Modelo de evaluación de impacto de las Contribuciones Nacionales Determinadas en la Reducción Total de CO2

Esta investigación tiene como propósito diseñar y evaluar un modelo estadístico para Honduras que determine los impactos de las reducciones de CO2 estimadas al 2030 en la Contribuciones Nacionales Determinadas (CND) en los sectores de utilización, cambio del suelo y bosques (LULUCF) y en el de agricultura en la reducción total de CO2 de país. El método utilizado es cuantitativo, se utilizó la base de datos de las emisiones de CO2 que se utilizó para construir el modelo de economía verde de Honduras 2021 y que está en línea con los compromisos de la CND. Luego, se evaluaron los criterios del modelo de regresión lineal en R Studio para corroborar los impactos de estos sectores, los cuales servirán como una guía para evaluar otros sectores de la CND y formular políticas públicas de adaptación y mitigación de país, así como establecer compromisos ante la Convención Marco de las Naciones Unidas sobre el Cambio Climático.

Palabras clave: AGRICULTURA, BOSQUES, CONTAMINACIÓN, CONTAMINACIÓN AMBIENTAL

The purpose of this research is to design and evaluate a statistical model for Honduras that determines the impacts of CO2 reductions estimated by 2030 in the National Determined Contributions (NDC) in the sectors of land use, land change, and forestry (LULUCF) and agriculture in the total reduction of CO2. The method used is quantitative. The CO2 emissions database was used to build the green economy model of Honduras 2021, which is in line with the NDC. Then, the criteria of the linear regression model were evaluated in R Studio to corroborate the impacts of these sectors, which will serve as a guide to evaluate them to other sectors and formulate public adaptation and mitigation policies for the country, as well as establish commitments before the United Nations Framework Convention on Climate Change.

El Plan Nacional de Adaptación al Cambio Climático de Honduras en el 2018 señala que más del 60% de las tierras son utilizadas para la ganadería, las cuales están ubicadas en zonas montañosas y un 32% de estas tierras presentan fuertes señales de degradación. Desde 1990 hasta el 2006 la cobertura vegetal disminuyó del 66% al 41.5% y la tasa de deforestación nacional promedio es de 24,051 hectáreas al año. Las causas principales de deforestación son los incendios, las plagas, la expansión de tierras para agricultura y ganadería, así como la tala ilegal.

La fragmentación de hábitats, debido a la deforestación elimina los nichos reproductivos, sitios de descanso y sitios de reproducción de las especies lo que afecta el ciclo de vida de estas (MiAmbiente, 2017). Keller y IISD (2013) resaltan que las principales razones de la degradación del suelo en Honduras son la erosión superficial por deforestación e incendios, la prevalencia de monocultivos que absorben los nutrientes del suelo, las prácticas inadecuadas de cultivo, el sobrepastoreo y la falta de conocimiento de prácticas de conservación. Se estima que en el 2009 cerca del 40% de las tierras se encontraban degradadas y con menor capacidad para la retención de agua.

El Plan Nacional de Adaptación menciona que los bosques nacionales tienen un papel de primera importancia no solamente en los esfuerzos de mitigación, sino también de adaptación al cambio climático, estos sostienen sectores económicos diversos y la regulación de los ciclos de nutrientes. La degradación continua de los bosques fragiliza la resiliencia ecosistémica de varias especies, formas y superficies, incluyendo por ejemplo el aumento de la erosión y la disminución de la retención de agua llevando a una mayor vulnerabilidad a las inundaciones. El cambio climático está aumentando la frecuencia y la intensidad de incendios forestales en el país. (MiAmbiente, 2017)

En 2015-2016 Honduras al igual que varios países de la región, sufrió de eventos meteorológicos extremos y graves como El Niño que causo condiciones de sequía prolongadas que incidieron en la propagación de la plaga forestal del gorgojo descortezador del pino (Dendroctonus), afectando más de 500,000 hectáreas de bosques y debilitando la capacidad adaptativa de los bosques del país. (MiAmbiente, 2018). Martínez et al. (2017) afirma que la Organización Mundial Meteorológica declaró el Niño del 2015-2016 como uno de los tres fenómenos más fuertes desde 1960, los otros fueron en 1982-1983 y 1997-1998, dejando en Honduras pérdidas estimadas de USD 28 millones por sequía e inseguridad alimentaria.

De acuerdo con UNICEF (2016) desde el año 2014 hasta abril de 2016, Honduras padeció de una de las sequías más prolongadas desde que se tienen registros. El denominado ‘corredor seco’ del territorio nacional experimentó las peores consecuencias, donde habita 2,038,998 personas, de las cuales 861.744 son niñas, niños y adolescentes entre los cero y los diecisiete años. La sequía redujo de manera considerable las cosechas, provocando un aumento de la inseguridad alimentaria y nutricional y de la pobreza, así como la deserción escolar como estrategia de adaptación en los hogares, en otras palabras, quienes antes estudiaban ahora trabajan. Se estima que la pérdida de las cosechas, ocasiono que los precios aumentaran entre un 14 y 20%, lo que hizo más difícil para la población adquirir los productos de la canasta básica en ese periodo.

En la Conferencia 21 de la Convención Marco de las Naciones Unidas sobre el Cambio Climático (COP 21) en París en 2015, se concluyó con la adopción de la Decisión y del Acuerdo de París. Este Acuerdo entró en vigor desde 2020 y pretenderá mantener el aumento de la temperatura global muy por debajo de los 2ºC, aumentando la capacidad de adaptación a los efectos adversos del cambio climático y promoviendo la resiliencia al clima y un desarrollo con bajas emisiones de carbono (CEPAL, 2016). Honduras firmó el Acuerdo de París sobre cambio climático el 22 de abril del 2016, día conmemorado a la Tierra, el cual “conlleva además de nuevos compromisos para el país, oportunidades valiosas en formación de capacidades, transferencia de tecnología y acceso a nuevos recursos financieros para la adaptación y mitigación al cambio climático.” (Castro, 2016, p.1)

La mitad más pobre de la población mundial tan sólo genera alrededor del 10% de las emisiones a nivel mundial y, sin embargo, vive mayoritariamente en los países más vulnerables ante el cambio climático – mientras que el 10% más rico de la población es responsable de alrededor del 50% de las emisiones mundiales. (p.1)

La aportación de Honduras a las emisiones globales es mínima comparada a los países desarrollados, la cual es inferior a 0.05%. Aun así, el compromiso en la primera actualización de la Contribución Nacional Determinada del año 2021 ante la Convención Marco de las Naciones Unidas para el Cambio Climático (CMNUCC) es la reducción del 16% de las emisiones de CO2 totales que genera, distribuida en función de la participación proporcional de los siguientes sectores: i) 9% sector Energía; ii) 5% sector Agricultura; iii) 1% IPPU²; y vi) 1% sector Residuos.

Es importante mencionar que estos compromisos se derivan de las estimaciones inventario de Gases Efecto Invernadero (GEI) de Honduras realizado para la Tercera Comunicación Nacional (Gobierno de la República de Honduras, 2019) en el primer informe bienal de actualización (Gobierno de la República de Honduras, 2020), los cuales no presentan evidencia empírica de impacto significativo en las reducciones de país o que sirvan como metas para la formulación de políticas públicas, por lo que surge la necesidad de elaborar un modelo estadístico, que determine si existe o no evidencia empírica de impacto de las metas de reducción de CO2 establecidas para cada uno de los sectores en la reducción total de CO2, en este caso particular de los sectores LULUCF³ y agricultura, debido a que estos sectores representan el 13% del Producto Interno Bruto (PIB) (BCH, 2022), el 25% del valor total de las exportaciones del país (BCH, 2022), el 35% de la población económicamente activa (Derlagen, De Salvo, Egas, y Pierre, 2019) y alto riesgo climático de acuerdo con Germanwatch (2019), lo que pone en riesgo la seguridad alimentaria del país.

En noviembre de 2020, Honduras fue golpeada por las tormentas tropicales Eta y Iota, las cuales presentaron una intensidad y concentración de precipitaciones enormes, su impacto en vidas fue considerablemente menor comparado con otros eventos, incluyendo el Mitch de 1998, debido a las mayores capacidades institucionales y sociales actuales para el manejo de la emergencia. Los efectos de ambas tormentas abarcaron todo el territorio nacional, afectando a 3.9 millones de personas, más de 40% de la población del país (Eurosocial, 2021). Luego, en el 2022, las lluvias provocadas por el huracán Julia en Honduras causaron cuatro muertes, deslizamientos e inundaciones, y alcanzaron los 60,8 millones de dólares de norte américa en pérdidas, poniendo en peligro la seguridad alimentaria de la población, informó la empresa privada del país mediante un comunicado del Consejo Hondureño de la Empresa Privada (La Tribuna, 2022). Este comunicado menciona que la mayoría de las pérdidas se registran en las plantaciones de maíz, fríjoles, arroz, plátano, banano, caña de azúcar, palma africana y ganado, ocasionando un retroceso en la capacidad de generación de empleo en el país. (COHEP, 2022)

El Índice de Riesgo Climático Global de Germanwatch 2019, en su decimotercera edición evidencia que el país ocupa la segunda posición, al perder un lugar (aspecto favorable) con respecto al periodo 1997-2016, ratificando a Honduras, como el segundo país más vulnerable del mundo, dada la presencia de eventos meteorológicos extremos, solamente superado por Puerto Rico, luego del paso devastador del Huracán María en 2017, seguido en su orden por Myanmar, Haití, Filipinas, Nicaragua hasta completar el décimo lugar que ocupa Dominica (Germanwatch, 2019). Es importante resaltar que el territorio nacional está expuesto ante los eventos referidos con una baja capacidad adaptativa y alta sensibilidad de la población, derivado del alto porcentaje que se encuentra bajo la línea de pobreza, entre otros factores, contribuye a que, durante los últimos años, el Índice de Riesgo Climático Global, sitúe a Honduras como uno de los países más afectados a nivel mundial por los efectos adversos del cambio climático.

Producto de la situación anterior, Honduras ha avanzado positivamente en el establecimiento de un marco normativo e institucional favorable para trabajar en la reducción de su vulnerabilidad ante el cambio climático, como lo demuestran, entre otros, la Estrategia Nacional de Cambio Climático, la Ley de Cambio Climático, la Estrategia Nacional de Seguridad Alimentaria y Nutricional, Plan de Acción Nacional de Lucha Contra la Desertificación, Estrategias de Adaptación al Cambio Climático para el Sector Agroalimentario, Salud y Caficultura. De igual forma, actualmente, están en marcha una serie de procesos de planificación estratégica coordinados por la Dirección Nacional de Cambio Climático, entre los cuales destacan el Plan de Acción de la Estrategia Nacional de Cambio Climático, Evaluaciones de Necesidades Tecnológicas, Plan de Inversión de Cambio Climático, Estrategia Nacional REDD⁴+, Plan Nacional de Adaptación y la Estrategia Nacional de Descarbonización.

En suma, tanto los compromisos internacionales como nacionales del Estado de Honduras como son las Contribuciones Nacionales Determinadas, los Objetivos de Desarrollo Sostenible 2030, las políticas públicas y planes nacionales de adaptación y mitigación contra los efectos adversos del cambio climático y la importancia económica y social que representa los sectores LULUCF y Agricultura, resulta imperante la necesidad de diseñar un modelo estadístico que responda la pregunta de investigación ¿Cuál es el impacto de las reducciones de CO2 de los sectores LULUCF y agricultura en la emisiones de CO2 totales de Honduras para el año 2030?, en otras palabras, ¿Las metas de reducción de CO2 de los sectores LULUCF y agricultura son significativas en la reducción total de CO2 en Honduras para el año 2022? para que sirva de guía metodológica en el establecimiento de metas viables y factibles para las reducciones CO2 por sector, así como para formular y priorizar políticas públicas de adaptación y mitigación contra el cambio climático.

Esta investigación es de tipo causal, en otras palabras, tendrá un alcance explicativo, debido a que se pretende establecer si existe incidencia entre las variables independientes X1: Reducción de Emisiones Toneladas CO2 del sector LULUCF y X2: Reducción de Emisiones Toneladas CO2 del sector Agricultura en la variable dependiente Y: Reducciones Totales de Toneladas CO2, así como cuantificar el grado de estas incidencias. La investigación causal es aquella orientada a descubrir posibles implicaciones de las variables explicativas en la variable de respuesta. El número de observaciones por variable que se tomaron del Modelo de Economía Verde de Honduras es de 31 por variable, las cuales inician en el año 2000 y finalizan al 2030.

El Modelo de Economía Verde de Honduras fue desarrollado por Bassi, Pallaske y Guzzetti (2021), el cual presenta un enfoque sistémico de variables económicas y ambientales para presentar un análisis de costos beneficios bajo las perspectivas bajo en carbono y crecimiento económico, por lo que se consideró sólo los datos históricos y proyectados de este modelo para responder la pregunta de la presente investigación.

Para determinar la fiabilidad y resultados del modelo se llevaron a cabo en R Studio, pruebas de normalidad de los residuos (Shapiro-Wilk normality test), homocedasticidad de los residuos (studentized Breusch-Pagan test), multicolinealidad (variance inflation factor), autocorrelación de los residuos (Durwin Watson test), así como la identificación de valores atípicos y determinación de los efectos en el modelo.

Al existir autocorrelación en los residuos, primero se eliminaron los datos atípicos, pero la autocorrelación se mantuvo, por lo que se llevó a cabo la estimación de Hildreth Lu (Maddala y Kajal, 2009) incluyendo los datos atípicos para ajustar el modelo lineal y presentar las estimaciones de las contribuciones en la reducción de CO2 del Sector LULUCF y agricultura en las reducciones totales.

Uno de los primeros pasos, en el análisis de resultados es el análisis exploratorio de las variables, el cual consiste en conocer las estadísticas descriptivas, correlaciones, comportamientos o tendencias de cada una de ellas. La tabla 1 muestra la media, la mediana, el punto mínimo y máximo, el primer y tercer cuartil de las variables CO2_LULUCF (emisiones en toneladas de CO2), la variable CO2_Agricultura (emisiones en toneladas de CO2) y la variable CO2 Total (emisiones en toneladas de CO2) que representa las reducciones de emisiones de CO2 totales esperadas, la cual comprende otros sectores como energía, desechos sólidos, IPPU entre otros.

## CO2_LULUCF CO2_Agricultura CO2_Total
## Min. :-10093412 Min. :2663000 Min. : 1314323
## 1st Qu.: -7913201 1st Qu.:3672647 1st Qu.: 6437572
## Median : -7090420 Median :4151550 Median : 8761737
## Mean : -7097034 Mean :4076881 Mean : 9136898
## 3rd Qu.: -6262342 3rd Qu.:4556512 3rd Qu.:11322986
## Max. : -1849294 Max. :5058314 Max. :16376291

En la figura 1 podemos observar el coeficiente de correlación de cada variable de la base de datos en estudio, gráficos de densidad con histogramas de frecuencia como parte del proceso de exploración de datos. (Staniak y Biecek, 2019). Se observa una alta correlación entre pares de variables como la Reducción CO2 de Agricultura y Reducción Total CO2 (r = 0,86) y entre las variables Reducción CO2 del sector LULUCF y la Reducción Total CO2 una correlación baja significativa (r = 0,37), pero entre las variables independientes (LULUCF y Agricultura) no existe correlación significativa por lo que representa un buen indicador de que no existe presencia de multicolinealidad en el modelo.

## ## Call:
## lm(formula = CO2_Total ~ CO2_LULUCF + CO2_Agricultura, data = Data_CO2_1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1371000 -759483 -32864 608162 1915859
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.245e+06 1.281e+06 -2.533 0.0172 *
## CO2_LULUCF 1.041e+00 1.117e-01 9.315 4.5e-10 ***
## CO2_Agricultura 4.849e+00 2.615e-01 18.545 < 2e-16 ***
## ---
## Signif. Codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1
##
## Residual standard error: 935100 on 28 degrees of freedom
## Multiple R-squared: 0.935, Adjusted R-squared: 0.9304
## F-statistic: 201.4 on 2 and 28 DF, p-value: < 2.2e-16

## 2.5 % 97.5 %
## (Intercept) -5.869350e+06 -6.208143e+05
## CO2_LULUCF 8.119513e-01 1.269691e+00
## CO2_Agricultura 4.313368e+00 5.384596e+00

La evaluación global del modelo mediante el p valor del estadístico F es significativa al igual que la de los estadístico t de cada uno de los coeficientes de las variables independientes mediante p valores muy cercanos a cero, en otras palabras < 0.05. Asimismo, el modelo presenta un R cuadrado ajustado de 0.9304. Sin embargo, debe realizarse las pruebas de normalidad de residuos, homocedasticidad de los residuos, multicolinealidad, autocorrelación de los residuos para corroborar que el modelo cumpla con los criterios de los modelos de regresión lineal y explique las relaciones causales que se presentan en la pregunta de investigación.

##
## Shapiro-Wilk normality test
##
## data: model_1$residuals
## W = 0.95453, p-value = 0.2079

La tabla 3 indica que no se rechaza la Ho: Los residuos del modelo están normalmente distribuidos.

##
## studentized Breusch-Pagan test
##
## data: model_1
## BP = 1.5046, df = 2, p-value = 0.4713

La tabla 4 indica que no se rechaza la Ho: Los residuos del modelo tienen varianza homogénea. No hay evidencias que indiquen falta de homocedasticidad, debido a que el p valor es mayor que 0.05.

La tabla 5 presenta los valores de variance inflation factor de cada una de las variables explicativas, las cuales con un valor cercano a 1 indica que no hay correlación entre una variable predictora dada y cualquier otra variable predictora en el modelo. Esta situación fue confirmada en la figura 1, que muestra las correlaciones entre las variables del modelo.

## lag Autocorrelation D-W Statistic p-value
## 1 0.7035464 0.4792368 0
## Alternative hypothesis: rho != 0

La tabla 6 muestra autocorrelación en los residuos con un p valor cercano a cero en el estadístico de Durwin Watson (King, 1981), por lo que se viola uno de los criterios de la regresión lineal.

La figura 2 presenta gráficamente criterios de la regresión lineal como la normalidad de los residuos, homocedasticidad de los residuos, así como el análisis de los outlyers o valores atípicos que podrían estar afectando el modelo con el análisis de Cook´s Distance.

Derivado de lo anterior, se recurrió a eliminar los datos atípicos, pero aun así la autocorrelación se mantuvo, por lo que, esto conllevó a realizar la estimación de Hildreth Lu con todas las observaciones, para ajustar el modelo lineal, (Maddala y Kajal, 2009). Para ajustar el modelo se creó una función en R de Hildreth Lu para encontrar la rho óptima de 0.7, el cual se ilustra en la siguiente figura, con el propósito de visualizar la iteración de cada error. Una vez que se calcula la rho óptima, se procede a transformar el modelo inicial para eliminar la autocorrelación de los residuos.

## ## Call:
## lm(formula = CO2_Total ~ CO2_LULUCF CO2_Agricultura CO2_Agricultura)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1384883 -378484 32811 194992 1612652
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.264e+06 1.053e+06 -2.151 0.0418 *
## CO2_LULUCF 1.082e+00 8.638e-02 12.532 5.06e-12 ***
## CO2_Agricultura 5.874e+00 8.149e-01 7.209 1.89e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 612400 on 24 degrees of freedom
## Multiple R-squared: 0.8838, Adjusted R-squared: 0.8741
## F-statistic: 91.29 on 2 and 24 DF, p-value: 6.047e-12

La tabla 7 muestra el nuevo modelo de regresión lineal múltiple transformado con el rho óptimo de 0.7 con el estadísticos F que evalúa el modelo global con su respectivo p valor cercano a cero, al igual que los p valores de los estadísticos t de los coeficientes de las variables independientes, que en el caso del sector LULUCF indica que por cada tonelada de CO2 que se genera en este sector, 1.08 toneladas de CO2 contribuyen en las emisiones totales de CO2, ceteris paribus y con respecto con Agricultura por cada tonelada de CO2 de Agricultura se genera, 5.87 toneladas contribuye a las emisiones totales de CO2 en el país ceteris paribus, por lo que el sector de Agricultura aporta mayor CO2 que el sector LULUCF a las contribuciones totales. El R cuadrado ajustado del nuevo modelo es de 0.8741, el cual indica la variación de la variable dependiente explicada colectivamente por todas las variables independientes.

## Durbin-Watson test
##
## data: modelhl
## DW = 1.7983, p-value = 0.2126
## alternative hypothesis: true autocorrelation is greater than 0

La tabla 8 indica la nueva prueba de Durbin-Watson test con un p valor de 0.2126, por lo que no se rechaza la Ho: los residuos del modelo no presentan autocorrelación serial. Una vez que se comprueba que no existe autocorrelación serial de los residuos con el nuevo modelo se procede a correr las pruebas de normalidad, homocedasticidad, multicolinealidad, para corroborar que el nuevo modelo cumple con los requisitos de la regresión lineal.

##
## Shapiro-Wilk normality test
##
## data: modelhl$residuals
## W = 0.9328, p-value = 0.08096

La tabla 9 presenta Shapiro-Wilk normality test para el nuevo modelo con el rho de 0.7 con un p valor mayor a 0.05 por lo que no se rechaza la Ho: los residuos del modelo están distribuidos normalmente.

##
## studentized Breusch-Pagan test
##
## data: modelhl
## BP = 0.18154, df = 2, p-value = 0.9132

La tabla 10 presenta studentized Breusch-Pagan test para el nuevo modelo con el rho de 0.7 con un p valor mayor a 0.05 por lo que no se rechaza la Ho: los residuos del modelo presenta varianzas homogéneas.

La tabla 11 presenta el variance inflation factor, a efecto de analizar cuanto es el impacto de la variable predictora en las otras, donde el valor cercano a 1 indica que no hay multicolinealidad.

Manteniendo Honduras los compromisos de las Contribuciones Nacionales Determinadas 2030, y respondiendo la pregunta de investigación de ¿Cuál es el impacto de las reducciones de CO2 de los sectores LULUCF y agricultura en las emisiones de CO2 Totales de Honduras al 2030? Por cada tonelada de CO2 del sector LULUCF, este contribuye en 1.08 toneladas de CO2 en las emisiones totales de CO2 de Honduras para el año 2030, ceteris paribus, mientras que el sector agricultura genera 5.08 toneladas en las emisiones totales de CO2 por cada tonelada de CO2 en el sector, ceteris paribus, por lo que el país debe enfocarse más en agricultura para implementar políticas públicas y estrategias de adaptación y mitigación para revertir efectos del cambio climático.

La metodología realizada en esta investigación aparte de llenar el vacío de conocimiento en la literatura de cambio climático en determinar los impactos de los compromisos de países en las Contribuciones Nacionales Determinadas, puede replicarse para otros sectores y en otros países de la región para identificar, priorizar y formular políticas públicas o para negociar comunicaciones oficiales en Convención Marco de las Naciones Unidas para el Cambio Climático (CMNUCC) como son los informes bienales o las revisiones de las Contribuciones Nacionales Determinadas de país.

Los modelos lineales generalizados como este, particularmente, el modelo de regresión múltiple es una herramienta que demuestra evidencia empírica de si existe significancia estadística o no de las variables explicativas sobre la variable de respuesta, siempre y cuando se cumpla con todos los criterios de la regresión lineal que se aplicaron en esta investigación. En caso de que no se cumpla, el investigador deberá buscar estrategias como aumentar la muestra de las observaciones, análisis de outlyers, estimación de Hildreth Lu, transformación de datos, incorporación de variables dummies o aplicar otro modelo de la familia de los modelos lineales generalizados o aplicar otra técnica estadística.

Referencias.

Bassi, A., Pallaske, G., M. y Guzzetti, M. (2021). Technical documentation of the Honduras Green Economy Model. Integration of GEM and InVEST models.

Banco Central de Honduras. (2022a). Producto Interno Bruto Enfoque de la Producción. BCH. https://www.bch.hn/estadisticas-y-publicaciones-economicas/sector-real/cuentas-nacionales-anuales-base-2000/producto-interno-bruto-(base-2000)

Castro, M. (2016). Compromisos y Oportunidades para Honduras ante la firma del Acuerdo de París sobre Cambio Climático. https://library.fes.de/pdf-files/bueros/fesamcentral/12805.pdf

Eurosocial. (2021). Plan para la Reconstrucción y el Desarrollo Sostenible. Naciones Unidas. https://eurosocial.eu/wp-content/uploads/2022/03/AE245_Ficha-MdR_CentroamericayCaribe-1.pdf

Keller, M., y IISD. (2013). Riesgo Climático en pequeños productores de Honduras. UNDP, BCPR.

King, M.L. (1981). The Alternative Durbin-Watson Test: An Assessment of Durbin and Watson’s Choice of Statistic. Journal of Econometrics, (17), 51-66.

Martínez, R., Zambrano, E., Nieto López, J. J., Hernández, J., y Costa, F. (2017). Evolución, vulnerabilidad e impactos económicos y sociales de El Niño 2015-2016 en América Latina. Investigaciones Geográficas, (68), 65–78. https://doi.org/10.14198/INGEO2017.68.04

MiAmbiente. (2017). Programa Nacional de Restauración en el Marco de la Agenda Climática de Honduras. Secretaría de Energía, Recursos Naturales, Ambiente y Minas.

OXFAM. (2015). LA DESIGUALDAD EXTREMA DE LAS EMISIONES DE CARBONO. OXFAM. https://www-cdn.oxfam.org/s3fs-public/file_attachments/mb-extreme-carbon-inequality-021215-es.pdf

Staniak, M. y Biecek, P. (2019). The landscape of R packages for automated exploratory data analysis. arXiv preprint arXiv:1904.02101.

UNICEF (2016). Ahora Lo Urgente: Impacto de la sequía en las niñas, niños y adolescentes del corredor seco de Honduras. UNICEF. https://www.unicef.org/honduras/media/486/file/Ahora-lo-urgente-sequ%C3%ADa-estudio-2016.pdf.

1 Investigador. PhD. Profesor de Posgrados en posgrados Universidad Nacional Autónoma de Honduras, la Universidad Tecnológica de Honduras, Universidad Internacional Iberoamericana. Correo electrónico : rchang@unah.edu.hn

2 Industrial Processes and Product Use en inglés y en castellano significa Procesos Industriales y Usos del Producto.

3 Este término denota el uso y cambio de suelo y bosques y se encuentra en la literatura sobre cambio climático y ecología en castellano y en inglés (Land

Use Land Change and Forestry)

4 Reducción de las Emisiones Debidas a la Deforestación y la Degradación Forestal en Honduras.

Chang, R. (2023). Modelo de evaluación de impacto de las Contribuciones Nacionales Determinadas en la Reducción Total de CO2. Revista Centroamericana de Administración Pública, (85), 92-105. DOI 10.35485/rcap85_7

ICAP-Revista Centroamericana de Administración Pública (85): 92-105, Julio-Diciembre 2023