Emissões de CO₂, consumo de combustíveis fósseis e crescimento econômico: uma abordagem ARDL para os países do G20(1990-2019) ^♦

CO₂ emissions, fossil fuel consumption, and economic growth: an ARDL approach for g20 countries (1990-2019)

Resumo

Diante dos atuais desafios econômicos e ambientais, este estudo analisou os impactos do consumo de combustíveis fósseis e do crescimento econômico sobre as emissões de dióxido de carbono (CO₂) nos países do G20, incorporando variáveis complementares como a globalização, a urbanização e os investimentos em recursos naturais. Utilizando dados anuais de 1990 a 2019 e aplicando o modelo Autorregressivo de Defasagem Distribuída (ARDL), identificaram-se relações significativas de curto e longo prazo entre o consumo de combustíveis fósseis e as emissões de CO₂. O crescimento econômico tem um efeito positivo apenas no curto prazo, enquanto a urbanização não apresentou significância estatística. Já a globalização e os investimentos em recursos naturais mostraram efeitos relevantes no longo prazo. Os resultados sugerem a necessidade de políticas sustentáveis que conciliem o crescimento econômico com a redução das emissões de carbono, incentivando a transição energética e o uso eficiente dos recursos naturais.

Palavras-chave:
Emissões de CO₂; Crescimento econômico; Combustíveis fósseis; ARDL; G20

Abstract

In light of current economic and environmental challenges, this study analyzed the impacts of fossil fuel consumption and economic growth on carbon dioxide (CO₂) emissions in G20 countries, incorporating complementary variables such as globalization, urbanization, and investments in natural resources. Using annual data from 1990 to 2019 and applying the Autoregressive Distributed Lag (ARDL) model, the study identified significant short- and long-term relationships between fossil fuel consumption and CO₂ emissions. Economic growth exhibited a positive effect only in the short term, while urbanization was not statistically significant. In contrast, globalization and investments in natural resources showed relevant long-term effects. The findings highlight the need for sustainable policies that reconcile economic growth with carbon emission reductions, promoting energy transition and the efficient use of natural resources.

Keywords:
CO₂ emissions; Economic growth; Fossil fuels; ARDL; G20

1. Introdução

A mudança climática e a degradação ambiental tornaram-se preocupações centrais nas agendas globais, impulsionando a formulação de políticas voltadas à mitigação dos impactos ambientais e à promoção do desenvolvimento sustentável. A crescente emissão de CO₂, associada principalmente ao uso de combustíveis fósseis no processo produtivo, tem sido amplamente debatida tanto no meio acadêmico quanto nas instâncias decisórias internacionais.

Nesse contexto, destaca-se a Curva de Kuznets Ambiental (EKC), segundo a qual a degradação ambiental tende a aumentar nas fases iniciais do crescimento econômico e a diminuir à medida que a renda per capita alcança níveis mais elevados (Dinda 2004). Essa hipótese tem servido como ponto de partida para diversos estudos que buscam entender a dinâmica entre crescimento econômico, consumo de energia e qualidade ambiental.

A produção de bens e serviços continua fortemente dependente do consumo de energia, especialmente proveniente de fontes não renováveis, como petróleo, carvão e gás natural, principais responsáveis pelas emissões de CO₂ (Ahmad e Du 2017). Esse aumento nas emissões intensifica o aquecimento global e agrava os impactos sobre o bem-estar social e ambiental (Mikayilov et al. 2018; Lin e Xu 2020).

Embora o desafio de reduzir as emissões de CO₂ seja global, os países do G20 desempenham um papel central nessa discussão, por serem historicamente os maiores emissores e por concentrarem economias industrializadas com grande influência geopolítica. O grupo exerce forte impacto na formulação de políticas ambientais e na promoção dos Objetivos de Desenvolvimento Sustentável (ODS), especialmente o ODS 13, que trata da ação climática, razão pela qual o G20 foi escolhido como objeto de análise neste estudo.

Assim, este artigo analisa a relação entre as emissões de CO₂, o consumo de combustíveis fósseis e o crescimento econômico nos países do G20, por meio da aplicação de um modelo ARDL em painel. A investigação busca responder: qual é a relação entre CO₂, combustíveis fósseis e crescimento econômico? Para isso, testam-se as seguintes hipóteses:

H₀: βᵢ = 0 - não há relação entre as variáveis analisadas.

H₁: βᵢ > 0 - existe relação positiva entre as emissões de CO₂, combustíveis fósseis e crescimento econômico.

Em que H₀ e H₁ são os símbolos da hipótese nula e da hipótese alternativa, respectivamente, e β_i representa o coeficiente associado à variável i em um modelo de regressão. Por outro lado, β_i = 0 implica que o parâmetro β_i é igual a zero, ou seja, as variáveis explicativas não têm efeito sobre a variável dependente, ao passo que β_i > 0 significa que o coeficiente é maior que zero e, portanto, espera-se que tenha um efeito positivo sobre a variável dependente.

Este artigo contribui para a literatura existente ao aplicar o modelo ARDL ao grupo de países membros do G20, incluindo variáveis complementares como globalização, urbanização e investimentos em recursos naturais. Essa abordagem permitiu ampliar o escopo da análise, explorando, assim, como o crescimento econômico e o consumo de combustíveis fósseis podem impactar as emissões nesse bloco particularmente relevante. É nesse contexto do grupo do G20 e da inclusão de outras variáveis menos exploradas que residem a principal contribuição e originalidade deste estudo para a literatura existente.

O artigo está organizado da seguinte forma: a primeira parte é dedicada à introdução, seguida pela revisão da literatura, estudos empíricos, apresentação do modelo econométrico, resultados e discussão. Por fim, são apresentadas as conclusões e implicações econômicas do estudo.

2. Revisão da Literatura

Nas últimas décadas, o aquecimento global tem se intensificado significativamente, e muitos estudiosos concordam que as emissões de dióxido de carbono (CO₂), resultantes sobretudo da queima de combustíveis fósseis, são um dos principais catalisadores desse processo (Lotfalipour et al. 2010; Rehman et al. 2022). Em 2021, cerca de 82% da energia consumida globalmente ainda era proveniente de fontes fósseis, como carvão, petróleo e gás natural, responsáveis por uma parcela expressiva das emissões de CO₂.

Nesse contexto, a literatura econômica e ambiental tem buscado compreender a relação entre o consumo de energia, particularmente de fontes fósseis, o crescimento econômico e as emissões de CO₂. Estudos teóricos apontam que o consumo de energia é um motor central do crescimento econômico, mas também um dos principais fatores associados à degradação ambiental (Sadorsky 2009; Apergis e Payne 2012; Amarante et al. 2021). Assim, políticas de desenvolvimento sustentável enfrentam o desafio de equilibrar o avanço econômico com a necessidade urgente de reduzir as emissões.

Além disso, autores como Bacon e Bhattacharya (2007) destacam que, principalmente em países em desenvolvimento, o crescimento econômico baseado em energia fóssil tende a aumentar as emissões de CO₂. Isso coloca em debate a eficácia de estratégias que visam compatibilizar crescimento e sustentabilidade apenas pela via da eficiência energética.

Duas visões causais têm sido propostas para explicar a relação entre renda e emissões: uma em que o aumento da renda leva ao crescimento das emissões, como previsto pela Curva de Kuznets Ambiental (EKC), e outra em que as emissões impulsionam o crescimento econômico ao refletirem maior atividade produtiva (Coondoo e Dinda 2008; Lotfalipour et al. 2010; Koengkan e Fuinhas 2020). A EKC, em especial, sugere uma relação em forma de “U” invertida, segundo a qual as emissões aumentam com a renda até certo ponto, mas diminuem à medida que o desenvolvimento tecnológico e as políticas ambientais se consolidam.

Três vertentes principais podem ser destacadas na literatura: a primeira enfatiza a ligação entre poluição e produto; a segunda, entre consumo de energia e crescimento; e a terceira busca integrar essas duas abordagens para uma análise mais ampla da dinâmica entre energia, economia e meio ambiente (Lotfalipour et al. 2010). Esta última linha, que adota uma visão agregada e multifatorial, oferece a base conceitual que sustenta o presente estudo.

Nota-se, contudo, uma diversidade de abordagens teóricas que servem de base ao presente estudo, procurando-se enfatizar como esses aspectos foram operacionalizados ao longo do tempo. Desse modo, a próxima seção dedica-se à análise das principais contribuições empíricas desenvolvidas com foco nos países que compõem o G20, recorrendo-se, sempre que necessário, a evidências provenientes de outras regiões geográficas. Esses estudos investigam a relação entre crescimento econômico, consumo de combustíveis fósseis e emissões de CO₂. Além disso, tais contribuições oferecem suporte fundamental à construção do modelo proposto, servindo também como referência no processo de análise e interpretação dos resultados obtidos.

3. Estudos empíricos

Diversos estudos empíricos têm investigado essas relações em contextos nacionais específicos, oferecendo evidências que reforçam e também desafiam os modelos teóricos. Ang (2007, 2008), por exemplo, ao estudar a Malásia, encontrou causalidade de longo prazo entre crescimento econômico, consumo de energia e emissões de CO₂, com ênfase em uma relação bidirecional entre energia e crescimento no curto prazo. Esses achados apoiam a visão de que políticas energéticas afetam diretamente o desempenho econômico, mas também demonstram que o crescimento pode intensificar o uso de energia. Ainda no âmbito da adoção de políticas energéticas, Oluklulu e Kasal (2025) destacam que as políticas fiscais podem desempenhar um papel importante, especialmente nas economias de alta renda, uma vez que seus resultados indicam que esses países possuem políticas fiscais mais eficazes no combate à poluição do que os de baixa e média renda, estando, portanto, mais bem preparados para implementar políticas climáticas eficazes.

Na Turquia, estudos de Soytas e Sari (2009) e Halicioglu (2009) indicaram relações complexas e, por vezes, assimétricas. Embora tenham identificado que o crescimento econômico contribui para o aumento do consumo de energia e das emissões, também sugeriram que, em certos casos, é possível dissociar crescimento e emissões, especialmente quando há ganhos de eficiência ou mudanças na matriz energética.

Zhang e Cheng (2009), analisando a China, mostraram que o PIB influencia o consumo de energia, que, por sua vez, impacta as emissões de CO₂, mas não encontraram evidências de que as emissões liderem o crescimento econômico. Essa constatação sugere que políticas de redução de emissões podem ser viáveis sem comprometer o crescimento, desde que bem calibradas.

Outros autores, como Ahmad e Du (2017), introduziram variáveis adicionais, como investimento e densidade populacional, ampliando a complexidade do modelo e revelando relações de longo prazo entre os fatores. Lise (2006), por sua vez, demonstrou que o crescimento econômico, em economias de expansão acelerada, tende a ser o principal motor das emissões.

Guliyev (2025) investigou a relação entre o consumo de energia renovável e o crescimento econômico nos países do G7, utilizando modelos heterogêneos de dados em painel com a estimativa do Grupo Médio de Regressões Aparentemente Não Relacionadas de Fourier, que incorpora mudanças estruturais abruptas e suaves. Os resultados revelam fortes assimetrias: o Japão apresenta um efeito positivo e estatisticamente significativo, associado à sua tradição em inovação tecnológica; a Itália, por sua vez, mostra impacto negativo, refletindo dificuldades estruturais. Nos demais países (Canadá, EUA, França, Alemanha e Reino Unido), os efeitos não são significativos, indicando que a energia renovável ainda não atua como motor de crescimento. Os resultados reforçam a necessidade de políticas energéticas adaptadas ao contexto nacional e alertam para as limitações de análises homogêneas, que podem mascarar efeitos específicos não captados pelas médias, oferecendo, assim, subsídios mais precisos à formulação de políticas públicas.

Pakrooh et al. (2025), por meio da aplicação de um modelo econométrico robusto, nomeadamente o Cross-sectionally Augmented Autoregressive Distributed Lag (CS-ARDL), aliado ao teste de causalidade não-Granger, analisaram o impacto da transição dos combustíveis fósseis para fontes de energia renovável em 53 países com diferentes níveis de renda. Os resultados revelam que inovações tecnológicas voltadas à energia verde, bem como legislações ambientais mais rigorosas, têm contribuído significativamente para a redução das emissões de CO₂, sobretudo em países de alta renda. Além disso, a abertura comercial apresenta uma associação com a redução de emissões em países de baixa e média renda, enquanto variáveis como urbanização e liberdades políticas mostram efeitos heterogêneos, condicionados ao nível de desenvolvimento econômico dos países. Apesar da sofisticação metodológica, a aplicação do modelo, por utilizar dados agregados, pode mascarar especificidades institucionais e geográficas relevantes.

Esses estudos apontam para uma realidade multifacetada, na qual a relação entre consumo energético, crescimento e emissões não é universal nem linear, mas condicionada por fatores estruturais, institucionais e tecnológicos.

O presente artigo procura avançar sobre essas contribuições e limitações ao aplicar o modelo ARDL em um painel composto por países do G20, integrando variáveis adicionais como globalização, urbanização e investimentos em recursos naturais - elementos ainda pouco explorados conjuntamente na literatura atual. Dessa forma, a pesquisa visa preencher uma lacuna empírica significativa ao analisar um grupo de países altamente industrializados e influentes nas políticas globais relacionadas à energia e ao meio ambiente. As variáveis utilizadas neste artigo foram selecionadas cuidadosamente, de forma a responder ao problema de pesquisa, com enfoque na relação entre CO₂, combustíveis fósseis e crescimento econômico. Por exemplo, a variável PIB é comumente utilizada na literatura como uma medida de crescimento económico, e o presente artigo adotou a mesma lógica, enquanto a variável combustíveis fósseis foi obtida por meio de uma proxy, que, apesar das limitações, pensamos nós, permitirá evidenciar o comportamento das emissões. As demais variáveis justificam-se pela sua relevância teórica e prática. A globalização e a urbanização foram incluídas com o objetivo de enriquecer a análise empírica, indo além do foco tradicional centrado apenas no crescimento econômico e no consumo de combustíveis fósseis. A inclusão dessas variáveis não apenas distingue o modelo proposto da literatura existente, mas também permite captar alguns efeitos indiretos que são cruciais para a compreensão das emissões de CO₂.

Especificamente, no caso da globalização, a expansão das relações econômicas, comerciais e tecnológicas entre países pode intensificar o consumo de combustíveis fósseis e, consequentemente, aumentar as emissões de carbono, especialmente em países altamente industrializados, como os membros do G20. Além disso, a urbanização oferece uma perspectiva importante ao investigar os efeitos das mudanças demográficas e da expansão urbana sobre a demanda energética e como essas dinâmicas podem influenciar os padrões de uso dos recursos naturais, impactando diretamente os níveis de emissões de CO₂.

Assim, no ponto seguinte, passamos à seção correspondente à metodologia do estudo, onde apresentaremos o modelo econométrico utilizado para examinar as relações entre crescimento econômico, consumo de combustíveis fósseis, emissões de CO₂, globalização, urbanização e investimentos em recursos naturais.

Figura 1
Estrutura conceitual da relação entre emissões de CO₂, combustíveis fósseis e crescimento econômico (elaborado pelos autores)

4. Modelo Econométrico

O presente artigo utiliza dados anuais no período de 1990 a 2019, conforme a disponibilidade para todos os países da amostra. As variáveis consideradas incluem: Produto Interno Bruto (PIB), medido a preços constantes de 2015 em dólares americanos (US$); emissões de dióxido de carbono provenientes da energia, emissões de processos, metano e queima, expressas em milhões de toneladas equivalentes; consumo de petróleo, carvão e gás natural, medido em exajoules; urbanização (em percentagem da população total); globalização (medida por meio de um índice); e investimentos em recursos naturais (expressos em percentagem do PIB).

Devido à indisponibilidade de dados consolidados sobre o consumo total de combustíveis fósseis (Cbf), adotou-se como proxy a soma do consumo de petróleo, carvão e gás natural. Assim, o consumo de combustíveis fósseis foi calculado a partir da agregação dessas três fontes energéticas, todas medidas em exajoules.

$Cbf=Petróleo+Carvão+GásNatural$ (1)

No presente estudo, é relevante destacar que a utilização de proxies para o consumo de combustíveis fósseis foi considerada uma alternativa viável, dada a dificuldade em obter dados diretos e precisos sobre o consumo real de combustíveis fósseis nos países analisados. No entanto, é importante esclarecer que essa escolha apresenta limitações, pois as proxies podem não refletir de forma adequada o consumo real. Além disso, as diferenças nos níveis de industrialização entre os países podem impactar a precisão dessas proxies, distorcendo a relação entre o consumo de combustíveis fósseis e as emissões de CO₂. Embora as proxies sejam uma solução útil para contornar a falta de dados diretos, elas podem não capturar completamente as complexidades do consumo energético, o que deve ser considerado ao interpretar os resultados deste estudo.

A variável emissões de dióxido de carbono foi tratada como variável dependente no modelo empírico, enquanto o PIB e o consumo de combustíveis fósseis foram considerados as principais variáveis explicativas. Além disso, as variáveis urbanização, globalização e investimentos em recursos naturais foram incorporadas como variáveis independentes complementares, a fim de enriquecer a análise.

Todas as variáveis foram transformadas em logaritmos naturais, conforme recomendado na literatura (Ahmad e Du 2017), uma vez que essa transformação contribui para a eficiência e consistência dos estimadores. As variáveis expressas em termos absolutos, como emissões de dióxido de carbono, PIB e consumo de combustíveis fósseis, foram convertidas para valores per capita, com o intuito de ajustar diferenças populacionais entre os países e garantir maior comparabilidade. As demais variáveis permaneceram em sua forma original.

Tabela 1
Variáveis e fonte dos dados

Acrónimo	Variável	Fonte
Co2	Dióxido de carbono	BP Global
Gdp	Produto Interno Bruto	UN National Accounts Main Aggregates Database
Urb	Urbanização	World Bank - DataBank World Development Indicators
Pop	População	UN National Accounts Main Aggregates Database
Glo	Globalização	KOF Swiss Economic Institute
Oil	Consumo de Petróleo	BP Global
Cgn	Consumo de Gás Natural	BP Global
Ccv	Consumo de Carvão	BP Global
Nrr	Investimento em Recursos Naturais	World Bank - DataBank World Development Indicators

• Fonte: elaboração dos autores

Por outro lado, é importante esclarecer que as séries de dados para as economias pertencentes ao G20, no presente artigo, abrangem 30 anos de observações e 19 países, totalizando, assim, 570 observações no total, o que é considerado admissível, dada a disponibilidade de dados para todos os países da amostra.

Os dados utilizados neste estudo apresentam algumas limitações que devem ser cuidadosamente consideradas. Primeiramente, é possível observar a presença de valores atípicos (outliers) e quebras estruturais nas séries temporais, causadas por contextos econômicos e políticos distintos em cada país do G20. Essas variações podem ser atribuídas a determinados eventos, como crises financeiras, mudanças nas estruturas de consumo de energia ou outros acontecimentos que provocam alterações econômicas profundas. Além disso, como todas as economias do mundo, as dos países do G20 estão sujeitas a choques externos comuns, como flutuações nos preços globais das commodities, crises econômicas internacionais e instabilidades geopolíticas, que podem gerar distorções nos dados, afetar a relação entre as variáveis analisadas e criar quebras estruturais nas séries temporais.

Esses fatores podem introduzir vieses nos resultados, especialmente devido à heterogeneidade dos países em termos de industrialização, políticas de consumo energético e adoção de tecnologias limpas. Para mitigar esses efeitos, adotamos estimadores robustos, que são capazes de lidar com tais distorções. Além disso, realizamos uma análise cuidadosa dos outliers e das quebras estruturais, introduzindo mecanismos de controle que permitem isolar os efeitos dessas anomalias, garantindo a robustez e a precisão dos resultados. Embora o painel utilizado seja balanceado, o processo de diferenciação - levou à exclusão de algumas observações em regressões específicas.

Uma das técnicas adequadas para lidar com alguns problemas enfrentados pelos dados é a aplicação de um modelo ARDL. Essa técnica, por sua vez, permite que os dados sejam tratados com flexibilidade, possibilitando superar as anomalias das metodologias subjacentes (Fuinhas e Marques 2012). Além disso, a aplicação do modelo ARDL mostra-se bastante robusta para amostras finitas, mesmo na presença de choques e mudanças de regime. Do ponto de vista prático, é possível introduzir variáveis fictícias valoradas em “um e zero” para controlar os diferentes fenômenos que afetam os dados.

No entanto, na configuração dos dados para os países do G20, a União Europeia foi excluída para evitar duplicação e extrapolação de análises, uma vez que países como Alemanha, França e Itália, que aparecem na amostra de forma individual, também integram os dados da União Europeia. Isso poderia comprometer o processo de análise e os resultados apresentados.

Conforme Fuinhas e Marques (2012), o modelo ARDL não impõe o pressuposto restritivo de que todas as variáveis devem ter a mesma ordem de integração, o que é particularmente útil quando as ordens de integração das variáveis variam entre I(0) e I(1). Diferentemente de outros modelos, como o PMG (Pooled Mean Group) e o MG (Mean Group), sugeridos por Pesaran et al. (1999), que só funcionam bem quando já existe essa relação de longo prazo entre as variáveis, o ARDL consegue analisar tanto os efeitos de curto quanto de longo prazo, mesmo quando essa relação ainda não está clara ou pode variar entre os países.

Neste contexto, para garantir a estacionariedade das variáveis PIB, consumo de combustíveis fósseis, emissões de dióxido de carbono e investimento em recursos naturais, aplicamos as primeiras diferenças logarítmicas. Por outro lado, as variáveis urbanização e globalização foram apenas transformadas na forma logarítmica, a fim de suavizar o seu comportamento, visto que são de ordem zero, I(0).

O modelo econômico pode ser apresentado na seguinte forma (Eq. 2):

$C{O}_2=f\left(Gdp,Cbf,Nrr,Urb,Glo\right)$ (2)

A fórmula funcional do modelo pode ser especificada na seguinte forma (Eq. 3):

$DLC{O}_{2it}={\beta }_0+{\beta }_{Gdp}DLGd{p}_{it}+{\beta }_{Cbf}DLCb{f}_{it}+{\beta }_{Nrr}DLNr{r}_{it}+{\beta }_{Urb}LUr{b}_{it+}{\beta }_{Glo}LGl{o}_{it+}{\mu }_{it}$ (3)

Onde CO₂ representa as emissões de dióxido de carbono per capita provenientes da energia, emissões de processos, metano e queima (em milhões de toneladas equivalentes); Gdp é o Produto Interno Bruto per capita (a preços constantes de 2015 em US$); Cbf refere-se ao consumo de combustíveis fósseis per capita (em exajoules); Nrr é o investimento em recursos naturais (em % do PIB); Urb representa a urbanização (em % da população total); Glo é a globalização (medida em termos de índice); e µ refere-se ao termo de erro ou perturbação (ruído branco). β₀ é a constante; DL são as diferenças logarítmicas; L são os logaritmos naturais; enquanto βGdp, βCbf, βNrr, βUrb e βGlo representam os coeficientes de inclinação do Produto Interno Bruto, consumo de combustíveis fósseis, investimento em recursos naturais, urbanização e globalização.

4.1. Testes preliminares

Estatísticas descritivas

A Tabela 2 apresenta as estatísticas descritivas das variáveis do estudo, incluindo o número de observações, a média, o desvio padrão, os valores máximos e mínimos. A média mais elevada é observada no Produto Interno Bruto per capita, enquanto a média mais baixa ocorre no consumo de combustíveis fósseis per capita.

Tabela 2
Estatísticas descritivas

Variável	Obs.	Média	Desv. Pad.	Min.	Max.
CO2pc	570	9,20E-06	6,13E-06	7,76E-07	0,00
Gdpc	570	21236,09	16233,09	538,34	60551,70
Cbfpc	570	1,24E-07	8,53E-08	8,60E-09	3,44E-07
Urb	570	71,34	16,32	25,55	91,99
Glo	570	68,10	12,56	31,77	89,43
Nrr	570	4,54	8,67	0,01	55,48

• Notas: Obs. representa o número de observações; Desv. Pad. indica o desvio padrão; Min. e Max. indicam, respectivamente, os valores mínimo e máximo.
• Fonte: elaboração dos autores

Matriz de correlações e multicolinearidade

A Tabela 3 apresenta os resultados da matriz de correlações das variáveis. Com base na tabela, podemos observar que o consumo de combustíveis fósseis tem uma correlação forte e positiva com as emissões de CO₂, o que implica que um aumento no consumo de combustíveis fósseis provocaria um aumento nas emissões de CO₂. O Produto Interno Bruto também apresenta uma correlação forte e positiva com as emissões de CO₂, indicando que essas duas variáveis variam na mesma direção.

Por outro lado, o investimento em recursos naturais possui uma relação positiva com as emissões de CO₂, embora essa relação seja fraca, sugerindo que a exploração de recursos naturais pode contribuir para o aumento das emissões de CO₂. Por fim, podemos observar uma relação negativa e moderada entre urbanização, globalização e emissões de CO₂. Essa relação negativa pode apoiar a ideia de que países mais urbanizados e globalizados estão mais preocupados com a ação climática e, portanto, tendem a ter emissões de CO₂ mais baixas. Isso pode ser atribuído ao fato de que países urbanizados e globalizados geralmente experimentam níveis mais elevados de crescimento e desenvolvimento.

Tabela 3
Matriz de correlações

	DLCO2pc	DLCbfpc	DLGdpc	DLNrr	LUrb	LGLO
DLCO2pc	1,00
DLCbfpc	0,96	1,00
DLGdpc	0,61	0,59	1,00
DLNrr	0,04	0,03	0,02	1,00
LUrb	-0,31	-0,30	-0,35	0,04	1,00
LGlo	-0,33	-0,33	-0,18	0,09	0,60	1,00

• Notas: L e DL indicam variáveis em logaritmo natural e em primeira diferença dos logaritmos, respectivamente.
• Fonte: elaboração dos autores

A Tabela 4 apresenta os dados relacionados à multicolinearidade. Com base nos dados, podemos verificar que as variáveis consumo de combustíveis fósseis, Produto Interno Bruto, investimento em recursos naturais, urbanização e globalização não exibem multicolinearidade. Isso sugere que as variáveis independentes não possuem relações lineares exatas ou sensivelmente exatas entre si. No presente artigo, seguimos a regra de corte individual da variável cifrada em 10 e a média de todas as variáveis em 6, na observação dos VIF.

Tabela 4
Multicolinearidade

Variável	VIF	1/VIF
LUrb	1,72	0,58
DLCbfpc	1,68	0,59
DLGdpc	1,68	0,59
LGlo	1,67	0,60
DLNrr	1,01	0,99
Média VIF	1,55

• Notas: L e DL representam variáveis em logaritmo natural e a primeira diferença dos logaritmos; VIF mostra o nível de correlação entre as variáveis, enquanto 1/VIF indica o quanto elas são independentes entre si.
• Fonte: elaboração dos autores

Testes de raízes unitárias

A literatura econômica fornece inúmeros testes para avaliar propriedades de estacionariedade das séries temporais, com destaque para os testes ADF de Dickey e Fuller, P-P de Phillips e Perron, KPSS de Kwiatkowski et al., e Ng-Perron de Ng e Perron. No entanto, de acordo com Shahbaz et al. (2013), esses testes podem fornecer resultados tendenciosos e espúrios devido à falta de informações sobre os pontos de ruptura estrutural que ocorrem na série e às limitações para testar múltiplas variáveis e defasagens. Portanto, no presente artigo, utilizamos os testes de raízes unitárias de Maddala e Wu (1999), bem como o teste de painel de segunda geração de Pesaran (2007), que é robusto à presença de dependência entre as seções transversais dos dados.

O teste desenvolvido por Maddala e Wu (1999) considera a heterogeneidade no coeficiente autorregressivo da regressão de Dickey-Fuller e lida com a dependência seccional dos dados. Por outro lado, os testes de Pesaran (2007) levam em consideração a heterogeneidade no coeficiente autorregressivo da regressão de Dickey-Fuller e permitem a presença de um único fator não observável nos dados. Nesse caso, a estatística é construída com base nos resultados da regressão ADF.

A hipótese nula que permitiu analisar a estacionariedade ou a presença de raízes unitárias é H₀: β_i = 0 (para qualquer i), o que implica que a série é não estacionária, com a aplicação das primeiras diferenças. A hipótese alternativa é H₁: β_i < 0 (i = 1, 2, …,N1; βi = 0, i = N1 + 1, N1 + 2,…,N), o que indica que a variável é estacionária com a aplicação das primeiras diferenças, logo, não possui raízes unitárias.

Portanto, as variáveis emissões de CO₂, Produto Interno Bruto, consumo de combustíveis fósseis e investimento em recursos naturais não são estacionárias em níveis. Assim, foi necessário transformá-las nas primeiras diferenças logarítmicas, tornando-as estacionárias, o que implica que são integradas de ordem I(1). Por outro lado, as variáveis urbanização e globalização tendem a ser estacionárias em níveis quando aplicamos o teste de raízes unitárias de Maddala e Wu (1999) e o teste de painel de segunda geração de Pesaran (2007). Esse resultado sugere que as variáveis são integradas de ordem I(0).

Diagnóstico dos resíduos

A verificação dos pressupostos inerentes aos resíduos do modelo foi feita por meio do teste de normalidade de Jarque-Bera. O resultado do teste revelou um valor-p inferior a 0,05, indicando a rejeição da hipótese nula de normalidade dos resíduos.

Tabela 5
Teste de Normalidade

Variável	Obs	Pr(skewness)	Pr(kurtosis)	Adj χ²(2)	Prob > χ²
resíduo	551	0,00	0,00	122,60	0,00

• Notas: Obs indica o número de observações; Pr(skewness) e Pr(kurtosis) mostram as probabilidades dos testes de assimetria e curtose; Adj χ²(2) é o valor ajustado do qui-quadrado com dois graus de liberdade; Prob > χ² indica a probabilidade do teste conjunto de normalidade.
• Fonte: elaboração dos autores

Testes de Wooldridge e Wald

Para aferir a existência de autocorrelação nas equações em painel, foi aplicado o teste de Wooldridge. Adicionalmente, recorreu-se ao teste de Wald para verificar a presença de heterocedasticidade nos resíduos.

Tabela 6
Testes de Wooldridge e de Wald

Teste de Wooldridge
Estatística F (1, 18)	Valor-p (Prob > F)
76,25	0,00
Teste de Wald
Chi² (19)	Prob > Chi²
686,4	0,00

• Notas: Estatística F (1, 18) indica o valor do teste F com 1 e 18 graus de liberdade; Valor-p (Prob > F) mostra a probabilidade associada a esse teste; Chi² (19) representa o valor do teste qui-quadrado com 19 graus de liberdade; Prob > Chi² indica a probabilidade associada ao teste qui-quadrado
• Fonte: elaboração dos autores

Estes resultados justificam a utilização de erros-padrão robustos na estimação, assegurando maior fiabilidade dos coeficientes obtidos.

Teste de especificação do modelo

Para assegurar a adequação da especificação do modelo, foi aplicado o teste de Ramsey RESET. Este teste permite identificar possíveis omissões de variáveis relevantes ou formas funcionais inadequadas na regressão, conforme apresentado na Tabela 7.

Tabela 7
Teste de especificação

Hipótese Nula	Estatística F (1, 520)	Valor-p	Decisão
fit2 = 0	12,94	0,00	Rejeita H₀: fit2 é relevante

• Notas: A estatística F e o valor-p mostram o resultado do teste. Como H₀ foi rejeitada, fit² é estatisticamente relevante no modelo.
• Fonte: elaboração dos autores

Teste de dependência cruzada

A verificação da dependência cruzada entre as secções foi realizada recorrendo ao teste de Pesaran (CD) e ao teste de Frees. Estes testes são cruciais para garantir que os erros não apresentem correlações entre as unidades do painel. Os resultados revelaram um valor-p superior a 0,05, não permitindo rejeitar a hipótese nula.

Tabela 8
Teste de dependência cruzada

Teste	Estatística	Valor-p / Comparação	Decisão sobre H₀
Pesaran	0,40	0,69	Não rejeita (sem dependência)
Frees	-0,09	< 0,09 (crítico 10%)	Não rejeita (sem dependência)

• Notas: Os testes de Pesaran e Frees não rejeitam a hipótese nula, indicando ausência de dependência entre as unidades do painel.
• Fonte: elaboração dos autores

Procedimento de estimativa do modelo

No presente artigo, foi adotada a técnica do Modelo Autorregressivo de Defasagem Distribuída, comumente chamada de modelo ARDL, conforme definido por Pesaran et al. (2001).

A técnica ARDL oferece algumas vantagens, sendo mais prática para amostras pequenas. Além disso, é facilmente aplicável quando as variáveis são estritamente I(0), estritamente I(1) ou uma combinação de ambas, ou seja, I(0) e I(1) (Pesaran et al. 2001). A técnica ARDL também determina o número apropriado de defasagens no tempo. Por fim, o mecanismo de correção de erros (ECM) pode ser obtido por meio de testes conjuntos, a partir da transformação de um modelo de regressão linear simples (OLS).

Os testes ARDL não devem ser aplicados se alguma das variáveis utilizadas no estudo for estacionária apenas quando aplicadas as segundas diferenças, ou seja, cointegradas de ordem I(2) (Ahmad e Du 2017). Isso ocorre porque a abordagem ARDL está intimamente relacionada ao fato de as variáveis serem estacionárias quando aplicadas as primeiras diferenças I(1), estacionárias de ordem I(0) ou uma combinação das duas I(0) e I(1).

A relação matemática do modelo pode ser especificada do seguinte modo (Eq. 4):

$DLC{O}_{2it}={\beta }_{0i}+{\beta }_{Gdp}DLGd{p}_{it}+{\beta }_{Cbf}DLCb{f}_{it}+{\beta }_{Nrr}DLNr{r}_{it}+{\beta }_{Urb}LUr{b}_{it+}{\beta }_{Glo}LGl{o}_{it+}{\mu }_{it}$ (4)

onde β_0i e β_k, com k=1,…,5, representam os interceptos e os parâmetros estimados do modelo, DL são as diferenças logarítmicas, L são os logaritmos naturais, e μ_it é o termo de erro que assume a natureza de ruído branco. Com base nisso, podemos definir a relação geral do modelo da seguinte maneira (Eq. 5):

$DLCO2it=\beta 0i+{\displaystyle \sum }_{j=1}^{n1}\beta 1jDLCO2it-j+{\displaystyle \sum }_{j=0}^{n2}\beta 2jDLGdpit-j+{\displaystyle \sum }_{j=0}^{n3}\beta 3jDLCbfit-j+{\displaystyle \sum }_{j=0}^{n4}\beta 4jDLNrrit-j+{\displaystyle \sum }_{j=0}^{n5}\beta 5jLUrbit-j+{\displaystyle \sum }_{j=0}^{n6}\beta 6jLGloit-j+\delta 0DLCO2it-1+\delta 1DLGdpit-1+\delta 2DLCbfit-1+\delta 3DLNrrit-1+\delta 4LUrbit-1+\delta 5LGloit-1+\mu it$ (5)

Onde os sinais esperados dos parâmetros são: β _0i ≠0; β_1j ≠0; β_2j >0; β_3j >0; β_4j ≠0; β_5j ≠0; β_6j ≠0; -1≤δ₀ <0; δ ₁ >0; δ ₂ >0; δ ₃ ≠0; δ ₄ ≠0; e δ ₅ ≠0.

No entanto, para analisar a relação entre emissões de CO₂, consumo de combustíveis fósseis e crescimento econômico, utilizamos o termo de correção de erros definido por Pesaran et al. (2001) e Ahmad e Du (2017), cuja formulação matemática pode ser apresentada da seguinte forma (Eq. 6):

$\Delta DLCO2it=\beta 10i+{\displaystyle \sum }_{j=1}^{n1}\beta 11j\Delta DLCO2it-j+{\displaystyle \sum }_{j=0}^{n2}\beta 12j\Delta DLGdpit-j+{\displaystyle \sum }_{j=0}^{n3}\beta 13j\Delta DLCbfit-j+{\displaystyle \sum }_{j=0}^{n4}\beta 14j\Delta DLNrrit-j+{\displaystyle \sum }_{j=0}^{n5}\beta 15j\Delta LUrbit-j+{\displaystyle \sum }_{j=0}^{n6}\beta 16j\Delta LGloit-j+\delta 10DLCO2it-1+\delta 11DLGdpit-1+\delta 12DLCbfit-1+\delta 13DLNrrit-1+\delta 14LUrbit-1+\delta 15LGloit-1+\mu 1it$ (6)

A equação 6 nos diz que ∆ é o operador de diferença, β_10i são as constantes, µ_1it é o termo de erro na forma de ruído branco, β₁₁-β₁₆ são os parâmetros de curto prazo do modelo, e δ₁₀-δ₁₅ representam as relações de longo prazo entre as variáveis do modelo.

Alternativamente à Eq. 6, e seguindo Ahmad e Du (2017), depois de estimados os coeficientes de longo prazo, obtêm-se os resíduos da estimação e utilizam-se os resíduos defasados em um período (ECT_t-1) na estimação dos coeficientes de curto prazo (Eq. 7):

$\Delta DLCO2it=\beta 20i+{\displaystyle \sum }_{j=1}^{n1}\beta 21j\Delta DLCO2it-j+{\displaystyle \sum }_{j=0}^{n2}\beta 22j\Delta DLGdpit-j+{\displaystyle \sum }_{j=0}^{n3}\beta 23j\Delta DLCbfit-j+{\displaystyle \sum }_{j=0}^{n4}\beta 24j\Delta DLNrrit-j+{\displaystyle \sum }_{j=0}^{n5}\beta 25j\Delta LUrbit-j+{\displaystyle \sum }_{j=0}^{n6}\beta 26j\Delta LGloit-j+\eta 21ECTit-1+\mu 2it$ (7)

Na equação 6, a expressão ECT_t-1 refere-se ao termo de correção de erro. Assim, de acordo com Hendry (1995) citado por Fuinhas e Marques (2012), adotamos a abordagem de modelagem geral que permite o desenvolvimento de um modelo mais parcimonioso possível e que seja aprovado nos testes de diagnóstico: (i) teste de normalidade de Jarque-Bera; (ii) teste de correlação serial; (iii) Teste de heterocedasticidade; e (iv) Teste Ramsey RESET para especificação do modelo.

O número ótimo de defasagens nos modelos ARDL foi selecionado com base no Critério de Informação de Akaike (AIC) e no Critério de Informação de Bayes (BIC), conforme prática comum na literatura empírica. Esta abordagem permite capturar os efeitos dinâmicos relevantes, mantendo a parcimônia do modelo.

Concluída a apresentação do modelo econométrico e dos procedimentos metodológicos adotados, procede-se à análise e discussão dos resultados obtidos com base nas estimações. Esta etapa visa interpretar, de forma crítica, os coeficientes estimados, tanto no curto quanto no longo prazo, relacionando-os com os objetivos do estudo e com a literatura existente.

5. Resultados e Discussão

Tal como observado anteriormente, o modelo ARDL pode ser aplicado na presença de variáveis com diferentes ordens de integração ou associação, desde que as séries não sejam essencialmente integradas de ordem dois, ou I(2). Os testes de raízes unitárias indicam que, no presente artigo, temos variáveis I(1), nomeadamente: emissões de dióxido de carbono per capita, produto interno bruto per capita, consumo de combustíveis fósseis per capita e investimento em recursos naturais; e variáveis I(0), como urbanização e globalização. Essa perspectiva, por sua vez, aumenta a viabilidade e a consistência do modelo utilizado.

Um dos aspectos cruciais consiste em assegurar que os estimadores não apresentem autocorrelação, correlação contemporânea e heterocedasticidade. Para isso, utilizamos um estimador robusto denominado erro padrão de Driscoll e Kraay, o que permite uma análise mais precisa do processo de interação entre as variáveis do modelo, assegurando, desse modo, que o processo dinâmico dos parâmetros seja estável. Os dados da regressão, incluindo todas as variáveis do modelo, são apresentados na Tabela 9.

Tabela 9
Driscoll e Kraay (modelo geral)

Variável dependente: dlCO2pc
Variáveis	Coeficiente		Desv. Pad.	t	P>t	[95% conf.	intervalo]
DLCbfpc	0,94		0,03	27,21	0	0,87	1,01
DLGdpc	0,08		0,03	2,45	0,02	0,01	0,15
DLNrr	0,00		0,00	1,07	0,30	0,00	0,01
LUrb	0,25		0,15	1,64	0,11	-0,06	0,56
LGlo	0,01		0,02	0,48	0,64	-0,04	0,06
l_lCO2pc	-0,10		0,03	-3,08	0,01	-0,16	-0,03
l_lCbfpc	0,10		0,03	3,18	0,00	0,04	0,17
l_lGdpc	0,00		0,01	-0,6	0,55	-0,02	0,01
l_lNrr	0,00		0,00	2,62	0,01	0,00	0,00
l_lUrb	-0,23		0,15	-1,59	0,12	-0,53	0,07
l_lGlo	-0,02		0,02	-0,88	0,39	-0,06	0,02
_cons	0,52		0,18	2,88	0,008	0,15	0,88

• Notas: Desv. Pad. mostra o desvio padrão; t e P > t indicam sua significância; [95% conf. intervalo] mostra o intervalo de confiança do coeficiente. Número de observações = 551, Número de grupos = 19, F(11, 28) = 1563,40, Prob > F = 0,00, e R² intra-grupos = 0,91.
• Fonte: elaboração dos autores

A Tabela 9 reflete os resultados da regressão de todas as variáveis do estudo, utilizando os efeitos fixos, incluindo defasagens significativas (lag 3) para cada variável no modelo, de acordo com as especificações definidas. A tabela 10 apresenta os critérios de informação de Akaike (AIC) e o critério de informação de Bayes (BIC) para o modelo completo.

Tabela 10
Critérios de informação Driscoll e Kraay (modelo geral)

Model	N	ll(null)	ll(model)	df	AIC	BIC
-	551	1064,67	1737,28	12	-3450,55	-3398,81

• Notas: N indica o número de observações; ll(null) e ll(model) mostram as log-verossimilhanças dos modelos nulo e estimado; df são os graus de liberdade; AIC e BIC avaliam a qualidade do modelo.
• Fonte: elaboração dos autores

Portanto, nosso modelo foi simplificado para a modelagem subsequente, cuja formulação matemática pode ser especificada da seguinte forma (Eq. 8):

$DLC{O}_{2it}={\beta }_0+{\beta }_{1}DLCO{2}_{it-1}+{\beta }_{2}DLGd{p}_{it-1}+{\beta }_{3}DLCb{f}_{it-1}+{\delta }_{0}DLCO{2}_{it-1}+{\delta }_{1}DLCb{f}_{it-1}+{\delta }_{2}LNr{r}_{it-1}+{\delta }_{3}LGl{o}_{it-1}+{\mu }_{it}$ (8)

A definição do modelo parcimonioso foi realizada por meio da comparação dos critérios AIC/BIC do modelo completo com os do modelo parcimonioso. Com base nos valores observados nas tabelas 10 e 12, é evidente que o modelo parcimonioso apresenta valores menores (AIC/BIC) em comparação com o modelo completo. Portanto, a escolha do modelo parcimonioso é justificada como a mais apropriada, e seus resultados estão apresentados na Tabela 11.

Tabela 11
Driscoll & Kraay (modelo parcimonioso)

Variável dependente: DLCO2pc
Variáveis	Coeficiente		Desv. Pad.	t	P>t	[95% conf.	intervalo]
DLCbfpc	0,94		0,03	28,44	0	0,87	1,01
DLGdpc	0,08		0,03	2,85	0,01	0,02	0,14
l_lCO2pc	-0,09		0,03	-3,36	0,00	-0,15	-0,04
l_lCbfpc	0,10		0,03	3,47	0,00	0,04	0,15
l_lNrr	0,00		0,00	1,82	0,08	0,00	0,00
l_lGlo	-0,01		0,00	-2,16	0,04	-0,01	0,00
_cons	0,50		0,14	3,64	0,00	0,22	0,78

• Notas: Desv. Pad. mostra o desvio padrão; t e P > t indicam sua significância; [95% conf. intervalo] mostra o intervalo de confiança do coeficiente. Número de observações = 551, Número de grupos = 19, F(6,28) = 916,92, Prob > F = 0,00 e R² intra-grupos = 0,91.
• Fonte: elaboração dos autores

Tabela 12
Critérios de informação Driscoll & Kraay (modelo parcimonioso)

Modelo	N	LL(null)	LL(model)	df	AIC	BIC
-	551	1064,67	1735,17	7	-3456,34	-3426,16

• Notas: N indica o número de observações; ll(null) e ll(model) mostram as log-verossimilhanças dos modelos nulo e estimado; df são os graus de liberdade; AIC e BIC avaliam a qualidade do modelo
• Fonte: elaboração dos autores

A Tabela 13 apresenta as estimativas e os respectivos níveis de significância estatística dos impactos de curto e longo prazo, incluindo a velocidade de ajustamento do modelo para o período de longo prazo.

Tabela 13
Impactos de curto e longo prazo e velocidade de ajustamento

Variável	Estimativas
Impactos de curto prazo
DLCbfpc	0,94***
DLGdpc	0,08***
Velocidade de ajustamento do modelo (ECM)
l_lCO2pc	-0,09***
Impactos de longo prazo
l_lCbfpc	1,05***
l_lGlo	-0,076**
l_lNrr	0,017*
N	551
F	916,92

• Notas: ***, ** e * indicam significância estatística aos níveis de 1%, 5% e 10%, respectivamente. N = tamanho da amostra; F = teste de significância global do modelo.
• Fonte: elaboração dos autores.

Análise dos efeitos de curto prazo

A Tabela 13 apresenta os níveis de significância estatística das variáveis, considerando os patamares de 1%, 5% e 10%. Assim, é necessário avaliar o impacto de cada variável explicativa sobre a variável dependente em um contexto de curto prazo.

A partir do modelo parcimonioso, podemos observar que o coeficiente associado ao consumo de combustíveis fósseis per capita apresenta um valor positivo de 0,94 (p<0,01) e estatisticamente significativo. Portanto, conclui-se que o consumo de combustíveis fósseis é tendencialmente relevante para explicar o aumento das emissões de dióxido de carbono e contribuir para a degradação ambiental nos países do G20. No curto prazo, um aumento de 1% no consumo de combustíveis fósseis está associado a um aumento de 0,94% nas emissões de CO₂, com um intervalo de confiança de 95% entre 0,87 e 1,01, demonstrando um tamanho de efeito elevado. Essas estimativas estão alinhadas com a ideia de que o aumento no consumo de combustíveis fósseis contribui para o aquecimento global e para mudanças ambientais prejudiciais, corroborando o pensamento apresentado por Kazemzadeh et al. (2021), de que o consumo de combustíveis fósseis afeta positivamente a pegada ecológica, e, por tanto, contribui para o aumento das emissões.

Além disso, os resultados da regressão mostram que o coeficiente da variável PIB per capita é positivo e estatisticamente significativo ao nível de 1%, mas indicam um efeito moderado sobre as emissões (coef.= 0,08; IC95% = 0,02; 0,14). Isso sugere que o crescimento econômico é relevante para explicar as emissões de dióxido de carbono no curto prazo nos países do G20. Um aumento de 1% no produto interno bruto per capita está associado a um aumento de 0,08% nas emissões de CO₂. Portanto, no curto prazo, o crescimento econômico está positivamente associado às emissões de CO₂, o que indica que é difícil aumentar o crescimento econômico sem aumentar as emissões de CO₂ (Kazemzadeh et al. 2021). Isso pode ocorrer porque, na fase inicial ou de retomada do crescimento econômico, o uso de energias não limpas para financiar a produção tende a ser mais predominante do que as fontes limpas. Essa relação é consistente com estudos anteriores, que indicaram que o crescimento econômico inicial tende a resultar em degradação ambiental. Por exemplo, Guliyev (2025) concluiu que, em muitas economias desenvolvidas, como Canadá, EUA, França, Alemanha e Reino Unido - todos membros do G20 -, as energias renováveis contribuem de forma insignificante para o crescimento econômico. Essa conclusão pode reforçar os achados do presente estudo, ao sugerir que, no curto prazo, o crescimento econômico dessas economias é significativamente influenciado pelo consumo de combustíveis fósseis, o que contribui para o aumento das emissões. De igual modo, resultados semelhantes foram encontrados por Koengkan e Fuinhas (2020), ao afirmarem que o crescimento econômico possui uma associação positiva com as emissões de CO₂.

No entanto, a relação positiva entre emissões de CO₂ e produto interno bruto no curto prazo sugere que a implementação de medidas para reduzir as emissões de CO₂ pode implicar uma desaceleração da atividade econômica. Isso foi observado durante a crise de saúde pública da COVID-19, quando a redução da atividade econômica resultou em uma diminuição temporária das emissões de CO₂. Entretanto, a recuperação da atividade econômica em 2021 levou a um aumento nas emissões de CO₂, devido ao crescimento do consumo de energia, o que está em linha com os resultados encontrados, de que a atividade econômica impacta as emissões de dióxido de carbono.

Este aspecto ressalta a importância do desenvolvimento de políticas estruturais voltadas à promoção de uma economia mais sustentável e comprometida com a proteção das futuras gerações, buscando conciliar crescimento econômico com práticas ambientalmente responsáveis. Por outro lado, a experiência da COVID-19 reforça, de forma significativa, a necessidade de adoção de medidas sustentáveis - e não apenas paliativas - que minimizem os impactos das atividades humanas sobre o meio ambiente. No contexto das emissões, essa crise representa uma lição clara sobre a urgência de investir em fontes de energia limpa, incentivar a economia circular e implementar políticas que desestimulem práticas poluentes, em vez de poluir hoje e tentar reparar amanhã, o que pode deixar as sociedades desprevenidas frente a crises futuras. É fundamental que toda política com visão de futuro se baseie nessas lições, incorporando mecanismos capazes de garantir uma recuperação econômica sustentável e a mitigação de práticas prejudiciais à qualidade ambiental. Conforme observado por Belucio e Guarini (2023), os choques econômicos, sejam provocados por crises financeiras ou pandémicas, tendem a reduzir a prioridade dada às questões ambientais em favor do crescimento econômico. Essa inversão de prioridades acarreta efeitos negativos, como o aumento das emissões de gases de efeito estufa, e compromete o avanço de políticas voltadas à melhoria da qualidade ambiental. Nesse sentido, torna-se recomendável a adoção de estratégias de recuperação econômica que estejam alinhadas com os objetivos de sustentabilidade ambiental.

O fato do consumo de combustíveis fósseis apresentar significância estatística nas estimativas reforça a necessidade de discussão e aprimoramento das políticas públicas voltadas à mitigação de práticas que comprometem a sustentabilidade ambiental. Nesse sentido, alguns países membros do G20, cientes dos efeitos nocivos do uso intensivo de combustíveis fósseis sobre o meio ambiente e sobre a continuidade sustentável das espécies, têm adotado um conjunto de medidas para promover a transição energética e melhorar a qualidade de vida no planeta. A Alemanha, por exemplo, tem realizado investimentos expressivos na substituição de fontes poluentes por alternativas menos agressivas ao meio ambiente, com destaque para a redução gradual da dependência do carvão, uma das principais fontes de emissão de CO₂. A França, por sua vez, tem implementado medidas regulatórias voltadas à descarbonização da economia, como a adoção de um imposto sobre o carbono, com o objetivo de incentivar práticas energeticamente mais eficientes e desestimular o uso de combustíveis fósseis. Destaca-se, a nível europeu, a política de descarbonização industrial da União Europeia e o Pacto Ecológico Europeu. Já na Ásia, a China tem empreendido esforços significativos no controle das emissões, por meio da imposição de limites regionais de poluição e do investimento em transporte elétrico e energias limpas. Esses exemplos evidenciam o compromisso crescente dos países do G20 com o desenvolvimento de políticas ambientais robustas, alinhadas à urgente necessidade de mitigar o efeito estufa, cuja intensificação está diretamente associada ao consumo de combustíveis fósseis.

Contudo, apesar desses esforços individuais, ainda há muito a ser feito para alcançar os resultados desejáveis, sobretudo no que se refere à construção de uma regulamentação conjunta e eficaz entre os países, bem como à adoção de uma postura coordenada, baseada no bom senso e no compromisso mútuo com práticas sustentáveis que assegurem uma transição energética plena e efetiva.

No que diz respeito às variáveis explicativas adicionais, nomeadamente investimento em recursos naturais, urbanização e globalização, seus coeficientes de curto prazo apresentam sinais positivos, mas não são estatisticamente significativos. Portanto, é difícil interpretar esses resultados do ponto de vista estatístico. De forma geral, podemos inferir que, no curto prazo, o investimento em recursos naturais tem um efeito positivo sobre as emissões de CO₂. Isso pode decorrer da ideia de que uma maior exploração de recursos naturais pode resultar em degradação ambiental e na liberação de poluentes nocivos.

No caso da urbanização e da globalização, seus coeficientes também não são estatisticamente significativos no curto prazo. Isso sugere que, na fase inicial do processo de urbanização e globalização, os países podem estar contribuindo para a degradação ambiental e gerando emissões de CO₂, embora essa relação não apresente significância estatística. A existência de um coeficiente positivo para a globalização, embora não significativo do ponto de vista estatístico sobre as emissões, vai de acordo com os resultados encontrados por Koengkan et al. (2020), nos quais se verificam efeitos adversos da globalização sobre as emissões de CO₂ em economias pertencentes aos países da América Latina e do Caribe, revelando, mais uma vez, que, se não devidamente controlada, ela pode acarretar efeitos práticos adversos e severos sobre as emissões de CO₂.

No entanto, é importante ressaltar que, mesmo que essas variáveis não tenham uma relação estatisticamente significativa com as emissões de CO₂ nos países do G20 no curto prazo, não devemos subestimar a importância da valorização e da implementação de medidas que protejam o meio ambiente e reduzam as emissões de dióxido de carbono.

Além disso, a falta de significância estatística não implica, necessariamente, que o investimento em recursos naturais, a urbanização e a globalização não tenham efeitos indiretos - ainda que não plenamente captados pelo modelo - e relevantes no processo de emissões de dióxido de carbono. Esses efeitos podem se manifestar em um horizonte de tempo mais longo ou em interação com outras variáveis não incluídas no modelo. Também é possível que políticas públicas ou medidas institucionais tenham contribuído para atenuar o impacto dessas variáveis sobre as emissões de CO₂. Portanto, é fundamental continuar monitorando e avaliando o impacto dessas dimensões no contexto das políticas ambientais e de desenvolvimento sustentável.

Todavia, as variáveis recursos naturais e globalização apresentam efeitos de menor magnitude, sugerindo um efeito atenuador sobre as emissões. No entanto, de um modo geral, a magnitude do R² intra-grupos (0,91) e o teste F(6,28) = 916,92 (p < 0,01) reforçam o poder explicativo do modelo, aumentando a sua robustez e consistência dos resultados.

Velocidade de ajustamento do modelo

As estimativas incluem o mecanismo de correção de erros (ECM), também conhecido como velocidade de ajustamento do modelo, conforme apresentado na Tabela 13. A análise desse mecanismo é relevante, pois os desequilíbrios observados no curto prazo são interpretados como processos de ajuste rumo ao equilíbrio de longo prazo (Saiani 2022). Pode-se inferir que uma maior velocidade de ajustamento implica um retorno mais rápido das variáveis ao estado de equilíbrio, enquanto uma menor velocidade indica um processo mais lento de correção dos desvios. Neste artigo, considerando o coeficiente estimado da velocidade de ajustamento igual a -0,09 (com p-valor = 0,002), podemos afirmar que as relações de equilíbrio entre as variáveis, na transição do curto para o longo prazo, tendem a ocorrer de forma lenta, embora estatisticamente significativa. Elasticidades negativas e estatisticamente significativas ao nível de 1% também foram encontradas por Koengkan e Fuinhas (2020), enfatizando resultados semelhantes sobre a direção dos efeitos das variáveis analisadas. Os resultados do nosso estudo indicam que aproximadamente 9% dos desvios em relação ao equilíbrio de longo prazo são corrigidos a cada período. De forma análoga, um coeficiente de correção de erros igual a -1 sugeriria um retorno imediato ao equilíbrio, enquanto valores próximos de zero, como -0,001, refletiriam um ajustamento extremamente lento, com correções graduais ao longo do tempo. Assim, os intervalos de confiança de -0,15 e -0,04, reforçam a estabilidade das estimativas.

Contudo, a adoção de determinadas políticas públicas pode induzir correções mais rápidas no processo de ajustamento de longo prazo. Medidas como a implementação de impostos sobre emissões, a concessão de subsídios à inovação tecnológica e ao aumento da eficiência energética em setores intensivos em carbono - como os de transporte e indústria - revelam-se estratégicas nesse contexto. Essas políticas visam acelerar a transição para fontes de energia mais limpas e sustentáveis, contribuindo, assim, para a redução do tempo necessário à reconfiguração do equilíbrio ambiental.

Análise dos efeitos de longo prazo

A Tabela 13 sistematiza os resultados das elasticidades de longo prazo da variável consumo de combustíveis fósseis per capita. Conforme se pode observar, o coeficiente associado a esta variável é positivo e estatisticamente significativo ao nível de 1%. Este resultado indica que o consumo de combustíveis fósseis exerce um efeito positivo sobre as emissões de dióxido de carbono nos países do G20, no longo prazo. Em termos quantitativos, um aumento de 1% no consumo de combustíveis fósseis está associado a um aumento de 1,05% nas emissões de CO₂, valor superior à elasticidade estimada no curto prazo. Tal evidência sugere que, a longo prazo, o consumo de combustíveis fósseis tem um impacto mais expressivo sobre as emissões, o que se traduz numa maior degradação ambiental e intensificação do efeito estufa. Neste sentido, a implementação de medidas destinadas à redução do consumo de combustíveis fósseis deve constituir uma prioridade nos países do G20, a fim de mitigar os impactos ambientais e assegurar a sustentabilidade para as gerações futuras. Estes resultados estão em consonância com as conclusões de Lotfalipour et al. (2010).

É importante salientar que, com base nos resultados do modelo parcimonioso, a variável produto interno bruto per capita revelou-se estatisticamente não significativa no longo prazo. Este resultado sugere que o crescimento econômico, por si só, não está associado às emissões de CO₂ em um horizonte temporal mais longo. Assim, é possível refutar a ideia de que a redução das emissões de dióxido de carbono, a longo prazo, exige necessariamente uma desaceleração ou retração da atividade econômica. Esta constatação permite inferir - ainda que não constitua o objetivo central do presente estudo - que a qualidade ambiental tende a deteriorar-se nas fases iniciais do crescimento econômico, melhorando à medida que as economias alcançam patamares mais elevados de desenvolvimento, conforme argumentado por Dinda (2004). Em termos teóricos, esta dinâmica está relacionada com a chamada Curva de Kuznets Ambiental (Environmental Kuznets Curve - EKC), segundo a qual a degradação ambiental aumenta de forma desproporcional relativamente a renda nas fases iniciais do crescimento, mas tende a diminuir quando a economia atinge um nível de renda mais elevado. Essa inversão pode ser explicada pela adoção de tecnologias mais limpas, maior consciencialização ambiental, regulamentações mais rigorosas e políticas públicas sustentáveis, que se tornam mais viáveis à medida que o país se desenvolve. Consequentemente, nas fases iniciais, as emissões tendem a aumentar devido à maior utilização de fontes poluentes, sobretudo nos sectores industriais e dos transportes; porém, numa fase mais avançada do crescimento econômico, observa-se uma tendência de estabilização ou até de redução das emissões.

Por outro lado, resultados semelhantes foram encontrados por Ghosh (2010), em que os resultados não sugeriram uma relação de equilíbrio de longo prazo entre crescimento econômico e emissões de CO₂. Isso também está de acordo com a pesquisa apresentada por Soytas e Sari (2009), que sugere a ausência de uma relação de causalidade de longo prazo entre crescimento econômico, emissões de CO₂ e consumo de energia na Turquia.

Portanto, a ausência de uma relação de longo prazo entre crescimento econômico e emissões de CO₂ nos países do G20 implica que a adoção de fontes de energia limpa pode ocorrer sem, necessariamente, reduzir a atividade econômica, reduzindo, assim, a emissão de poluentes ambientais e diminuindo a discrepância nas diferentes lacunas identificadas no processo de adoção de práticas ambientalmente sustentáveis. Isso reforça a ideia de que os países do G20 não precisam reduzir sua atividade econômica a longo prazo para diminuir as emissões de CO₂.

Da mesma forma, a Tabela 13 apresenta as elasticidades de longo prazo das variáveis globalização e investimentos em recursos naturais. As evidências indicam que o coeficiente da variável globalização é negativo e estatisticamente significativo ao nível de 5%. Com base nisso, infere-se que, a longo prazo, a globalização apresenta uma associação com as emissões de CO₂ nos países do G20 - resultado semelhante foi encontrado por Betencourt e Fuinhas (2025) ao analisarem o impacto da formação dinâmica de capital na transição energética: evidências empíricas da União Europeia.

Esse resultado pode ser explicado pela adoção de práticas e políticas que promovem a integração econômica sem comprometer o meio ambiente, criando oportunidades comerciais e econômicas para empresas voltadas à oferta de produtos e tecnologias sustentáveis. Assim, a globalização, quando acompanhada de medidas ambientais adequadas, contribui para uma maior sustentabilidade e para a mitigação do efeito estufa.

Assim, a longo prazo, um aumento de 1% na globalização está associado a uma redução de 0,076% nas emissões de dióxido de carbono. No entanto, é importante notar que o coeficiente de curto prazo da variável globalização é positivo, mas estatisticamente não significativo. Isso sugere que, no curto prazo, o efeito da globalização sobre as emissões de CO₂ não é estatisticamente relevante, mas poderá acarretar consequências. Esses achados corroboram a argumentação apresentada por Pakrooh et al. (2025), que sugerem que a abertura comercial está associada à redução das emissões, o que reforça as conclusões do estudo, especialmente no que diz respeito aos efeitos de longo prazo.

Por outro lado, o coeficiente da variável investimento em recursos naturais é positivo e estatisticamente significante ao nível de 10%. Apesar de sua significância ser limitada, pode-se inferir que, a longo prazo, o investimento em recursos naturais tem um efeito positivo nas emissões de CO₂ nos países do G20. Isso pode ser justificado pela exploração inadequada dos recursos naturais e pelo aumento da pegada ecológica, o que contribui para o aumento do efeito estufa e compromete a sustentabilidade ambiental. Assim, a longo prazo, um aumento de 1% no investimento em recursos naturais está associado a um aumento de 0,017% nas emissões de dióxido de carbono. No entanto, o coeficiente de curto prazo da variável investimento em recursos naturais é positivo, mas estatisticamente não significante.

No entanto, a urbanização também se revelou estatisticamente não significativa a longo prazo. Isso sugere que seu coeficiente não é relevante para explicar as emissões de dióxido de carbono a longo prazo nos países do G20. Em resumo, à medida que os países alcançam estágios mais avançados de desenvolvimento em várias áreas, o impacto dessa variável sobre o meio ambiente é considerado irrelevante, tanto no curto quanto no longo prazo. A variável urbanização não contribui significativamente para explicar o comportamento das emissões de dióxido de carbono a longo prazo nos países do G20, apresentando uma associação residual. Esse fato não diverge significativamente da conclusão apresentada por Pakrooh et al. (2025), ao apontarem que os efeitos da urbanização são heterogêneos e condicionados ao nível de desenvolvimento econômico dos países, mas contrastam com os achados de Betencourt e Fuinhas (2025), segundo os quais a população urbana apoia a transição, provavelmente por meio da eficiência da infraestrutura e da demanda concentrada, reduzindo, por essa via, seus efeitos adversos sobre o meio ambiente.

Analise de robustez

Os testes de robustez realizados neste artigo consistiram na aplicação dos pressupostos inerentes ao modelo ARDL a uma amostra mais circunscrita, composta pelos países do G7. Essa abordagem permitiu avaliar a consistência dos resultados encontrados no modelo estimado para o G20, conforme se pode observar na Tabela B4, no apêndice.

Quanto aos procedimentos de estimação, os testes de diagnósticos indicaram que o método de efeitos fixos é o mais adequado, conforme apontado pelo teste de Hausman - resultado que também foi verificado no modelo estimado para o G20. Em relação aos resultados, observou-se que o consumo de combustíveis fósseis apresenta uma associação positiva e estatisticamente significativa com as emissões de CO₂, tanto no curto quanto no longo prazo. Essa evidência é coerente com os resultados obtidos na amostra do G20 e com estudos anteriores, como o de Lotfalipour et al. (2010).

Por outro lado, o Produto Interno Bruto (PIB) não apresentou significância estatística para explicar as emissões de CO₂ nos países do G7, seja no curto ou no longo prazo - resultado semelhante ao obtido na amostra do G20, com exceção de que, neste último caso, o PIB apresentou significância no curto prazo. As estimações incluíram ainda o mecanismo de correção de erros (ECM), refletido na velocidade de ajustamento do modelo.

Cabe destacar que o modelo estimado se mostra suficientemente flexível para ser aplicado em diferentes contextos, desde que sejam respeitados os procedimentos metodológicos adequados à sua implementação.

6. Conclusão

O presente artigo procurou analisar os impactos do consumo de combustíveis fósseis e do crescimento econômico sobre as emissões de dióxido de carbono (CO₂) nos países do G20, usando dados anuais do PIB, emissões de dióxido de carbono, consumo de petróleo, consumo de carvão e gás natural como proxy para combustíveis fósseis, urbanização, globalização e investimentos em recursos naturais. Os dados anuais das séries temporais correspondem ao período de 1990 a 2019. Os testes preliminares não indicaram multicolinearidade nem dependência seccional entre as variáveis analisadas, tendo sido constatada a presença de combinações de variáveis I(0) e I(1). A metodologia utilizada para relacionar as variáveis baseou-se na abordagem do modelo Autorregressivo de Defasagem Distribuída (ARDL).

No que diz respeito aos resultados de estimação pelo modelo ARDL, estes indicam uma associação positiva entre o consumo de combustíveis fósseis e o aumento das emissões de dióxido de carbono nos países do G20. Nesse contexto, políticas que incentivem a transição para fontes de energia menos poluentes ganham relevância, sobretudo considerando que uma parte expressiva da energia consumida globalmente ainda provém de fontes fósseis, como carvão, petróleo e gás natural, associadas ao agravamento do aquecimento global. Além disso, os resultados indicam que, a longo prazo, essa associação tende a se intensificar, reforçando a importância de estratégias sustentáveis no combate das mudanças climáticas.

Considerando que o consumo de combustíveis fósseis apresenta um efeito significativo do ponto de vista estatístico tanto no curto quanto no longo prazo, os resultados obtidos não apenas oferecem uma contribuição empírica à literatura existente sobre os fatores que intensificam as emissões de CO₂, mas também podem subsidiar os formuladores de políticas no desenvolvimento de estratégias mais eficazes. No curto prazo, por exemplo, podem ser adotadas medidas emergenciais, como a implementação de impostos sobre o carbono, como ocorre na França, ou a concessão de subsídios a práticas que incentivem o uso de fontes de energia renovável, a fim de conter a propagação imediata das emissões, cujos efeitos acumulados podem ser ainda mais devastadores no longo prazo. Já no longo prazo, os países podem adotar políticas estruturantes e integradas, como os investimentos chineses em transporte elétrico e em fontes energéticas limpas, além da criação de mecanismos de cooperação ambiental que favoreçam a adoção de práticas sustentáveis e acordos de mitigação com horizontes temporais mais amplos.

Relativamente à variável PIB per capita, os resultados evidenciam uma associação positiva e estatisticamente significativa no curto prazo. Isso implica que o crescimento econômico tende a ser relevante para explicar as emissões de CO₂ nesse horizonte temporal, sugerindo que não é possível conduzir uma política de crescimento econômico sem aumentar as emissões de CO₂. No entanto, essa relação perde significância no longo prazo, indicando que os países do G20 não precisam desacelerar o crescimento econômico para reduzir as emissões.

As variáveis globalização e investimento em recursos naturais mostraram-se estatisticamente significativas no longo prazo, aos níveis de significância de 5% e 10%, respectivamente, reforçando a necessidade de controle e monitoramento dos efeitos dessas variáveis sobre as emissões.

Contudo, com base nos resultados obtidos, podemos depreender que as emissões de CO₂ estão fortemente associadas ao consumo de combustíveis fósseis e ao crescimento econômico no curto prazo, sendo que, no longo prazo, a dependência permanece centrada sobretudo no consumo de combustíveis fósseis. Essa realidade impõe uma série de implicações de natureza econômica e social. Do ponto de vista econômico, a persistente utilização de fontes poluentes representa um desafio significativo para a consecução de um crescimento sustentável, comprometendo o bem-estar das gerações futuras. Isso porque o custo ambiental presente poderá se traduzir, no futuro, em um elevado ônus financeiro, exigindo investimentos mais intensivos em setores menos poluentes e mais resilientes às mudanças climáticas.

No plano social, os efeitos negativos da poluição tendem a incidir de forma desproporcional sobre as populações mais vulneráveis, como as economias menos desenvolvidas e comunidades marginalizadas, que possuem menor capacidade de adaptação e escassos recursos para implementar processos de descarbonização. Tais impactos também se refletem na saúde pública, ao aumentar a incidência de doenças respiratórias e cardiovasculares, pressionando os sistemas de saúde e comprometendo o bem-estar geral da população. Esses achados reforçam a urgência da adoção de políticas públicas abrangentes que promovam uma transição energética justa, equitativa e eficaz.

Alinhadas aos Objetivos de Desenvolvimento Sustentável (ODS), tais políticas devem ser lideradas, sobretudo, pelas economias do G20 que, enquanto maiores emissores e detentores de maiores capacidades institucionais e financeiras, podem desempenhar um papel central na reformulação dos padrões globais de produção e consumo, promovendo: (i) os investimentos em tecnologias de energia verde e a implementação de leis atualizadas de energia e meio ambiente; (ii) a diversificação das exportações e a sofisticação dos produtos em países com elevada pegada ecológica; (iii) a negociação de acordos comerciais internacionais que favoreçam a mudança ambiental; (iv) a implementação de medidas para reduzir a desigualdade de renda, proteger o meio ambiente e incluir as populações mais vulneráveis (Kazemzadeh et al. 2021). Tal como afirmam Oluklulu e Kasal (2025), o fato de as políticas fiscais serem mais eficazes nos países de alta renda reflete que esses países dispõem de melhores ferramentas para implementar e liderar políticas climáticas eficazes.

Implicações de política econômica

Os resultados deste artigo têm implicações significativas para o desenvolvimento de políticas econômicas nos países do G20, dada a relevância dessas economias no cenário global e seu papel central nos acordos internacionais sobre mudanças climáticas. Evidencia-se que o consumo de combustíveis fósseis e o crescimento econômico são fatores relevantes no aumento das emissões de CO₂, o que requer esforços coordenados para promover a sustentabilidade das futuras gerações. Isso implica a necessidade de restringir o uso de fontes de produção altamente poluentes, por meio de ações como a implementação de regulamentações que penalizem indústrias com elevado impacto ambiental. Por exemplo, a adoção de impostos sobre o carbono, com o objetivo de desincentivar práticas produtivas incompatíveis com os Objetivos de Desenvolvimento Sustentável (ODS).

Paralelamente, é essencial promover setores inovadores no uso de energias renováveis por meio de subsídios diretos, facilitação do acesso a financiamentos com juros bonificados e incentivos fiscais, como a redução de impostos sobre os lucros provenientes de atividades ambientalmente sustentáveis, especialmente nos setores industrial e de transportes, que concentram a maior parte das emissões. A implementação dessas medidas poderá demandar maior cooperação entre os países e a formulação de políticas tecnológicas coordenadas, as quais, conforme apontado por Fabrizi et al. (2024), podem gerar economias de escala e de escopo por meio da cooperação tecnológica verde, contribuindo para mitigar os elevados custos iniciais da transição ecológica.

Por fim, recomenda-se o fortalecimento de iniciativas voltadas à educação ambiental e à conscientização pública, por meio de campanhas de sensibilização que promovam mudanças de comportamento em relação ao consumo e à preservação do clima. A adoção dessas estratégias pode contribuir para mitigar o efeito estufa, impulsionar o uso de fontes de energia limpa e assegurar um crescimento econômico contínuo, aliado à justiça social e à preservação ambiental.

Limitações da investigação

Tal como em qualquer investigação científica, o presente artigo apresenta algumas limitações. A principal delas reside na não utilização de técnicas econométricas complementares ao modelo Autorregressivo de Defasagens Distribuídas (ARDL), tais como os testes de causalidade de Granger, os modelos de regressão para séries cointegradas (FMOLS e DOLS), bem como os modelos VAR e SVAR. Ademais, não foi possível adotar um modelo de painel dinâmico capaz de captar a dependência transversal e a heterogeneidade dos coeficientes entre os países, o que teria contribuído para maior robustez e precisão das inferências (Costantini e Gunter 2020; Nazlioglu e Karul 2021). Reconhecemos também a ausência de testes formais de diferenças estruturais, como o teste de Chow ou a introdução de termos de interação. Estes factos apresentados na seção de limitações introduzem alguma cautela na análise e interpretação dos principais achados do estudo, podendo, em determinados casos, estar circunscritos à situação analisada. Por exemplo, a ausência de testes de causalidade retira a possibilidade de estabelecimento de relações causais entre as variáveis, bem como a ausência de um painel dinâmico não permite a visualização de tendência transversal nos coeficientes entre os países, reforçando assim a presença de alguma acutilância na sua compreensão. Além disso, a utilização de proxy, apesar de ter sido a alternativa mais sustentável na representatividade do consumo de combustíveis fósseis, também impõe algumas limitações na análise do artigo, pelo facto de não absorver todas as relações complexas ao longo do problema de pesquisa, nomeadamente no seu efeito sobre as emissões.

Referências

• Ahmad, N., and L. Du. 2017. “Effects of Energy Production and CO2 Emissions on Economic Growth in Iran: ARDL Approach.” Energy 123: 521-537.
• Amarante, J. C. A., C. D. N. Besarria, H. G. D. Souza, and O. R. Dos Anjos Junior. 2021. “The Relationship Between Economic Growth, Renewable and Nonrenewable Energy Use and CO2 Emissions: Empirical Evidences for Brazil.” Greenhouse Gases: Science and Technology 11(3): 411-431.
• Ang, J. B. 2007. “CO2 Emissions, Energy Consumption, and Output in France.” Energy Policy 35(10): 4772-4778.
• Ang, J. B. 2008. “Economic Development, Pollutant Emissions and Energy Consumption in Malaysia.” Journal of Policy Modeling 30(2): 271-278.
• Apergis, N., and T. Payne. 2012. “Renewable and Non-Renewable Energy Consumption-Growth: Evidence of a Panel Error Correction Model.” Energy Saving 34(3): 733-738.
• Bacon, R. S., and S. Bhattacharya. 2007. “Growth and CO2 Emissions: How Different Countries.” Climate Change Series 113.
• Belucio, M., and G. Guarini. 2023. “Analyzing the Influence of Philanthropy on Eco-Efficiency in 108 Countries.” Sustainability 15: 1085.
• Betencourt, M., and J. A. Fuinhas. 2025. “The Impact of Dynamic Capital Formation in Energy Transition: Empirical Evidence from the European Union.” Energy 335: 138186.
• Coondoo, D., and S. Dinda. 2008. “Carbon Dioxide Emission and Income: A Temporal Analysis of Distributive Patterns Between Countries.” Ecological Economics 65(2): 375-385.
• Costantini, M., and U. Gunter. 2020. “On the Estimation of Dynamic Panel Data Models with Cross-Sectional Dependence and Heterogeneous Slopes.” Empirical Economics 59: 1513-1539.
• Dickey, D., and W. Fuller. 1979. “Distribution of Estimates for Self-Regressive Time Series with Unit Root.” Journal of the American Statistical Association 74: 427-431.
• Dinda, S. 2004. “Environmental Kuznets Curve Hypothesis: A Survey.” Ecological Economics 49(4): 431-455.
• Fuinhas, J. A., and A. C. Marques. 2012. “Energy Consumption and Economic Growth Nexus in Portugal, Italy, Greece, Spain and Turkey: An ARDL Bounds Test Approach (1965-2009).” Energy Economics 34(2): 511-517.
• Ghosh, S. 2010. “Examining Carbon Emissions Economic Growth Nexus for India: A Multivariate Cointegration Approach.” Energy Policy 38(6): 3008-3014.
• Guliyev, Hasraddin. 2025. “Heterogeneous Panel Data Model with Sharp and Smooth Changes: Testing Green Growth Hypothesis in G7 Countries.” Innovation and Green Development 4: 100245.
• Halicioglu, F. 2009. “An Econometric Study of CO2 Emissions, Energy Consumption, Income and Foreign Trade in Turkey.” Energy Policy 37(3): 1156-1154.
• Kazemzadeh, E., J. A. Fuinhas, and M. Koengkan. 2021. “The Impact of Income Inequality and Economic Complexity on the Ecological Footprint: An Analysis Covering a Long Period of Time.” Journal of Environmental Economics and Policy 11(2): 133-153.
• Koengkan, M., J. A. Fuinhas, and R. Santiago. 2020. “Asymmetric Impacts of Globalization on CO2 in Latin American and Caribbean Countries.” Environmental Systems and Decisions 40: 135-147.
• Koengkan, M., and J. A. Fuinhas. 2020. “Exploring the Effect of the Renewable Energy Transition on CO2 in Latin American and Caribbean Countries.” International Journal of Sustainable Energy 39(6): 515-538.
• Kuznets, S. 1955. “Economic Growth and Income Inequality.” The American Economic Review 45(1): 1-28.
• Lin, B., and B. Xu. 2020. “How Does Fossil Energy Abundance Affect China’s Economic Growth and CO2 Emissions?” Science of the Total Environment 719: 137-503.
• Lise, W. 2006. “Decomposition of CO2 Emissions over 1980-2003 in Turkey.” Energy Policy 34(14): 1841-1852.
• Lotfalipour, M. R., M. A. Falahi, and M. Ashena. 2010. “Economic Growth, CO2 Emissions and Fossil Fuel Consumption in Iran.” Energy 35(12): 5115-5120.
• Maddala, G. S., and S. Wu. 1999. “A Comparative Study of Unit Root Tests with Panel Data and a New Simple Test.” Oxford Bulletin of Economics and Statistics 61: 631-652.
• Mikayilov, J., M. Galeotti, and F. Hasanov. 2018. “The Impact of Economic Growth on CO2 Emissions in Azerbaijan.” Journal of Cleaner Production 197: 1558-1572.
• Oluklulu, S., and S. Kasal. 2025. “What Is the Role of Fiscal Policy in Reducing CO2 Emissions? Evidence from Different Income Groups.” Humanities and Social Sciences Communications 12: 591.
• Ouattara, B. 2004. “The Impact of Project Aid and Programme Aid Inflows on Domestic Savings: A Case Study of Côte d’Ivoire.” Conference of the Centre for the Study of African Economies on Growth, Poverty Reduction and Human Development in Africa.
• Pakrooh, P., H. Nammouri, and S. Ben Jabeur. 2025. “Energy Transition and CO2 Emissions: Fresh Insight from Low, Middle and High-Income Countries.” Research in International Business and Finance 76: 102880.
• Pesaran, M. H. 2007. “A Simple Panel Unit Root Test in the Presence of Cross-Section Dependence.” Journal of Applied Econometrics 22(2): 265-312.
• Pesaran, M. H., Y. Shin, and R. J. Smith. 1999. “Pooled Mean Group Estimation of Dynamic Heterogeneous Panels.” Journal of the American Statistical Association 94(446): 621-634.
• Pesaran, M. H., Y. Shin, and R. J. Smith. 2001. “Bounds Testing Approaches to the Analysis of Level Relationships.” Journal of Applied Econometrics 16(3): 289-326.
• Rehman, A., H. Ma, I. Ozturk, and M. Radulescu. 2022. “Revealing the Dynamic Effects of Fossil Fuel Energy, Nuclear Energy, Renewable Energy, and Carbon Emissions on Pakistan’s Economic Growth.” Environmental Science and Pollution Research 29: 48784-48794.
• Sadorsky, P. 2009. “Renewable Energy Consumption, CO2 Emissions and Oil Prices in the G7 Countries.” Energy Saving 31(3): 456-462.
• Saiani, C. C., M. P. Veríssimo, and P. L. Santos. 2022. “Desigualdade de Renda, Pobreza, Crescimento Econômico e Indústria no Brasil: Relações de Curto e Longo Prazos via Modelos ARDL.” Economia Ensaios: 206-234.
• Shahbaz, M., Q. M. Hye, A. K. Tiwari, and N. C. Leitão. 2013. “Economic Growth, Energy Consumption, Financial Development, International Trade and CO2 Emissions in Indonesia.” Renewable and Sustainable Energy Reviews 25: 109-121.
• Soytas, U., and R. Sari. 2009. “Energy Consumption, Economic Growth, and Carbon Emissions: Challenges Faced by an EU Candidate Member.” Ecological Economics 68(6): 1667-1675.
• Zhang, X.-P., and X.-M. Cheng. 2009. “Energy Consumption, Carbon Emissions and Economic Growth in China.” Ecological Economics 68(10): 2706-2712.

• ♦
  Este trabalho foi financiado por fundos nacionais através de FCT - Fundação para a Ciência e a Tecnologia, I.P., através do projeto UIDB/05037/2020 com DOI 10.54499/UIDB/05037/2020.
• DECLARAÇÃO DE DISPONIBILIDADE DE DADOS
  Os dados utilizados neste estudo estão disponíveis mediante solicitação ao autor. Dados adicionais e informações complementares também poderão ser fornecidos para fins de verificação ou replicação. A disponibilização está condicionada à inexistência de restrições de acesso público.
• JEL Classification
  Q54; Q43; O44.

Apêndice A

Figura A1
Urbanização

Figura A2
Globalização

Figura A3
Consumo de Combustíveis Fósseis

Figura A4
Emissões de Co2

Figura A5
Produto Interno Bruto

Figura A6
Investimento em Recursos Naturais

Figura A7
Resíduo

Figura A8
Box Plot (resíduos)

Apêndice B

Tabela B1
Testes de raízes unitárias de Maddala e Wu (1999)

Variáveis testadas: dlco2pc dlcbfpc dlgdpc dlnrr lurb lglo
Número de grupos: 19
Total de observações: 551+
Média de observações: 29,00+
Variável	lags	chi_sq p	p-valor
dlCO2pc	0	402,21	0,00
dlCO2pc	1	163,18	0,00
dlcbfpc	0	413,31	0,00
dlcbfpc	1	168,31	0,00
dlgdpc	0	300,88	0,00
dlgdpc	1	197,87	0,00
dlnrr	0	483,31	0,00
dlnrr	1	319,60	0,00
lurb	0	681,90	0,00
lurb	1	146,93	0,00
lglo	0	231,37	0,00
lglo	1	152,51	0,00

• Nota: lags indica as defasagens, chi_sq representa o valor do qui-quadrado e P-valor corresponde ao nível de significância estatística.

Tabela B2
Testes de raízes unitárias de Pesaran (2007)

Variáveis testadas: dlco2pc dlcbfpc dlgdpc dlnrr lurb lglo
Número de grupos: 19
Total de observações: 551+
Média de observações: 29,00+
Variável	lags	Zt-bar	p-valor	t-bar
dlCO2pc	0	12,31	0,00	.
dlCO2pc	1	-5,72	0,00	.
dlcbfpc	0	12,89	0,00	.
dlcbfpc	1	-5,64	0,00	.
dlgdpc	0	-8,67	0,00	.
dlgdpc	1	-5,08	0,00	.
dlnrr	0	16,25	0,00	.
dlnrr	1	10,22	0,00	.
lurb	0	12,88	0,00	.
lurb	1	10,81	0,00	.
lglo	0	-3,44	0,00	.
lglo	1	-2,97	0,00	.

• Nota: lags indicam as defasagens, Zt-bar representa as estatísticas padronizadas no momento t e o P-valor corresponde ao nível de significância estatística.

Tabela B3
Testes de raízes unitárias nos resíduos segundo Maddala e Wu (1999)

Variáveis testadas: resíduo
Número de grupos: 19
Total de observações: 551+
Média de observações: 29,00+
Maddala e Wu (1999) Teste de raiz unitária em Painel (MW)
Especificação sem tendência
Variável	lags	chi_sq	p-valor
Resíduo	0	468,44	0,00
Resíduo	1	230,76	0,00
Especificação com tendência
Variável	lags	chi_sq	p-valor
Resíduo	0	395,02	0,00
Resíduo	1	194,35	0,00

• Nota: lags indica as defasagens, chi_sq representa o valor do qui-quadrado e P-valor corresponde ao nível de significância estatística.

Tabela B4
Testes de raízes unitárias nos resíduos segundo Pesaran (2007)

Variáveis testadas: resíduo
Número de grupos: 19
Total de observações: 551+
Média de observações: 29,00+
Pesaran (2007) Teste de raiz unitária em Painel (CIPS)
Especificação sem tendência
Variável	lags	Zt-bar	p-valor
Resíduo	0	-13,7	0,00
Resíduo	1	-8,64	0,00
Especificação com tendência
Variável	lags	Zt-bar	p-valor
Resíduo	0	-12,29	0,00
Resíduo	1	-7,39	0,00

• Nota: lags indicam as defasagens, Zt-bar representa a estatística padronizada no momento t e o P-valor corresponde ao nível de significância estatística.

Tabela B4
Testes de Robustez

Variável dependente: DlCO2pc
Variáveis	Coeficiente		Desv. Pad	t	P>t	[95% conf.	intervalo]
DLCbfpc	0,98		0,02	41,71	0,00	0,93	1.024,33
l_lCO2pc	0,09		0,03	-2,98	0,01	-0,15	-0,03
l_lCbfpc	0,09		0,03	3,02	0,01	0,03	0,15
l_lNrr	0.00		0,00	1,98	0,06	-0,00	0,00
_cons	0.41		0,14	3,01	0,01	0,13	0,69

• Notas: Desv. Pad. mostra o desvio padrão; t e P > t indicam sua significância; [95% conf. intervalo] mostra o intervalo de confiança do coeficiente. Número de observações = 203, Número de grupos = 7, F(6,28) = 1113,88, Prob > F = 0,00 e R² intra-grupos = 0,95.

Editado por

• EDITOR-CHEFE
  Dante Mendes Aldrighi https://orcid.org/0000-0003-2285-5694
  Professor - Department of Economics University of São Paulo (USP)

Disponibilidade de dados

Os dados utilizados neste estudo estão disponíveis mediante solicitação ao autor. Dados adicionais e informações complementares também poderão ser fornecidos para fins de verificação ou replicação. A disponibilização está condicionada à inexistência de restrições de acesso público.

Datas de Publicação

• Publicação nesta coleção
  22 Jun 2026
• Data do Fascículo
  Apr-Jun 2026

Histórico

• Recebido
  13 Maio 2024
• Revisado
  27 Out 2025
• Aceito
  02 Dez 2025