Thesis:

Efectos causales de tratamiento en series de tiempo: emisiones de CO₂, consumo energético y crecimiento económico

Este estudio extiende la literatura sobre el uso de redes neuronales junto con técnicas de causalidad para el desarrollo de políticas económicas. Se presenta evidencia empírica sobre los efectos del consumo de energía y las emisiones de carbono en el crecimiento económico per cápita con datos de panel desbalanceados para 94 países entre los años 1971 y 2018. Para ello, se presenta un marco metodológico que emplea la transformación de las series temporales en un conjunto de intervalos de tratamiento según las potenciales políticas que puede adoptar un país. A partir de los intervalos de tratamiento, se propone un modelo de dos etapas basado en redes neuronales recurrentes (Long Short-Term Memory, LSTM) junto con un clasificador multiclase para obtener puntuaciones de propensión. A continuación, se estiman los efectos utilizando los resultados potenciales dinámicos en un marco de causalidad basada en tratamientos. Los resultados indican que, tanto para las políticas de consumo energético como para las de emisiones de carbono, el rango de tratamiento que genera los mejores resultados se sitúa entre el -2% y el 0,4 %; además, en ambos casos, las políticas extremas, como reducir o aumentar drásticamente el consumo energético, generan los peores resultados para el desarrollo económico. Se observa que cuando se agrupan los países según el nivel de ingresos, los de ingresos medio-bajos y bajos tienen un mejor desarrollo bajo una política de crecimiento moderado con respecto a los niveles de emisiones de carbono y consumo de energía, lo que apoya la hipótesis de la Curva Ambiental de Kuznets. Lo anterior podría estar relacionada con el hecho de que estos países no tienen el nivel de infraestructura necesario para sostener el crecimiento. Estos hallazgos tienen importantes implicancias para el análisis, formulación e implementación de políticas económicas, energéticas y medioambientales.

This study broadens the research on the use of neural networks in conjunction with causality techniques for economic policy development. Empirical evidence is presented on the effects of energy consumption and carbon emissions on per capita economic growth with unbalanced panel data for 94 countries between 1971 and 2018. We present a methodological framework that employs the transformation of time series into a set of treatment intervals according to potential policies that a country may adopt. Based on treatment intervals, a two-stage model based on recurrent neural networks (Long Short-Term Memory) is proposed together with a multiclass classifier to obtain propensity scores. We then estimate the effects using the dynamic potential outcomes under a framework of treatment-based causality. The results indicate that for both energy consumption and carbon emissions policies, the treatment range that generates the best performance is between -2% and 0.4 %; moreover, in both cases, extreme policies such as drastically reducing or increasing energy consumption generates the worst results for economic development. We find that when grouping countries according to income level, mid-low and low levels of income have better development under moderate growth policy with respect to levels of carbon emissions and energy consumption, supporting the Environmental Kuznets Curve hypothesis. This finding could be related to the fact that these countries do not have the level of infrastructure to sustain growth. However, the impact of this growth on pollution would not be comparable to the reduction effect of high-income countries, given that they make the largest overall contribution to global emissions. These findings have important implications for the analysis, formulation and implementation of economic, energy and environmental policies.