruvian Biomes. Forests. 2022;13(2):238.:
https://www.mdpi.com/1999-4907/13/2/238
22. Sosa-Rodrigues B, García-Vivas Y. Emission
of greenhouse gases in the soil under the green manure effect. Agron Mesoam.
2019;30(3):767–82.
https://www.scielo.sa.cr/pdf/am/v30n3/2215-3608-am-30-03-00767.pdf