30 de septiembre de 2026
RenovaBio y emisiones AFOLU en el Centro-Sur: una evaluación cuasi-experimental con Emparejamiento por Puntuación de Propensión y Diferencias-en-Diferencias
Renovabio y Emisiones Afolu en el Centro-sur: Evaluación Cuasi-experimental con Emparejamiento por Puntuación de Propensión y Diferencias-en-diferencias
Alvaro Luz Alves Coutinho; Abdoulaye Aboubacari Mohamed
DOI: 10.22167/2675-6528-202602643
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
El estudio evaluó la asociación entre la adhesión al RenovaBio y las emisiones municipales de gases de efecto invernadero (GEI) asociadas a la caña de azúcar en la región Centro-Sur de Brasil. Se utilizó un diseño cuasi-experimental que combinó Pareamiento por Puntuación de Propensión (PSM) y Diferencias-en-Diferencias con efectos fijos bidimensionales (TWFE) en un panel balanceado de 1.511 municipios y 19.643 observaciones entre 2012 y 2024. En la especificación agregada en log(1+y), para la cual la prueba conjunta no rechazó pre-tendencias al 5%, se estimó un aumento post-2019 del 26,0% en las emisiones AFOLU asociadas a la caña en los municipios tratados en relación con los controles. Las estimaciones a nivel absoluto y por macro-canal presentaron pre-tendencias y, por ello, fueron interpretadas como evidencias descriptivas o sugestivas: reducción del 36,1% en Cambios de uso del suelo y del 44,2% en Quema de residuos agrícolas, aumento del 62,8% en Suelos manejados y diferencia de -12.157 tCO2eq a nivel. Análisis complementarios indicaron un aumento del 13,0% en el área de caña sin evidencia estadística de reducción de la vegetación nativa, además de una variación no significativa del -0,5% en la intensidad de emisión por tonelada. En conjunto, los resultados son compatibles con una recomposición interna de las emisiones, pero la atribución causal está mejor sustentada solo para el agregado en escala logarítmica y permanece condicionada a los supuestos del diseño observacional. Los hallazgos contribuyen a la evaluación de políticas de descarbonización y sugieren atención a las emisiones de suelos manejados en la evolución del programa.
Palabras clave: Descarbonización; Diferencias-en-Diferencias; Emisiones AFOLU; Emparejamiento por Puntuación de Propensión; RenovaBio.
1. Introducción
Brasil ha demostrado un compromiso significativo con la agenda climática global, asumiendo metas ambiciosas en el Acuerdo de París para la reducción de sus emisiones de gases de efecto invernadero en un 48% para 2025 y un 53% para 2030 (MAGALHÃES; DOMINGUES, 2016). En este escenario, el Programa Nacional de Biocombustibles, conocido como RenovaBio y establecido por la Ley n.º 13.576/2017, surgió como un pilar fundamental para la descarbonización del sector del transporte en el país (BRASIL, 2017).
La estructura del RenovaBio se basa en tres elementos interconectados: el establecimiento de metas obligatorias para la reducción de la intensidad de carbono, la comercialización de Créditos de Descarbonización (CBIOs) y la certificación de la producción eficiente de biocombustibles a través de la Nota de Eficiencia Energético-Ambiental (NEEA) (BRASIL, 2017; LÁZARO et al., 2023). La magnitud económica del programa es notable, con metas individuales que totalizaron 41 millones de tCO2eq en 2023, representando un volumen financiero estimado en R$ 4,6 mil millones. La meta obligatoria acumulada para el período de 2024 a 2033 alcanza 570,76 millones de CBIOs (ANP, 2025).
A pesar de la relevancia del RenovaBio en la política climática brasileña, la evidencia sobre sus impactos ambientales y los mecanismos por los cuales estos efectos se manifiestan aún es limitada. Esta brecha es crucial, ya que el programa se enfoca en la intensidad de carbono por unidad producida, y no en límites absolutos de emisiones. Analíticamente, esto puede llevar a respuestas heterogéneas entre las diversas fuentes emisoras, con la posibilidad de reducción de presiones extensivas y, simultáneamente, intensificación productiva que acarrea un mayor uso de insumos (LÁZARO et al., 2023; OBSERVATÓRIO DO CLIMA, 2025).
La cuestión es particularmente pertinente para el etanol de primera generación de caña de azúcar (E1GC). La fase agrícola de esta ruta tecnológica es responsable del 86,8% de la intensidad de carbono total, con las emisiones concentradas en fertilizantes nitrogenados, quema de residuos agrícolas y consumo de combustible fósil en operaciones mecanizadas (MATSUURA et al., 2018; LIU et al., 2023). Adicionalmente, la certificación en RenovaBio exige la conformidad con la Ley de Protección de la Vegetación Nativa, vinculando incentivos económicos a requisitos de gestión territorial (NOVAES et al., 2023). Dada la concentración de la producción nacional de caña en el Centro-Sur — con ocho estados respondiendo por el 99,6% de la producción entre 2019 y 2021, y São Paulo contribuyendo con el 57% —, el análisis de este recorte regional es fundamental para comprender los efectos ambientales del programa (RAMOS et al., 2024).
La identificación de los efectos atribuibles al RenovaBio, sin embargo, presenta desafíos. La adhesión al programa no ocurre de forma aleatoria, ya que los municipios con plantas certificadas difieren sistemáticamente de los demás en factores como la escala de producción, el nivel de mecanización, el acceso al crédito y la estructura de la tierra. Estas diferencias impiden comparaciones directas y exigen estrategias empíricas que minimicen el sesgo de selección observable, aunque no eliminen la posibilidad de confusión residual (ROSENBAUM; RUBIN, 1983; CALIENDO; KOPEINIG, 2008). Además, los diferentes canales de emisión pueden reaccionar de maneras distintas a los incentivos del programa, lo que hace insuficiente un análisis basado solo en datos agregados (OBSERVATÓRIO DO CLIMA, 2025).
Ante este contexto, este estudio contribuye a la evaluación de políticas de descarbonización al examinar los cambios en las emisiones municipales AFOLU asociadas a la caña de azúcar después de la adhesión a RenovaBio. Así, el objetivo de este estudio es evaluar la asociación entre la adhesión a RenovaBio y los cambios en las emisiones municipales AFOLU asociadas a la caña de azúcar en la región Centro-Sur de Brasil, utilizando un diseño cuasi-experimental que combina Emparejamiento por Puntuación de Propensión y Diferencias-en-Diferencias para el período de 2012 a 2024.
2. Material y Métodos
El presente estudio adoptó un enfoque cuasi-experimental para evaluar la asociación entre la adhesión al Programa Nacional de Biocombustibles (RenovaBio) y los cambios en las emisiones municipales de Agricultura, Silvicultura y Otros Usos de la Tierra (AFOLU) relacionados con la caña de azúcar. La investigación se centró en la región Centro-Sur de Brasil, abarcando el período de 2012 a 2024. El diseño metodológico combinó las técnicas de Pareamiento por Puntuación de Propensión (PSM) y Diferencias en Diferencias (DiD) con efectos fijos bidimensionales (TWFE).
La unidad de análisis consistió en municipios, y la muestra analítica final estuvo compuesta por un panel balanceado de 1.511 municipios y 19.643 observaciones. El grupo de tratamiento se definió como los municipios que poseían al menos una planta de etanol de primera generación de caña de azúcar (E1GC) certificada en el RenovaBio en el año 2019, totalizando 198 municipios. El año 2019 se estableció como el inicio del período post-tratamiento, en conformidad con la operacionalización del programa tras la Resolución ANP n.º 758, de noviembre de 2018 (ANP, 2025).
La base analítica se construyó a partir de la integración de ocho fuentes de datos distintas. El Censo Agropecuario de 2017 y las bases del Sistema IBGE de Recuperación Automática (SIDRA) proporcionaron las covariables de pretratamiento. La Agencia Nacional del Petróleo, Gas Natural y Biocombustibles (ANP) y el Sistema de Estimativas de Emisiones de Gases de Efecto Invernadero (SEEG v13.0) se utilizaron para datos de tratamiento y emisiones, respectivamente. MapBiomas y el Levantamiento Sistemático de la Producción Agrícola (PAM/IBGE) contribuyeron con información sobre cobertura del suelo y producción agrícola, mientras que el Instituto de Investigación Económica Aplicada (IPEA/PNUD) y el IBGE Centro-Sul complementaron con datos socioeconómicos y geometrías municipales.
Los procedimientos de recolección e integración de los datos implicaron la armonización de todas las fuentes por el código municipal de siete dígitos del IBGE. Los registros de las plantas certificadas fueron geocodificados a nivel municipal, y las bases anuales fueron reorganizadas en el formato municipio-año para el período de 2012 a 2024. La estandarización de identificadores, el tratamiento de valores ausentes y la organización de los nombres de las variables fueron documentados en un notebook reproducible, implementado en Python 3.12.
En la etapa de ingeniería de covariables de pretratamiento, las variables fueron transformadas para mitigar asimetrías y diferencias de escala. Variables absolutas, como Producto Interno Bruto (PIB), población y áreas agrícolas, recibieron transformación logarítmica (log(1+x)). Indicadores relativos fueron expresados como participaciones o densidades. Los valores ausentes fueron imputados por la mediana de cada covariable, y los índices ya normalizados se mantuvieron en su escala original, resultando en 21 covariables para la especificación final.
Antes de la estimación de la puntuación de propensión, se realizó un diagnóstico de calidad y multicolinealidad. Se verificaron los tipos de datos, la proporción de valores ausentes y la presencia de multicolinealidad. Las variables con más del 60% de ausencia o con Factor de Inflación de la Varianza (VIF) superior a 10 fueron excluidas, según las directrices de HAIR et al. (2009).
El puntaje de propensión se estimó mediante un modelo logit de regresión logística regularizada, tras la estandarización de las covariables. La capacidad discriminatoria del modelo fue evaluada por el Área Bajo la Curva (AUC) y el pseudo-R² de McFadden. El logit del puntaje se empleó como métrica de distancia en el proceso de emparejamiento, debido a su comportamiento más simétrico en las colas de la distribución (ROSENBAUM; RUBIN, 1983).
El apareamiento se realizó utilizando el método del vecino más próximo, en una proporción de 1:1 y sin reemplazo, con un calibrador de 0,2 desviaciones estándar del logit de la puntuación. La submuestra apareada se utilizó para diagnosticar el balanceo de las covariables. El balanceo se evaluó mediante la Diferencia Estandarizada de Medias (SMD), adoptando |SMD| < 0,1 como referencia (CALIENDO; KOPEINIG, 2008). Se excluyeron las unidades fuera de la región de soporte común.
Los resultados se organizaron en cuatro paneles balanceados municipio-año (2012-2024). El Panel A incluyó las emisiones totales AFOLU-caña, armonizadas del SEEG. El Panel B desagregó las emisiones en macro-canales: Cambios de uso de la tierra, Quema de residuos agrícolas, Suelos manejados, Carbono orgánico en el suelo y Residuos forestales. El Panel C abordó la cobertura del suelo, con datos del MapBiomas agregados por clase y municipio. El Panel D integró la producción municipal de caña de la PAM/IBGE con las emisiones del SEEG para calcular la producción y la intensidad emisiva.
Las diferencias posteriores al tratamiento se estimaron mediante el modelo TWFE, formulado como `Yi = αi + λt + β (Tratadoi × Póst) + εit`. En esta ecuación, `αi` representa los efectos fijos del municipio, `λt` los efectos fijos del año, y `β` la diferencia promedio posterior a 2019 entre municipios tratados y de control. La variable `Pós` asumió el valor 1 para t ≥ 2019. Los errores estándar se agruparon a nivel municipal para acomodar la correlación serial intra-municipio (BERTRAND et al., 2004). Los análisis se realizaron en dos escalas: nivel absoluto (tCO2eq) y logarítmica (log(1+y)), siendo esta última la especificación principal debido a la mayor estabilidad de las tendencias proporcionales (ROTH; SANT’ANNA, 2023).
La plausibilidad de las tendencias paralelas se evaluó mediante un estudio de eventos y pruebas conjuntas de Wald de los coeficientes de pretratamiento. El modelo incluyó indicadores de tiempo relativos al tratamiento, omitiendo un período de referencia. Adicionalmente, se realizó un análisis de sensibilidad al período de referencia, comparando las líneas de base k = -1 (2018) y k = -2 (2017) para verificar la robustez de los resultados.
Para triangular los resultados sobre las emisiones, se estimaron modelos adicionales para el área de caña, la participación de la caña en el área municipal y la participación de la vegetación nativa, utilizando datos de MapBiomas. Con datos de la PAM/IBGE, se calcularon la intensidad emisiva por tonelada y una especificación de emisiones con control de la producción. Estos análisis complementarios buscaron calificar el patrón agregado y verificar su compatibilidad con diferencias de escala productiva o de eficiencia por unidad.
El presente estudio adoptó un enfoque cuasi-experimental para evaluar la asociación entre la adhesión al Programa Nacional de Biocombustibles (RenovaBio) y los cambios en las emisiones municipales de Agricultura, Silvicultura y Otros Usos de la Tierra (AFOLU) relacionados con la caña de azúcar. La investigación se centró en la región Centro-Sur de Brasil, abarcando el período de 2012 a 2024. El diseño metodológico combinó las técnicas de Pareamiento por Puntuación de Propensión (PSM) y Diferencias en Diferencias (DiD) con efectos fijos bidimensionales (TWFE).
La unidad de análisis consistió en municipios, y la muestra analítica final estuvo compuesta por un panel balanceado de 1.511 municipios y 19.643 observaciones. El grupo de tratamiento se definió como los municipios que poseían al menos una planta de etanol de primera generación de caña de azúcar (E1GC) certificada en el RenovaBio en el año 2019, totalizando 198 municipios. El año 2019 se estableció como el inicio del período post-tratamiento, en conformidad con la operacionalización del programa tras la Resolución ANP n.º 758, de noviembre de 2018 (ANP, 2025).
La base analítica se construyó a partir de la integración de ocho fuentes de datos distintas. El Censo Agropecuario de 2017 y las bases del Sistema IBGE de Recuperación Automática (SIDRA) proporcionaron las covariables de pretratamiento. La Agencia Nacional del Petróleo, Gas Natural y Biocombustibles (ANP) y el Sistema de Estimativas de Emisiones de Gases de Efecto Invernadero (SEEG v13.0) se utilizaron para datos de tratamiento y emisiones, respectivamente. MapBiomas y el Levantamiento Sistemático de la Producción Agrícola (PAM/IBGE) contribuyeron con información sobre cobertura del suelo y producción agrícola, mientras que el Instituto de Investigación Económica Aplicada (IPEA/PNUD) y el IBGE Centro-Sul complementaron con datos socioeconómicos y geometrías municipales.
Los procedimientos de recolección e integración de los datos implicaron la armonización de todas las fuentes por el código municipal de siete dígitos del IBGE. Los registros de las plantas certificadas fueron geocodificados a nivel municipal, y las bases anuales fueron reorganizadas en el formato municipio-año para el período de 2012 a 2024. La estandarización de identificadores, el tratamiento de valores ausentes y la organización de los nombres de las variables fueron documentados en un notebook reproducible, implementado en Python 3.12.
En la etapa de ingeniería de covariables de pretratamiento, las variables fueron transformadas para mitigar asimetrías y diferencias de escala. Variables absolutas, como Producto Interno Bruto (PIB), población y áreas agrícolas, recibieron transformación logarítmica (log(1+x)). Indicadores relativos fueron expresados como participaciones o densidades. Los valores ausentes fueron imputados por la mediana de cada covariable, y los índices ya normalizados se mantuvieron en su escala original, resultando en 21 covariables para la especificación final.
Antes de la estimación de la puntuación de propensión, se realizó un diagnóstico de calidad y multicolinealidad. Se verificaron los tipos de datos, la proporción de valores ausentes y la presencia de multicolinealidad. Las variables con más del 60% de ausencia o con Factor de Inflación de la Varianza (VIF) superior a 10 fueron excluidas, según las directrices de HAIR et al. (2009).
El puntaje de propensión se estimó mediante un modelo logit de regresión logística regularizada, tras la estandarización de las covariables. La capacidad discriminatoria del modelo fue evaluada por el Área Bajo la Curva (AUC) y el pseudo-R² de McFadden. El logit del puntaje se empleó como métrica de distancia en el proceso de emparejamiento, debido a su comportamiento más simétrico en las colas de la distribución (ROSENBAUM; RUBIN, 1983).
El apareamiento se realizó utilizando el método del vecino más próximo, en una proporción de 1:1 y sin reemplazo, con un calibrador de 0,2 desviaciones estándar del logit de la puntuación. La submuestra apareada se utilizó para diagnosticar el balanceo de las covariables. El balanceo se evaluó mediante la Diferencia Estandarizada de Medias (SMD), adoptando |SMD| < 0,1 como referencia (CALIENDO; KOPEINIG, 2008). Se excluyeron las unidades fuera de la región de soporte común.
Los resultados se organizaron en cuatro paneles balanceados municipio-año (2012-2024). El Panel A incluyó las emisiones totales AFOLU-caña, armonizadas del SEEG. El Panel B desagregó las emisiones en macro-canales: Cambios de uso de la tierra, Quema de residuos agrícolas, Suelos manejados, Carbono orgánico en el suelo y Residuos forestales. El Panel C abordó la cobertura del suelo, con datos del MapBiomas agregados por clase y municipio. El Panel D integró la producción municipal de caña de la PAM/IBGE con las emisiones del SEEG para calcular la producción y la intensidad emisiva.
Las diferencias posteriores al tratamiento se estimaron mediante el modelo TWFE, formulado como `Yi = αi + λt + β (Tratadoi × Póst) + εit`. En esta ecuación, `αi` representa los efectos fijos del municipio, `λt` los efectos fijos del año, y `β` la diferencia promedio posterior a 2019 entre municipios tratados y de control. La variable `Pós` asumió el valor 1 para t ≥ 2019. Los errores estándar se agruparon a nivel municipal para acomodar la correlación serial intra-municipio (BERTRAND et al., 2004). Los análisis se realizaron en dos escalas: nivel absoluto (tCO2eq) y logarítmica (log(1+y)), siendo esta última la especificación principal debido a la mayor estabilidad de las tendencias proporcionales (ROTH; SANT’ANNA, 2023).
La plausibilidad de las tendencias paralelas se evaluó mediante un estudio de eventos y pruebas conjuntas de Wald de los coeficientes de pretratamiento. El modelo incluyó indicadores de tiempo relativos al tratamiento, omitiendo un período de referencia. Adicionalmente, se realizó un análisis de sensibilidad al período de referencia, comparando las líneas de base k = -1 (2018) y k = -2 (2017) para verificar la robustez de los resultados.
Para triangular los resultados sobre las emisiones, se estimaron modelos adicionales para el área de caña, la participación de la caña en el área municipal y la participación de la vegetación nativa, utilizando datos de MapBiomas. Con datos de la PAM/IBGE, se calcularon la intensidad emisiva por tonelada y una especificación de emisiones con control de la producción. Estos análisis complementarios buscaron calificar el patrón agregado y verificar su compatibilidad con diferencias de escala productiva o de eficiencia por unidad.
3. Resultados y Discusión
Los resultados de la investigación revelan un panorama complejo sobre la asociación entre la adhesión al RenovaBio y las emisiones municipales de gases de efecto invernadero (GEI) relacionadas con la caña de azúcar en la región Centro-Sur de Brasil. El análisis cuasi-experimental, que combinó Pareamiento por Puntuación de Propensión (PSM) y Diferencias-en-Diferencias (TWFE), indicó un aumento post-2019 del 26,0% en las emisiones AFOLU asociadas a la caña en los municipios tratados, en relación con los controles, cuando se evaluaron en la especificación agregada en escala logarítmica. Este hallazgo es el más robusto en términos de atribución causal, ya que la prueba conjunta de pre-tendencias no fue rechazada al 5% (p = 0,098), aunque la interpretación causal permanece condicionada a los supuestos del diseño observacional.
En contraste, las estimaciones a nivel absoluto y para los macrocanales de emisión presentaron pre-tendencias significativas, lo que las califica como evidencias descriptivas o sugestivas, y no como efectos causales identificados. La estimación a nivel absoluto indicó una diferencia de -12.157 tCO2eq, pero el rechazo de las pre-tendencias impide una interpretación causal directa. Esta distinción entre las escalas logarítmica y absoluta refleja diferencias en la forma funcional y en la magnitud inicial de las emisiones, siendo la transformación logarítmica más adecuada para comparar variaciones proporcionales entre grupos con bases emisivas distintas (ROTH; SANT’ANNA, 2023).
Calidad del Apareamiento y Balanceo de las Covariables
La etapa de emparejamiento por puntaje de propensión fue fundamental para mitigar el sesgo de selección observable. El modelo logístico regularizado demostró una fuerte capacidad discriminatoria, con un Área Bajo la Curva (AUC) de 0,962 y un pseudo-R² de McFadden de 0,550. Esto confirmó la existencia de diferencias sistemáticas entre municipios tratados y controles antes de la intervención, como se esperaba para un estudio observacional (CALIENDO; KOPEINIG, 2008). Antes del emparejamiento, las mayores discrepancias entre los grupos se observaron en variables de estructura productiva, como el área de caña (SMD = 2,22), la participación de la caña en el área agrícola total (SMD = 1,52) y la intensidad de caña en el paisaje (SMD = 1,34).
Después del emparejamiento, hubo una mejora sustancial en el balanceo de las covariables. La proporción de variables con Diferencia Estandarizada de Medias (SMD) inferior a 0,1 aumentó del 4,8% al 66,7%, y trece de las veintiuna covariables presentaron una reducción de sesgo superior al 80%. La muestra analítica final para los modelos TWFE comprendió 1.511 municipios, siendo 188 tratados y 1.323 controles, totalizando 19.643 observaciones en el período de 2012 a 2024. Sin embargo, siete covariables aún permanecieron con |SMD| superior a 0,1, lo que indica que el emparejamiento redujo, pero no eliminó completamente, el desequilibrio observable entre los grupos.
Evaluación de las Pre-tendencias y Fuerza de la Identificación
La evaluación de las pre-tendencias es crucial para la validez de la inferencia causal en diseños de Diferencias-en-Diferencias. Para la especificación agregada en log(1+y), la prueba de Wald conjunta de los coeficientes de pre-tratamiento no rechazó la hipótesis nula de tendencias paralelas a un nivel de significancia del 5% (W = 10,71; p = 0,098). Este resultado ofrece soporte relativo a la interpretación causal para esta especificación, aunque no es una prueba definitiva de la ausencia de pre-tendencias, que pueden tener poder limitado (ROTH, 2024). En contraste, para las emisiones en nivel absoluto, la hipótesis de tendencias paralelas fue rechazada (W = 27,30; p < 0,001), lo que restringe la interpretación de esta estimación a un carácter meramente descriptivo.
El análisis de sensibilidad al período de referencia (baseline) reveló que, para el agregado en log(1+y), el número de coeficientes de pretratamiento significativos disminuyó de tres a uno al cambiar el baseline de k = -1 a k = -2. Esto sugiere una posible anticipación de prácticas de certificación en 2018. Para los macrocanales de Cambios en el uso de la tierra y Suelos manejados, los coeficientes de pretratamiento permanecieron significativos en ambos baselines, indicando divergencias en las trayectorias de emisiones anteriores a la implementación del programa. Este patrón limita la interpretación causal para estos canales, reforzando la necesidad de tratarlos como evidencia sugestiva.
Estimaciones Post-Tratamiento y Fuerza de la Evidencia
Las estimaciones posteriores al tratamiento de los modelos TWFE revelaron que, en la especificación agregada en log(1+y), el coeficiente β fue de +0,231 (error estándar = 0,046; p < 0,001). Este valor corresponde a un aumento del 26,0% en las emisiones AFOLU totales asociadas a la caña de azúcar en los municipios tratados, en comparación con los controles, en el período posterior a 2019. El intervalo de confianza del 95% para este efecto varió de +15,3% a +37,8%. Este es el principal hallazgo del estudio con mayor apoyo para una interpretación causal, dada la no refutación de las pre-tendencias, pero siempre considerando las limitaciones inherentes al diseño observacional.
A nivel absoluto, la estimación indicó una reducción de 12.157 tCO2eq (error estándar = 2.659; p < 0,001) en las emisiones totales. Sin embargo, debido al rechazo de las pre-tendencias para esta escala, esta estimación debe interpretarse solo como un contraste descriptivo. La descomposición por nivel, aunque descriptiva, sugiere una reducción de 12.965 tCO2eq en Cambios de uso de la tierra, un aumento de 1.787 tCO2eq en Suelos manejados y una reducción de 955 tCO2eq en Quema de residuos agrícolas. Estos valores ayudan a comprender la composición de las emisiones, pero no deben atribuirse causalmente al RenovaBio.
Descomposición por Macro-Canal
El análisis por macrocanal reveló un patrón heterogéneo en las emisiones posteriores a 2019 en los municipios tratados en relación con los controles. Se observó una reducción estimada del 36,1% en las emisiones de Cambios en el uso de la tierra y del 44,2% en las emisiones de Quema de residuos agrícolas, ambas en escala logarítmica. Estos resultados son compatibles con una menor presión extensiva sobre el uso de la tierra y con la sustitución de la cosecha manual con quema por la cosecha mecanizada en verde. Sin embargo, las pruebas de pre-tendencia para estos canales fueron rechazadas, impidiendo la atribución causal exclusiva a RenovaBio, dado que legislaciones estatales y transformaciones sectoriales preexistentes pueden haber contribuido a estos patrones (OBSERVATORIO DEL CLIMA, 2025).
Por otro lado, las emisiones de Suelos manejados presentaron un aumento estimado del 62,8% en escala logarítmica. Este patrón es compatible con un mayor uso de fertilizantes nitrogenados y residuos orgánicos, lo que indica una intensificación productiva. Sin embargo, la trayectoria ascendente anterior a 2019 para este canal sugiere que una parte significativa de este aumento puede atribuirse a procesos sectoriales preexistentes, no exclusivamente al RenovaBio. Las emisiones de Carbono orgánico en el suelo y Residuos forestales también mostraron reducciones del 17,4% y 18,7%, respectivamente, en escala logarítmica, pero la fuerza de identificación para estos canales está limitada por las pre-tendencias observadas en los event studies.
Triangulación: Cobertura del Suelo e Intensidad Emisiva
Los análisis complementarios sobre cobertura del suelo e intensidad emisiva ayudan a cualificar los resultados agregados. Se verificó un aumento estimado del 13,0% en el área cultivada con caña en escala logarítmica en los municipios tratados. Sin embargo, no se detectó variación estadísticamente significativa en la participación de la vegetación nativa en el área municipal (β = +0,0002; p = 0,390), ni en la participación de la caña en el área municipal (β = +0,0004; p = 0,496). Estos datos del MapBiomas son compatibles con la expansión de la caña sobre pastos u otros cultivos, pero la ausencia de significancia estadística para la vegetación nativa no permite inferir que el programa haya causado contención de la deforestación de forma causal.
En relación con la producción y la intensidad de las emisiones, la producción de caña fue un 97,9% mayor después de 2019 en los municipios tratados, pero este resultado es descriptivo debido al fuerte desequilibrio productivo anterior. La intensidad de las emisiones por tonelada de caña presentó una variación no significativa de -0,5% (p = 0,082). Al incluir la producción como control en el análisis de las emisiones totales, la diferencia se redujo a +2,1% (p = 0,531), también sin significancia estadística. En conjunto, estos resultados son compatibles con un mecanismo de escala, donde el aumento de la producción puede influir en las emisiones, pero no confirman causalmente este mecanismo, ya que la producción puede ser un resultado del propio programa.
Discusión: Mecanismos e Implicaciones de Política
En conjunto, las estimaciones sugieren un patrón de recomposición interna de las emisiones, divergiendo de una expectativa de reducción uniforme. Los contrastes negativos en fuentes extensivas, como Cambios en el uso de la tierra y Quema de residuos agrícolas, coexisten con contrastes positivos en fuentes asociadas al manejo intensivo de insumos, como Suelos manejados (LÁZARO et al., 2023). Esta recomposición debe interpretarse como una lectura conjunta de los resultados, y no como un mecanismo causal plenamente demostrado, dada la variación en la fuerza de identificación entre los desenlaces.
El RenovaBio, al operar como un instrumento de fijación de precios basado en la intensidad de carbono, remunera la reducción de la intensidad por unidad producida, sin imponer un límite directo al volumen total de emisiones (BRASIL, 2017). Este diseño incentiva prácticas que disminuyen la intensidad de carbono de la ruta tecnológica, pero permite la expansión de la producción, lo que puede aumentar los ingresos de CBIOs y, consecuentemente, las emisiones absolutas. La reducción en la Quema de residuos agrícolas es consistente con la eliminación progresiva de la cosecha manual, penalizada por el RenovaCalc, pero también impulsada por legislación estatal y tendencias sectoriales anteriores, lo que dificulta la atribución causal exclusiva al programa.
El aumento en las emisiones de Suelos manejados puede ser la cara complementaria de la intensificación productiva, reflejando un mayor uso de fertilizantes nitrogenados, vinaza y otros residuos. Esta dinámica es una propiedad intrínseca de los instrumentos basados en intensidad, como se documenta en la literatura sobre políticas de carbono (FISCHER; NEWELL, 2008). La distinción entre patrones de intensidad y techos absolutos es crucial para la evaluación de políticas climáticas, ya que solo estos últimos garantizan la reducción de las emisiones agregadas cuando la producción se expande. Los resultados son coherentes con la literatura internacional que señala respuestas heterogéneas a los instrumentos de carbono, condicionadas a capacidades institucionales y tecnológicas preexistentes (HUANG; CHEN, 2022; FAN; ZHANG, 2021).
Como implicación política, los hallazgos sugieren que la evolución de RenovaBio debe prestar especial atención a las emisiones de suelos manejados. Opciones como metas progresivas de eficiencia en el uso de nitrógeno, el incentivo a fertilizantes de liberación controlada, inhibidores de nitrificación y prácticas de manejo conservacionista deben ser evaluadas. La implementación de estas medidas, preferentemente con datos de campo y diseños que permitan estimar sus efectos específicos, puede ser crucial para mejorar el impacto ambiental del programa.
Limitaciones
La principal limitación de este estudio reside en la naturaleza observacional del diseño cuasi-experimental. Aunque el Emparejamiento por Puntuación de Propensión ha reducido las diferencias en características observables, siete covariables permanecieron por encima del umbral de balanceo, y factores no observados pueden haber influido simultáneamente en la adhesión al programa y en las emisiones. Así, la estimación agregada en log(1+y) tiene el soporte más fuerte para la interpretación causal, mientras que las estimaciones a nivel y por macro-canal, que presentaron pre-tendencias, deben tratarse como descriptivas o sugestivas.
Adicionalmente, la definición binaria del tratamiento, basada en la presencia de al menos una planta certificada en 2019, no captura la intensidad de la participación en RenovaBio, el volumen de CBIOs negociados, la Nota de Eficiencia Energético-Ambiental (NEEA) o los cambios en la certificación a lo largo del tiempo. La utilización de la muestra más amplia en el soporte común para el TWFE, aunque preserva información, mantiene una heterogeneidad residual entre los grupos. También existe la posibilidad de interferencia espacial, donde las plantas compran caña en áreas que sobrepasan los límites municipales, y efectos económicos, tecnológicos o ambientales pueden alcanzar municipios vecinos, lo que violaría la suposición SUTVA (Stable Unit Treatment Value Assumption) y podría contaminar el grupo de control.
Los resultados analizados se derivan de un inventario basado en factores de emisión y proxies de asignación municipal, lo que significa que las variaciones locales de suelo, clima y manejo pueden no ser plenamente capturadas. Los resultados, por lo tanto, se refieren a las emisiones oficialmente estimadas y no a mediciones directas en campo. La sensibilidad de la elección del baseline para el diagnóstico del agregado, y el horizonte temporal de 2012-2024, que puede ser insuficiente para captar efectos estructurales de largo plazo, son otras limitaciones. Estas consideraciones impiden una lectura de causalidad absoluta y justifican la gradación explícita de la fuerza de la evidencia adoptada en este trabajo.
En resumen, este estudio demostró que la adhesión a RenovaBio se asoció con un aumento del 26,0% en las emisiones AFOLU agregadas de caña de azúcar en municipios tratados, en relación con los controles, en escala logarítmica. Aunque los resultados a nivel absoluto y por macrocanal sugieren una recomposición interna de las emisiones, con reducciones en Cambios de uso de la tierra y Quema de residuos agrícolas y aumento en Suelos manejados, la presencia de pre-tendencias limita la interpretación causal de estos hallazgos. La investigación no encontró evidencia estadística de reducción de la vegetación nativa o de empeoramiento en la intensidad de emisiones por tonelada, lo que indica que el programa puede estar incentivando la intensificación productiva sin, sin embargo, garantizar una reducción absoluta de las emisiones o prevenir el aumento en canales específicos, como los suelos manejados, lo que apunta a la necesidad de atención continua a estos aspectos en la evolución de la política de descarbonización.
4. Conclusión
Este estudio evaluó la asociación entre la adhesión al RenovaBio y los cambios en las emisiones municipales AFOLU asociadas a la caña de azúcar en la región Centro-Sur de Brasil, utilizando un diseño cuasi-experimental. Se observó un aumento post-2019 del 26,0% en las emisiones AFOLU agregadas de caña de azúcar en los municipios tratados, en comparación con los controles, en la especificación a escala logarítmica. Este hallazgo, para el cual la prueba conjunta de pre-tendencias no fue rechazada, cuenta con el soporte más robusto para una interpretación causal, aunque condicionado a los supuestos del diseño observacional. A nivel absoluto y para los macro-canales, las estimaciones presentaron pre-tendencias, siendo interpretadas como evidencias descriptivas o sugestivas de una recomposición interna de las emisiones. Se observó una reducción en Cambios de uso del suelo y Quema de residuos agrícolas, mientras que las emisiones de Suelos manejados presentaron aumento. Análisis complementarios indicaron un aumento en el área de caña cultivada, sin evidencia estadística de reducción de la vegetación nativa, y una variación no significativa en la intensidad emisiva por tonelada. La principal contribución de este trabajo reside en la evaluación de políticas de descarbonización, al evidenciar que el RenovaBio, como instrumento de precio basado en intensidad, puede llevar a una recomposición interna de las emisiones, sugiriendo la necesidad de atención especial a las emisiones de suelos manejados en la evolución del programa.
A pesar de los resultados, el estudio presenta limitaciones inherentes al diseño observacional, como la persistencia de desequilibrios en siete covariables después del emparejamiento y la imposibilidad de controlar factores no observados que pueden influir en la adhesión y las emisiones. La definición binaria del tratamiento no capturó la intensidad de la participación en el programa, y los desenlaces derivan de un inventario basado en factores de emisión y proxies, no de mediciones directas en campo, lo que puede no capturar variaciones locales de suelo, clima y manejo. El horizonte temporal de 2012 a 2024 puede ser insuficiente para captar efectos estructurales de largo plazo. Para estudios futuros, se sugiere explorar la participación en RenovaBio por medidas continuas de intensidad, analizar cohortes de certificación y adoptar estimadores robustos a la heterogeneidad temporal. La incorporación de áreas efectivas de suministro de las plantas y modelos de spillover espacial también puede mejorar la comprensión de los efectos del programa, probando desplazamientos de uso de la tierra y reduciendo la dependencia del municipio como unidad aislada. En resumen, los hallazgos indican que la política de descarbonización debe considerar la dinámica compleja de las emisiones, especialmente en suelos manejados, para garantizar la efectividad del programa.
Referencias Bibliográficas
AGÊNCIA NACIONAL DO PETRÓLEO, GÁS NATURAL E BIOCOMBUSTÍVEIS. RenovaBio: assuntos. Brasília: ANP, 2025. Disponível em: https://www.gov.br/anp/pt-br/assuntos/renovabio. Acesso em: 14 abr. 2026.
BERTRAND, M.; DUFLO, E.; MULLAINATHAN, S. How much should we trust differences-in-differences estimates? Quarterly Journal of Economics, Cambridge, v. 119, n. 1, p. 249-275, 2004.
BRASIL. Lei n.º 13.576, de 26 de dezembro de 2017. Dispõe sobre a Política Nacional de Biocombustíveis (RenovaBio). Diário Oficial da União, Brasília, DF, 27 dez. 2017. Seção 1, p. 3.
CALIENDO, M.; KOPEINIG, S. Some practical guidance for the implementation of propensity score matching. Journal of Economic Surveys, London, v. 22, n. 1, p. 31–72, 2008.
FAN, F.; ZHANG, X. Transformation effect of resource-based cities based on PSM-DID model. Environmental Impact Assessment Review, New York, v. 91, p. 106648, 2021.
FISCHER, C.; NEWELL, R. G. Environmental and technology policies for climate mitigation. Journal of Environmental Economics and Management, v. 55, n. 2, p. 142–162, 2008.
HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate data analysis. 7. ed. Upper Saddle River: Pearson Prentice Hall, 2009.
HUANG, D.; CHEN, G. Can the carbon emissions trading system improve the green total factor productivity of the pilot cities? International Journal of Environmental Research and Public Health, Basel, v. 19, n. 3, p. 1209, 2022.
LIU, Y. et al. Life cycle assessment of ethanol from sugarcane in Brazil: carbon intensity analysis of 67 mills. Bioresource Technology, Oxford, v. 369, p. 128423, 2023.
LÁZARO, L. L. B.; GRANGEIA, C. S.; SANTOS, L.; GIATTI, L. L. What is green finance, after all? Exploring definitions and their implications under the Brazilian biofuel policy (RenovaBio). Journal of Climate Finance, Amsterdam, v. 2, p. 100009, 2023.
MAGALHÃES, A. A. S.; DOMINGUES, E. P. Aumento da eficiência energética no Brasil: uma opção para uma economia de baixo carbono? Belo Horizonte: FACE-UFMG, 2016.
MATSUURA, M. I. S. et al. RenovaCalc: a calculadora do programa RenovaBio. In: CONGRESSO BRASILEIRO SOBRE GESTÃO DO CICLO DE VIDA, 6., 2018, Brasília. Anais […]. Brasília: [s.n.], 2018.
NOVAES, R. M. L. et al. Comment on “The importance of GHG emissions from land use change for biofuels in Brazil”. Resources, Conservation & Recycling, Amsterdam, v. 191, p. 106882, 2023.
OBSERVATÓRIO DO CLIMA. SEEG – Sistema de estimativa de emissões e remoções de gases de efeito estufa: Nota metodológica do Setor Agropecuário 1970–2024, versão 13.0. São Paulo: OBSERVATÓRIO DO CLIMA, 2025. Disponível em: https://seeg.eco.br. Acesso em: 14 abr. 2026.
RAMOS, P. O. et al. Characterization of the typical sugarcane production system in Brazil certified under RenovaBio. Renewable and Sustainable Energy Reviews, Amsterdam, v. 199, p. 114504, 2024.
ROSENBAUM, P. R.; RUBIN, D. B. The central role of the propensity score in observational studies for causal effects. Biometrika, Oxford, v. 70, n. 1, p. 41–55, 1983.
ROTH, J. Interpreting event-studies from recent difference-in-differences methods. arXiv, Ithaca, arXiv:2401.12309, 2024.
ROTH, J.; SANT’ANNA, P. H. C. When is parallel trends sensitive to functional form? Econometrica, Oxford, v. 91, n. 2, p. 737–747, 2023.
Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy