ANÁLISIS MICROECONOMÉTRICO DE LA DEMANDA ELÉCTRICA RESIDENCIAL DE CORTO PLAZO EN ESPAÑA

ANÁLISIS MICROECONOMÉTRICO DE LA

DEMANDA ELÉCTRICA RESIDENCIAL DE CORTO PLAZO EN ESPAÑA

Laura Fernàndez Villadangos*

Universitat de Barcelona

* Grupo de Investigación en Políticas Públicas y Regulación Económica. Universitat de Barcelona.

Depto. de Política Económica. Av. Diagonal, 690, Torre 6, 3ª Planta 08034 Barcelona. E-mail:

laura.fernandez@ub.edu Telf.: (0034) 93 402 19 47 Fax: (0034) 93 402 45 73

1. INTRODUCCIÓN

En el presente trabajo se llevará a cabo una estimación de la función de demanda eléctrica residencial de los consumidores españoles para el año 1999. Para ello, se ha optado por un enfoque de corto plazo con datos individuales anuales de corte transversal, a partir de la información proporcionada por la Encuesta Continua de Presupuestos Familiares (en adelante ECPF) elaborada por el Instituto Nacional de Estadística de España.

La estimación de la función de demanda de electricidad, por medio de técnicas paramétricas y no paramétricas, nos permitirá obtener las elasticidades precio y renta de los consumidores españoles en el corto plazo, lo cual es relevante a la hora de evaluar posibles cambios de comportamiento de los individuos ante modificaciones en la estructura tarifaria de la electricidad, o la introducción de figuras impositivas sobre este bien con objetivos de conservación energética y del medio ambiente, así como para analizar la naturaleza de este bien de consumo por parte de los hogares españoles.

Dicha relevancia toma más cuerpo si cabe en los últimos años, desde finales de los ochenta y principios de los noventa, en que se ha producido un masivo proceso de liberalización del mercado eléctrico a nivel mundial.

Este proceso de liberalización, en buena parte motivado por avances tecnológicos en el sector, donde se ha pasado del uso de tecnologías generadoras de carácter térmico, de coste muy elevado, a tecnologías mucho más baratas, con el desarrollo de la turbina de gas de ciclo combinado, ha buscado la promoción de la eficiencia, la reducción de costes, el incremento de la capacidad de elección del consumidor, la movilización de la inversión privada y la consolidación de las finanzas públicas¹.

En este sentido, muchos países han optado por la introducción de competencia en los segmentos de actividad del negocio eléctrico que no presentan características de monopolio natural, como la generación y la comercialización, a través de la creación de mercados mayoristas de electricidad y el libre acceso de terceros a las redes, así como el paso de estructuras tarifarias reguladas a otras alternativas que han perseguido resultados más competitivos en el mercado².

En este último aspecto se ha pretendido que los precios del mercado ofrezcan un reflejo más fiel de los costes de producción, reduciendo el volumen de los subsidios y tarifas compensatorias para los productores y previniendo el subsidio cruzado entre segmentos de actividades del sector, con la finalidad de reducir las distorsiones en los mercados eléctricos al pretender que los precios actúen como una señal adecuada de los movimientos del mercado.

Por su parte, los consumidores han percibido estas reformas con el paso de sistemas de fijación de precios lineales o en dos partes, a nuevos sistemas de tarificación eléctrica en bloques, que implica un precio marginal decreciente, a medida que se aumenta el consumo eléctrico, o la fijación de precios siguiendo la teoría del peak load pricing, que discrimina el precio de la electricidad en función del momento de uso de la misma, básicamente, los períodos pico de demanda y los períodos valle.

No obstante, los trabajos empíricos y de análisis de la respuesta de los consumidores finales a este cambio en las reglas del juego del sector no se han prodigado de igual forma en todos los mercados nacionales. Esta asimetría en el análisis, mucho más prolífico en el caso de Estados Unidos, responde sin duda a la gran disponibilidad de datos del país anglosajón, que ha permitido llevar a cabo trabajos de análisis muy detallados de la sensibilidad de la demanda a cambios en los precios del sector.

1 Müller-Jentsch (2001)

2 El caso de Estados Unidos y de Gran Bretaña es pionero en este proceso y su experiencia ha servido de referencia a un buen número de países.

Al respecto destacan los trabajos pioneros de Houthakker (1951), Fisher y Kaysen (1962) o Houthakker y Taylor (1970), que fueron los primeros en enfocar su objeto de estudio hacia el análisis del consumo residencial de electricidad en Estados Unidos. Más recientemente podemos señalar trabajos como el de Patrick y Wolak (1997), el de Silk y Joutz (1997), Reiss y White (2001, 2003) o Bushnell y Mansur (2002), por citar sólo algunos ejemplos.

La literatura europea, por el contrario, se ha centrado en el análisis de la liberalización desde el punto de vista de la oferta, Green y Newbery (1992), Helm y Powell (1992) y von der Fehr (1998) son buenos ejemplos al respecto, puesto que sus trabajos analizan el desarrollo de los mercados mayoristas de electricidad en Europa, así como la implementación de nuevos mecanismos que reduzcan la incertidumbre de los oferentes en el nuevo contexto liberalizado.

De todas formas el uso de datos desagregados, siempre que sea factible , supone la posibilidad de explotar una extraordinaria riqueza de información, junto con el hecho de poder gozar de un gran número de grados de libertad en el trabajo econométrico aplicado.

Dado el marco de análisis en que se encuadra el presente estudio, pretendemos esbozar el perfil de comportamiento del consumidor residencial a través de su elasticidad precio y renta, desarrollando una especificación genérica de la función de demanda residencial de electricidad que dependa del precio medio percibido por los consumidores, de su nivel de renta y de una serie de características de la vivienda y de características personales y demográficas de los individuos, cuyo ajuste nos permita aproximar el tipo de elasticidad precio y renta de este bien para los consumidores residenciales.

Además, pretendemos generalizar este tipo de modelo para otros trabajos internacionales, pues creemos que la unificación del marco de análisis y la extrapolación de conclusiones a ámbitos geográficos de características similares puede ser beneficiosa para el sector, en la línea de otros trabajos anteriores, como el Hondroyiannis (2004) para el mercado griego, o el de Reiss y White (2001) para el estado de California, en Estados Unidos.

A partir de aquí, el contenido del presente trabajo se organizará de la forma siguiente. En la sección 2 se abordará la naturaleza de los datos utilizados, así como de la construcción de algunas variables adicionales a las suministradas por la ECPF. La sección 3 detalla la metodología elegida para realizar la estimación de la ecuación de demanda residencial eléctrica, los principales problemas que supone el enfoque escogido y las soluciones adoptadas para su corrección. En la sección 4 se describe la estimación del modelo, así como los principales resultados que se derivan de su ajuste y, por último, en la sección 5, se detallan las principales conclusiones derivadas del trabajo.

2. DATOS

Como hemos señalado en la sección anterior, en el presente trabajo se han utilizado datos anuales individuales de corte transversal correspondientes a la ECPF de 1999 elaborada por el Instituto Nacional de Estadística de España (en adelante INE). En total la muestra se compone de 9881 observaciones que se corresponden a los hogares españoles participantes en la encuesta.

Asimismo, se utilizarán datos de temperaturas mensuales a nivel provincial para 1999 y datos sobre población a nivel de Comunidad Autónoma para ese mismo año, procedentes ambos de las estadísticas publicadas en los boletines mensuales del INE de 1999.

A partir de la base de datos de la ECPF, o bien de información suplementaria a ésta, se ha creído oportuna la construcción de algunas variables adicionales a las que se tenían de partida y que se han utilizado en el análisis metodológico posterior. Tales variables podrían desglosarse en tres categorías diferenciadas:

- Variables relacionadas con el consumo de electricidad

- Variables demográficas - Variables climáticas

a. Variables relacionadas con el consumo de electricidad

La construcción de las variables relacionadas con el consumo de electricidad parten de la problemática que nos ha asaltado a la hora de manejar la información disponible en la ECPF y que no es otra que dicha encuesta ofrece únicamente datos de gasto en electricidad agregados anualmente para cada uno de los hogares de la muestra, lo cual no nos permite observar a simple vista la potencia eléctrica instalada en el hogar, los kilovatios hora consumidos o el precio medio derivado de la factura eléctrica individual, razón por la cual hemos calculado las variables siguientes:

Potencia instalada

La determinación de la potencia instalada nos permitirá conocer el importe pagado por los consumidores domésticos, en concepto de cuota fija (o término de potencia), por la contratación del servicio de electricidad y, posteriormente, poder derivar los kilovatios consumidos por cada uno de los hogares que van a ser objeto de análisis.

Dado que los datos de que disponemos nos suministran información sobre el equipamiento de electrodomésticos para cada uno de los hogares y tomando como referencia la información que suministra la empresa líder del sector, Endesa, hemos podido construir una tabla guía que discrimina la potencia a contratar por cada hogar, en función de su equipamiento en aparatos electrodomésticos.

Tabla 1

Potencia contratada en función del equipamiento doméstico APARATOS

Iluminación X X X X X X X X X X

Pequeño

electrodoméstico X X X X

X X X

X X X

Lavadora X X X X X X X X X

Lavavajillas X X X X X

Horno X X X

Cocción eléctrica X X X X

Refrigeración X X

POTENCIA (KW) 2,2 3,3 4,4 4,4 4,4 5,5 5,5 6,6 7,7 7,7

Fuente: elaboración propia a partir de la información suministrada en la página web de Endesa

De la observación de la tabla puede concluirse que la compra de un aparato adicional que consuma electricidad por parte del hogar, incrementa las necesidades de potencia contratada en 1,1 KW, siendo la excepción la cocción eléctrica (vitrocerámica o inducción) que incrementa esas necesidades en 2,2 KW, respecto de la situación anterior.

Asimismo, y a título de aclaración, cabe decir que la categoría de pequeños electrodomésticos engloba a aparatos como el microondas, la televisión, los equipos de música y de reproducción multimedia, equipos informáticos domésticos, el frigorífico y el congelador.

En este sentido, puede resultar sorprendente la inclusión de estos dos últimos aparatos en la categoría de pequeños electrodomésticos. Sin embargo, la sorpresa desaparece si distinguimos entre la potencia necesaria para el funcionamiento de un aparato y su consumo. Por tanto, y al hilo de esta distinción, podemos concluir que, si bien el frigorífico y el congelador son electrodomésticos intensivos en el

uso de energía eléctrica, una vez que entran en funcionamiento, no necesitan una gran potencia contratada para poder utilizarse³.

Volviendo a la construcción de la variable de potencia instalada, se ha analizado la configuración del equipamiento en electrodomésticos para cada uno de los cerca de diez mil hogares de la muestra, y se le ha asignado una potencia contratada teórica, teniendo en cuenta la potencia marginal necesaria para el uso de cada uno de los aparatos, en el caso de que la configuración particular de un hogar de la muestra, difiera de la configuración estándar reflejada en la Tabla 1.

Por tanto, dado el sistema de asignaciones de potencias efectuado, debemos tener en cuenta que utilizaremos un dato aproximado, aunque bastante fiable, pues no disponemos de las potencias reales contratadas por el hogar, que normalmente tenderá a contratar un nivel de potencia ligeramente por debajo del óptimo, aunque éste será el mejor dato del que puede disponerse para nuestra muestra⁴.

Consumo en Kilovatios hora

El consumo en KWh será la variable dependiente de nuestra ecuación de demanda. Para calcular ese consumo individualizado por hogar hemos partido de la información contenida en una factura estándar de consumo de 1999 y del Real Decreto 2821/1998 de 23 de diciembre, por el que se establece la factura eléctrica para 1999, que agrupa los siguientes conceptos de facturación:

Tabla 2

Desglose de una factura eléctrica doméstica de 1999

CONCEPTO CÁLCULO IMPORTE

TP Potencia contratada x P_p X₁

TE KWh x P_kwh X₂

Impuesto Electricidad (X₁ + X₂) x 1,05113 x 0,04864 X₃ Conservación contador F (Importe fijo) F

Base Imponible X1 + X2 + X3 + f IVA (X1 + X2 + X3 + f) x 0,16 X4

TOTAL FACTURA X1 +X2 + X3 + f + X4

Fuente: elaboración propia a partir del RD 2821/1998 de 23 de diciembre y de la web de ENDESA S.A.

Nota: TP, término de potencia; TE, término de energía; Pp, precio regulado por unidad de potencia contratada; KWh, kilovatios hora consumidos; Pkwh, precio regulado por Kwh consumido; IVA, Impuestosobre el valor añadido; F cuota fija en función del tipo de contador utilizado. El detalle de factura anterior se establece por período mensual.

Por tanto, nuestro dato de partida en la ECPF es el de “TOTAL FACTURA” y el que deseamos obtener son los KWh consumidos por cada uno de los hogares de la muestra. Además, contamos con los precios regulados de la potencia contratada y de los kWh consumidos, así como con la potencia contratada por cada uno de los hogares, calculada según lo descrito en el apartado anterior, y con los tipos impositivos de los impuestos sobre el consumo eléctrico y en concepto de IVA.

En este punto cabe señalar que los precios regulados del término de potencia y el término de energía se han extraído del Real Decreto (RD) 2821/1998 de 23 de diciembre, tomando como referencia una tarifa 2.0, que es la tarifa contratada por un 90% de los consumidores domésticos, según expertos del sector. Según esta tarifa, los precios correspondientes al término de potencia y al término de energía son Pp= 251 pts/kWh y mes y Pkwh= 14,24 pts/kwh, respectivamente.

3 Lo mismo sucede en el caso del televisor, que aunque sólo necesita 110W de potencia para funcionar, el hecho de que los hogares hagan un consumo muy intensivo de este aparato, con siete horas de media diaria en 1997, hace que este consumo pueda equipararse a lo que consumió toda la industria textil española en ese año. REE (1998).

4 Este hecho introducirá un pequeño sesgo de medida en nuestros cálculos, pues al suponer una potencia contratada presumiblemente mayor a la real, estaremos considerando que la parte de la factura eléctrica correspondiente a dicha potencia es también mayor a la real y, por tanto, tendremos un menor gasto variable al efectivamente realizado, lo cual redundará en la obtención de un precio medio mayor al real para los consumidores que subcontratan potencia eléctrica. Pese a todo, este es el mejor dato del que podemos disponer.

Sin embargo, es importante señalar que en 1999 se produjo un hecho excepcional en la historia de la regulación de precios del sector en España, que fue la modificación de las tarifas de consumo residencial el 7 de mayo de ese mismo año, mediante el RD 6/1999, de 16 de abril, de Medidas urgentes de liberalización e incremento de la competencia, sin esperar a la revisión periódica que se venía produciendo al finalizar el año.

Lo anterior hizo posible una rebaja de la tarifa media del KWh en un 1,5% adicional al 2,5%

rebajado en el RD 2821/1998. Como consecuencia, las nuevas tarifas pasan a ser de Pp= 247 pts/kWh y mes y Pkwh= 14,03 pts/kwh.

Ante esta situación y, dado que sólo disponemos de una observación anual de consumo eléctrico para cada uno de los hogares, se ha optado por el cálculo de los precios del TP y el TE, mediante una media ponderada por los días, en el total anual, que ha tenido de vigencia cada una de las dos tarifas decretadas, lo cual no menoscaba la validez de los resultados, dado que la demanda eléctrica residencial tiene un carácter marcadamente estacional por ciclos diarios.⁵

Dada ésta información se ha procedido al cálculo de los kWh de consumo de la siguiente forma:

( )

PKWH

X RA

TOTALFACTU

KWH

04864 1

, 0 05113 , 1 16 ,

1 −

















 ×

 



= (2)

Donde X1 o término de potencia se calcula, en términos anuales:

( )

1= Potenciacontrada×P_p ×

X (3)

De la formulación anterior, cabe tener en cuenta que no se ha calculado explícitamente el coste de mantenimiento del contador. Esto es así, puesto que en función del tipo de contador que utilicen los hogares (monofásico o trifásico) el importe fijo de su mantenimiento varía, y en consecuencia también lo hará el importe de este concepto en el total de la factura.

Dado que el importe anterior no supera, en el peor de los casos, los cinco euros anuales, se ha optado por considerar que ese valor se encuentra incluido en la cuota fija del término de potencia, y aún siendo conscientes del pequeño sesgo en forma de error de medida que ello introduce en los cálculos, incrementando la cuota fija por encima del valor real, creemos que dado el reducido importe de este concepto, no se menoscaba la validez de los resultados que se obtendrán en el análisis posterior y sí nos permite obtener el consumo doméstic o en unidades físicas para las observaciones de la muestra.

Precio Medio

Con la finalidad de contar en el análisis con una medida del precio individualizado de la energía eléctrica para los consumidores domésticos se ha optado por construir una variable que recoja el precio medio pagado por los consumidores.

Para ello, se ha procedido al cálculo de esta variable de la siguiente forma:

( )

KWH TE

PMe = TP+ , donde TP = X1 y TE = KWH x Pkwh .⁶ (4)

5 REE (1998)

6 En el procedimiento de cálculo se ha obtenido el precio medio excluyendo los impuestos, siguiendo la metodología CNE (2003), que utiliza de forma estándar este procedimiento, en aras de la simplicidad a la hora de llevar a cabo comparaciones internacionales de precios.

De esta manera, y dado que la estructura tarifaria de la electricidad en España es uniforme para todos los consumidores domésticos, que pagarán el mismo precio por kWh consumido, sea cual sea la cantidad que consuman, se ha pretendido obtener una medida del precio que ofrezca variabilidad entre los individuos, para la posterior aproximación de una elasticidad precio de la demanda eléctrica y, dado que nos movemos en un contexto de corto plazo, en que los precios están dados y no existe variación en el stock de electrodomésticos de los hogares, dicha variabilidad en el precio medio será decreciente a medida que aumente el consumo de electricidad.

Gasto total no energético

Esta variable detalla el total de gastos del hogar, liberados de aquéllos que se refieran exclusivamente a importes relacionados con el uso de insumos de carácter energético. En este sentido, de las principales fuentes energéticas que utilizan los hogares españoles se ha considerado el gasto en electricidad, en gas natural, en gas butano y en gasóleo de calefacción. Partidas todas ellas, para las que contamos con información en nuestra base de datos de la ECPF.

A partir de aquí, se ha tomado una de las variables de la encuesta: el gasto total de los hogares en bienes y servicios durante el período anual y a precios de ese año de referencia (1999) y se le han detraído los gastos por el total de los combustibles energéticos suministrados a cada una de las familias de la muestra, de forma que:

GTNE = GT – GE (5)

Donde GTNE es el gasto total no energético del hogar, GT es el gasto total a precios del año de la encuesta y GE es el gasto en combustibles energéticos del hogar.

b. Variables demográficas

Con la finalidad de poder precisar el patrón de conducta de los consumidores españoles, se han construido cuatro variables dummy que tienen que ver con la estructura de edad de los individuos, con el número de individuos ocupados en cada hogar, así como con el perfil de gasto de cada uno de los hogares

En particular, esas cuatro variables son:

Variable Descripción

EDAD65 1 para los mayores de 65 años 0, en otro caso

HIJOS13 1 hogares con niños menores de 13 años, 0 en otro caso DNUMOCUP 1 al menos un individuo ocupado en el hogar, 0 en otro caso CENTILES10-

CENTILES100 1 si el hogar pertenece a ese decil de gasto, 0 en otro caso

Aquí cabe señalar que la variable CENTILES10-CENTILES100 puede desglosarse en diez variables cualitativas que recogen cada uno de los deciles de la distribución del gasto que realizan los hogares en bienes y servicios a lo largo del año, excepto aquellos gastos realizados en contraprestación a la utilización de un insumo energético concreto (electricidad, gas natural, gas butano y gasoil).

c. Variables climáticas

Existen numerosos trabajos en la literatura que han apuntado la importancia de considerar algún tipo de variable climatológica en la estimación de ecuaciones de demanda energética en general, y de energía eléctrica en particular⁷. Es en este sentido por lo que en este trabajo hemos decidido

7 Baker, Blundell y Micklewright (1989); Reiss y White (2001); Pardo, Meneu y Valor (2002) o Hondroyiannis (2004) ofrecen ejemplos sobre el distinto uso de este tipo de variables en la estimación de la demanda de consumo eléctrico.

incorporar una variable de este tipo y, más allá de la obtención de un dato objetivo como el de la temperatura, hemos creído conveniente utilizar una medida de sensibilidad en el comportamiento energético de los hogares ante cambios en dicha temperatura.

Por ello se ha recurrido al uso del concepto de Grados Día, desglosado a su vez en dos bloques: los grados día de refrigeración y los grados día de calefacción (en adelante CDD y HDD, respectivamente⁸).

Los Grados Día miden la diferencia entre dieciocho grados centígrados y la temperatura media observada en un lugar y en un período de tiempo. Sin embargo, aquí hemos preferido seguir una propuesta diferente a la anterior, considerando que el umbral de temperatura que determina la sensibilidad al uso de calefacción o refrigeración varía en función de la época del año, situándose en los 15ºC en los meses entre noviembre y abril y los 20ºC entre junio y septiembre. Los meses de mayo y octubre muestran efectos ambiguos pues son de transición entre los períodos más fríos y más cálidos del año o a la inversa⁹.

En definitiva y, dada la disponibilidad temporal y geográfica de la información necesaria para construir estas variables, los cálculos se han realizado según:

[ ]

CA j

i P

nmes p ) t 20 ( CDD

J

1 j

12

1 i

m ×



 



 − ×

=

∑ ∑

= =

[ ]

CA j

H i

P nmes p ) t 15 ( DD

J

1 j

12

1 i

m ×



 



 − ×

=

∑ ∑

= =

(1) Siendo:

tm: temperatura media mensual provincial nmes: número de días en cada mes Pj: población de la provincia

PCA: población de la Comunidad Autónoma

Es decir, los CDD (y por simetría los HDD) se han construido precisando su valor a nivel de Comunidad Autónoma, puesto que era ésta la desagregación geográfica mínima en la que queda identificado cada uno de los hogares que componen nuestra muestra, lo cual ha contribuido de forma decisiva a que esta variable haya acabado siendo no explic ativa del consumo eléctrico residencial español, como veremos en la sección 3, pues parece evidente que no podemos pensar que las pautas climáticas de la totalidad del territorio de una Comunidad Autónoma sean uniformes.

3. METODOLOGÍA

En el presente trabajo se ha optado por un enfoque continuo de corto plazo con datos anuales individuales de corte transversal como alternativa a una apuesta por una metodología de largo plazo con datos de panel individuales. Este último enfoque permite la obtención de elastic idades precio y renta tanto a corto como a largo plazo, mientras que aquí hemos optado por la acotación del período temporal de análisis, como un primer paso hacia un análisis alternativo como el planteado.

Esta elección se justifica, en primer lugar, por el interés de estudiar el sector residencial en el período inmediatamente posterior a la entrada en vigor de la Ley del Sector Eléctrico, el 1 de enero de 1998, que abre el camino de la liberalización definitiva del sector y, en segundo lugar, el cambio de metodología en la elaboración de la ECPF a partir del tercer trimestre de 1997, no hace sino dificultar el análisis conjunto de series de datos elaborados a partir de metodologías distintas.

8 Esta nomenclatura se deriva de la terminología anglosajona Cooling Dregree Days y Heating Dregree Days, que es como se denomina a los dos conceptos anteriores.

9 Estos umbrales de temperatura se proponen en el trabajo conocido como Proyecto INDEL, elaborado por Red Eléctrica de España para analizar la demanda eléctrica residencial, comercial y de servicios en España entre 1988 y 1997. Ver REE (1999)

Por su parte, la elección de un modelo de corto plazo tiene que ver, no sólo con la magnitud temporal del período analizado, sino que implica que los individuos escogerán un consumo de electricidad dados los precios de ese bien y el stock de bienes duraderos existentes en el hogar que lo consume.

Asimismo, nuestro enfoque continuo se contrapone a los modelos de elección continua-discreta que han experimentado un desarrollo creciente en la literatura, a partir de las propuestas de McFadden et al (1977) y Hanemann (1984), que han visto una de sus plasmaciones empíricas más importantes en los trabajos de Dubin (1985) y Dubin y McFadden (1984), aplicados al caso particular de la demanda eléctrica residencial.

En estos modelos se supone que el consumidor toma dos decisiones de carácter distinto a la hora de abordar su consumo doméstico de energía. En primer lugar, los individuos deciden sobre el tipo de combustible a utilizar a la hora de dotarse de una fuente de energía en el hogar, por ejemplo si contratar el servicio de gas o de electricidad, lo cual es una decisión de carácter discreto y, en segundo lugar, una vez determinado el tipo de combustible se decide sobre qué cantidad consumir de dicho combustible (elección de carácter continuo).

En nuestro caso hemos optado por una modelización del consumo eléctrico de carácter continuo, dado que la práctica totalidad de los hogares españoles disponen de energía eléctrica¹⁰. Asimismo, la disponibilidad de datos sobre el combustible utilizado por los distintos electrodomésticos en el hogar restringe nuestro análisis en este sentido, ya que no podemos conocer qué insumo energético utiliza cada uno de los aparatos electrodomésticos del hogar, lo cual sería necesario para abordar un análisis de carácter discreto-continuo.

Asimismo, el análisis de la demanda residencial de electric idad se ha estructurado siguiendo dos tipos de metodologías distintas: el análisis no paramétrico y el análisis paramétrico. Creemos que estos dos tipos de análisis no son excluyentes entre sí, sino que, por el contrario se complementan y refuerzan la robustez de las conclusiones obtenidas.

a. Análisis no paramétrico

Los enfoques no paramétricos del análisis de regresión se basan en permitir que los datos disponibles determinen la forma funcional apropiada entre variables bajo una serie de restricciones débiles¹¹, en lugar de establecer dicha relación funcional a priori de manera intuitiva (Fahrmeir y Tutz, 1994).

En nuestro caso particular, se ha creído oportuna la aplicación de un análisis kernel para contrastar el tipo de relación existente entre algunas de las variables candidatas a entrar a formar parte de la ecuación de demanda, de forma que la especificación final de dicha ecuación tenga en cuenta esa forma funcional concreta.

En particular se ha intentado establecer la relación existente entre las variables que creemos que pueden ser potencialmente endógenas: el consumo de electricidad en KWh y el precio medio pagado por cada hogar y las variables edad, sensibilidad a la temperatura, número de habitaciones del hogar, gasto total no energético familiar y potencia eléctrica instalada en el hogar.

Cabe señalar que la regresión kernel utilizada adopta una distribución gausiana, es decir, que dado que esta técnica implica la elaboración de una relación funcional entre dos variables a través de la construcción de ponderaciones, como un promedio entre las observaciones disponibles para ambas

10 Los 19,7 millones de consumidores domésticos existentes en España en 1999 representaban el 96,8% de los abonados, el 69% de la potencia facturada, el 36% de la energía demandada y el 51% de la facturación sobre el total del sector. Estas cifras suponen, además, que las familias que disponen energía eléctrica en su hogar supera al 99% sobre el potencial total de consumidores residenciales. CNE(2000)

11 Dichas restricciones tienen un objeto meramente operativo en la obtención de los estimadores no paramétricos correspondientes y en ningún caso socavan la relación teórica subyacente entre las variables

variables utilizando funciones de densidad de probabilidad o kernels, se ponderarán más aquellas observaciones más próximas al punto sobre el que se realiza el promedio y ese peso disminuirá a medida que nos alejemos del punto que queremos aproximar.

Por otro lado, las ponderaciones utilizadas en la regresión son las de Nadaraya-Watson (1964) y la amplitud del intervalo sobre el que tiene lugar la promediación se calcula de forma óptima a través de un proceso de validación transversal que aproxima aquélla amplitud de banda que minimiza, fuera de la muestra, el error de predicción¹².

En particular, los gráficos 1a a 1f exploran la relación entre la variable consumo de ele ctricidad y un conjunto de variables candidatas a ser utilizadas como explicativas en la especificación paramétrica.

En este sentido, el gráfico 1a muestra que la relación entre el consumo eléctrico y la edad de la persona de referencia del hogar es claramente no lineal, lo cual nos induciría a plantear una especificación de la edad en forma cuadrática que pudiera recoger de la mejor manera la relación que parece existir entre ambas variables.

El gráfico 1b representa cómo influye el número de habitaciones del hogar sobre el consumo de electricidad. En este sentido observamos que, a medida que aumenta el número de habitaciones el consumo también lo hace. Por su parte, el hecho de que la variable dependiente tome sólo valores enteros, podría generar una ligera discontinuidad plasmada en esta curva escalonada.

Muy interesante es la relación que se establece entre el consumo eléctrico y el GTNE de las familias (gráfico 1c). En realidad, los picos de la curva podrían poner de manifiesto la hipótesis que pretendemos contrastar en el análisis paramétrico y que acabamos demostrando como cierta y es la distinta sensibilidad de los individuos al consumo eléctrico en función del tramo de renta de la distribución al que pertenezcan. Por tanto, los picos de la curva podrían refleja r la distinta elasticidad renta de los individuos que, a groso modo, podría decirse que tiene una tendencia creciente.

Los gráficos 1d y 1e plasman la relación del consumo eléctrico con las dos variables de sensibilidad a cambios en la temperatura, los CDD y HDD. Lo cierto es que, contrariamente a lo que cabría esperar, a partir de la regresión kernel no puede verse con claridad una relación que nos lleve a pensar en una especificación satisfactoria de estas variables en la ecuación de demanda paramétrica. Si bien existen numerosos trabajos que insisten en la influencia determinante de la temperatura ambiente sobre cambios en el consumo energético¹³ esto no parece ocurrir en nuestro caso.

De hecho, la intuición sugeriría que a medida que aumenta el valor de la variable de grados día, ya sea de calefacción o de refrigeración, esto querría decir que aumenta la diferencia entre la temperatura ambiente real y el umbral de indiferencia a esta variable por parte del consumidor, lo cual debería suponer un mayor uso de electricidad.

Sin embargo, la ausencia de este tipo de tendencia en nuestro caso podría deberse a la escasa desagregación geográfica de que hemos podido dotar a nuestras variables climáticas, pues si bien los datos sobre temperaturas estaban disponibles a nivel provincial, nuestra base de datos principal de la encuesta nos permitía adjudicar las variables de grados día a los distintos individuos en función de la Comunidad Autónoma en la que residen, lo cual puede implicar que estas dos variables climáticas recojan información más allá de la idiosincrasia propia del clima y esto confunda el efecto original del fenómeno que pretendían explicar en un principio.

Por último, el gráfico 1f, relaciona el consumo eléctrico con el número de individuos que habitan un hogar. En general puede comprobarse que, a medida que aumenta el número de miembros de la unidad familiar, se observa un consumo creciente de electricidad. Únicamente parece dudosa la caída

12 Ver Yatchew (1998)

13 Pardo et al (1998) es buen ejemplo de ello.

tan acusada en el consumo energético de las familias de alrededor de diez miembros, lo cual no deja de ser sorprendente y podría explicarse, dado el reducido número de observaciones que conforman este fenómeno, por alguna anomalía o error estadístico en la encuesta.

Gráfico 1

Regresiones kernel sobre el consumo eléctrico residencial

Gráfico 1a Gráfico 1b

Kernel Consumo Edad Kernel Consumo

NºHabitaciones

Gráfico 1c Gráfico 1d

Kernel Consumo GTNE del hogar Kernel Consumo Grados Día (CDD)

Gráfico 1e Gráfico 1f

Kernel Consumo KWh Grados Día (HDD) Kernel Consumo KWh Tamaño del hogar

En cuanto al análisis kernel de regresión del precio medio de la energía eléctrica para el hogar y algunas de las variables potencialmente explicativas, pueden derivarse los siguientes resultados, a partir de los gráficos 2a a 2d.

En el gráfico 2a, si bien puede observarse una tendencia creciente en el precio medio a medida que aumenta la potencia instalada en el hogar, cabe apuntar un resultado intuitivo que sería de gran interés contrastar empíricamente y es que parece que pueden existir puntos de inflexión en la instalación de potencia eléctrica que podrían permitir una reducción en el precio medio de los hogares y, por tanto, en la factura eléctrica final de los mismos. Es decir, que en algunos casos, hay

Kernel regression, bw = __00004K, k = 6

Grid points

1 8

1606.11 2981.66 Kernel regression, bw = __00003W, k = 6

Grid points

17 98

863.205 2697.05

Kernel regression, bw = __0000JH, k = 6

Grid points

15.5 1232

2084.89 2544.78 Kernel regression, bw = __000058, k = 6

Grid points

180551 1.9e+07

996.075 6007.28

Kernel regression, bw = __000078, k = 6

Grid points

1 12

1414.26 3757.46 Kernel regression, bw = __0000K5, k = 6

Grid points

0 1642.8

1819.35 2685.11

familias que podrían reducir su factura aumentando su potencia instalada y, por tanto, repartiendo su consumo entre un mayor número de aparatos electrodomésticos.

Respecto a la relación entre el precio medio y el número de individuos ocupados del hogar (recogida en el gráfico 2b), la tendencia es claramente decreciente. Es decir, que cuantos más miembros del hogar trabajen fuera de casa, el precio medio de la electricidad se reduce, lo cual concuerda con la idea de que un mayor número de ocupados implicaría ausencias periódicas diarias del hogar y, por tanto, una mayor necesidad de recurrir al uso de energía para ahorrar tiempo en las tareas domésticas Por último, la relación del precio medio con las variable s de sensibilidad a cambios en la temperatura vuelve a resultar confusa (gráficos 2c y 2d), puesto que parecería que aumentos en la variable de grados día, deberían inducir a un mayor consumo de electricidad y, por tanto, a un menor precio medio¹⁴, que sin embargo, no es lo que se deduce a partir de las regresiones kernel realizadas.

La razón de esta falta de relación funcional clara entre estas variables puede argumentarse de forma análoga a la de los gráficos 1d y 1e, concluyendo que la inclusión de estas variables climáticas en la especificación paramétrica no nos aportará resultados relevantes sobre el conjunto de la estimación.

Gráfico 2

Regresiones kernel sobre el precio medio eléctrico residencial

Gráfico 2a Gráfico 2b

Kernel PMe Po tencia eléctrica instalada Kernel PMe Individuos ocupados en el hogar

b.

c.

b. Análisis paramétrico

En este trabajo utilizaremos el análisis paramétrico para estimar la ecuación de demanda de electricidad a nivel doméstico para el año 1999. Partiremos de una especificación en que el consumo de electricidad depende de la renta de los consumidores, del precio medio del bien y de características demográficas de los individuos, así como de características del hogar, del modo:

ε +

=h(p,Y,x,z)

C (6)

14 Teniendo en cuenta que el precio medio se ha calculado como el cociente entre el gasto en electricidad del hogar (suma entre el término de potencia y el término de energía) y el consumo en kilovatios hora de ese hogar

Gráfico 2c Gráfico 2d

Kernel PMe Grados Día (HDD) Kernel PMe Grados Día (CDD)

Kernel regression, bw = __0000LH, k = 6

Grid points

2.2 7.7

20.8155 30.9438

Kernel regression, bw = __0000M5, k = 6

Grid points

0 5

19.0497 26.565

Kernel regression, bw = __0000MT, k = 6

Grid points

0 1642.8

20.4414 27.9787

Kernel regression, bw = __0000NH, k = 6

Grid points

15.5 1232

21.3383 25.3615

Donde el consumo de electricidad (C) es una función del precio medio (p), de la renta de los hogares (Y), de características de los individuos (x) (edad, tipo de ocupación profesional o número de hijos) y de características propias del hogar (z) (tipo de edificio, equipamiento en electrodomésticos, localización geográfica de la vivienda, entre otras) y e es el término de error.

De hecho, este tipo de especificación es la que se ha venido utilizando en la literatura empírica desde que empezó a analizarse este tipo de relaciones funcionales, en este sentido el magnífico survey de Taylor (1975) da buena cuenta de ello.¹⁵

Una vez establecida la especificación de la forma funcional, deberemos decidir la forma en que entrarán a formar parte de ella las variables explicativas que vamos a utilizar, para lo cual, la primera parte de nuestra metodología, en forma de análisis no paramétrico, puede servirnos de buena guía.

Asimismo, dada la naturaleza de nuestros datos debemos ser conscientes de los posibles problemas que la estimación de nuestra función de demanda puede plantearnos y que, básicamente, pueden manifestarse en forma de perturbaciones no esféricas y de endogeneidad de los regresores.

1) Naturaleza del diseño muestral

Los datos de nuestra muestra no han sido seleccionados siguiendo un proceso de muestreo aleatorio simple sino que se han escogido a través de un diseño muestral complejo en forma de proceso bietápico por estratificación.¹⁶

De esta forma conseguimos que las unidades de muestreo finales sean más representativas de la realidad del conjunto del país, pero sin embargo, el uso de estas unidades en el proceso de estimación econométrico, sin considerar este origen complejo, acarrea problemas de estimación, puesto que han intentado elegirse hogares que discrepen al máximo entre los distintos estratos, pero que a su vez, guarden la mayor similitud posible dentro de un mismo estrato.

Dado lo anterior, no podremos considerar en ningún caso que la varianza sea constante a lo largo de todos los individuos de la muestra, produciéndose por tanto, un problema de perturbación no esférica, dada la correlación del término de perturbación entre los individuos de un mismo estrato.

Para poder solucionar este problema debemos remitirnos al uso de técnicas de estimación survey.

Este tipo de estimaciones están disponibles para ser aplicados a distintos procedimientos de estimación (Mínimos Cuadrados Ordinarios, Variables Instrumentales o variables cualitativas).

Sin embargo, el uso del análisis survey tiene la particularidad de que considera de forma explícita el procedimiento seguido en el proceso de selección muestral, lo cual ajusta la matriz de varianzas y covarianzas, aumentando la eficiencia de los resultados obtenidos y permitiendo estimaciones robustas de la especificación de que se trate.¹⁷

2) La potencial endogeneidad de algunas de las variables explicativas

A la hora de estimar la función de demanda eléctrica doméstica, surgen dudas razonables sobre la posibilidad de que no todas las variables explicativas del consumo sean realmente exógenas.

15 Como referencia de especificaciones empíricas mucho más recientes en esta misma línea ver el trabajo de Reiss y White (2002)

16 Skinner, Holt y Smith (1990) hacen un análisis exhaustivo de todas las particularidades asociadas al mecanismo de muestreo complejo.

17 El paquete estadístico Stata 7.0., que ha sido el software utilizado para llevar a cabo las estimaciones de nuestra ecuación de demanda, incorpora un conjunto de comandos survey, permiten un tratamiento adecuado de muestras obtenidas a través de procesos de muestreo complejo.

En particular, creemos que puede existir un problema de endogeneidad con dos de estas variables presuntamente explicativas: la renta doméstica y el precio medio de la electricidad.

La renta doméstica, si bien puede condicionar el nivel de consumo eléctrico de forma directa, también puede influir sobre el equipamiento de electrodomésticos del hogar en cada momento. Por tanto, puede existir un mayor consumo de electricidad por tener un nivel de renta más alto, pero a su vez, puede ocurrir que sean normalmente aquellas familias con mayor poder adquisitivo las que habitualmente registren niveles de consumo más importantes, debido a un mejor equipamiento en electrodomésticos existiendo, en este sentido, un vínculo de doble causalidad entre ambas variables.

Ante el problema potencial que lo anterior nos podría causar, hemos decidido que la variable de renta o ingreso no aparezca como tal en nuestra especificación de la ecuación de demanda eléctrica y, en su lugar, hemos optado por sustituirla por la variable que hemos denominado Gasto Total No Energético y que hemos construido a posteriori, a partir de la información disponible en nuestra base de datos.

La variable de GTNE se ha construido como la diferencia entre el total de gastos en consumo del hogar, a precios del año de la encuesta, y la suma de los gastos en combustibles energéticos domésticos, en particular, el gasto en electricidad, en gas butano, en gas natural y el gasoil.¹⁸

De esta forma hemos incluido una variable indicativa del poder adquisitivo de las familias, aunque libre de la distorsión que sobre ese nivel adquisitivo pudiera causar el gasto en combustibles.

Por otro lado, parece que pueden existir problemas de endogeneidad con el precio medio de la electricidad pagado por los hogares. Esto es así en la medida en que el precio medio es una variable que hemos construido como el cociente entre el importe de la factura eléctrica doméstica (excluidos los impuestos) y el número de kilovatios hora consumidos por el hogar, de forma que:

KWh potencia

P KWh TE

P Potencia TP

TE TP mo ValorConsu

*

*

=

=

+

=

(7)

KWh

KWh P

KWh PMe TP KWh

P KWh

PMe=TP+( * ) = +

(8)

Por tanto, la determinación simultánea del precio medio y del consumo es evidente. Sin embargo, y dado el tipo de análisis que pretendemos hacer, la variable de precio medio era de obligada inclusión en la especificación de demanda, dado que el sistema tarifario eléctrico español contemplaba en 1999, y así sigue siendo hoy en día, un precio único del kilovatio hora, independientemente del consumo realizado por los hogares, por lo que el precio medio es la variable que nos ofrece un indicador de precios con una variabilidad entre los distintos hogares de la muestra.

Asimismo, existe evidencia empírica (ver Shin, 1985) sobre el uso del precio medio como criterio decisor del consumo por parte de los hogares. De hecho, si bien la teoría económica clásica pronostica el uso del precio marginal a la hora de tomar decisiones en este ámbito, en el supuesto de que la información sea costosa de obtener, como parece ser en este caso, si consideramos la dificultad que puede tener un consumidor medio para discernir entre el precio marginal y el precio medio de su factura eléctrica, el uso del precio medio parece un mecanismo de decisión más adecuado.¹⁹

18 Este último es especialmente relevante para aquellas familias con instalación de calefacción que utilice este tipo de combustible.

19El trabajo de Shin contrasta si los consumidores domésticos reaccionan al precio medio o al precio marginal, a la hora de modificar sus hábitos de consumo eléctrico ante variaciones en el precio, obteniendo una evidencia clara favorable al uso del precio medio como variable relevante a la hora de tomar este tipo de decisiones

Por tanto, y al objeto de corregir la más que fundada sospecha de existencia de endogeneidad con la variable de precio medio, hemos optado por utilizar un método de mínimos cuadrados en dos etapas (o de variables instrumentales) para poder estimar la ecuación de demanda eléctrica. De esta forma, evitamos la derivación de resultados econométricamente sesgados e inconsistentes, derivados de una estimación a través de mínimos cuadrados ordinarios.

En la sección de Estimación y Resultados se abordará con mayor detalle la instrumentalización concreta de la variable de precio medio.

4. ESTIMACIÓN Y RESULTADOS

En esta sección describiremos el proceso de estimación de la ecuación de demanda eléctrica residencial de corto plazo y los principales resultados obtenidos, tanto en términos de los principales condicionantes de esta demanda, como de las elasticidades precio y renta del consumo.

La ecuación a estimar planteada toma una forma doble logarítmica del tipo:

) 9 ( log

log 13 65

_ log 65 log

_ log

12

11 10

9 8

7 6

5 4

3 2

1 0

ε β

β β

β β

β β

β β

β β

β β +

+ +

+ +

+ +

+

+ +

+ +

+

= PMe

TAMAHOG DCENTILES

DOCUPA DTIPOCASA

DZONARES DANNOCON

NHABIT HIJOS

EDAD EDAD EDAD

EDAD KWH

Q

En la tabla siguiente se describe a cada una de las variables empleadas en la estimación.

Tabla 3

Descripción de las variables utilizadas en la estimación de la ecuación (9)

VARIABLE DESCRIPCIÓN

Q_KWH KWh anuales consumidos por cada uno de los hogares EDAD Edad del sustentador principal de cada hogar

EDAD65 Dummy con valor 1 para los hogares cuyo sustentador principal es mayor de 65 años y 0 en otro caso

logEDAD_EDAD65 Interacción entre la variable EDAD y la dummy de mayores de 65 años HIJOS13 Dummy con valor 1 para aquellos hogares con hijos menores de 13 años y

0 en otro caso

NHABIT Número de habitaciones en la vivienda DANNOCON Año de construcción de la vivienda

DZONARES Zona de residencia del hogar (desde urbana de lujo, hasta rural agraria) DTIPOCASA Tipo de vivienda (desde chalet o casa grande hasta alojamiento o casa

económica)

DOCUPA Tipo de ocupación del sustentador principal por sector de actividad DCENTILES Cualitativa sobre decil de gasto al que pertenece el hogar

TAMAHOG Número de ocupantes del hogar

PMe Precio medio pagado por el hogar en concepto de energía eléctrica Fuente: Elaboración propia

Por tanto, nuestra hipótesis es que el consumo eléctrico dependerá del precio medio, del nivel de gasto no energético del hogar, de las características de la vivienda y de una serie de características personales de los individuos.

En cualquier caso, y dado el potencial problema de endogeneidad existente por el uso de la variable de precio medio, ya comentado en la sección anterior, se ha optado por utilizar un método de estimación por variables instrumentales.

Para ello, el precio medio se ha instrumentado a través de la siguiente forma funcional doble logarítmica:

) 10 ( log

12 11

10 9

8 7

6 5

4 3

2 1

0

ε β

β β

β β

β

β β

β β

β β

β

+ +

+ +

+ +

+ +

+ +

+ +

+

=

VIVSEC DNUMOCUP

NHORAS TIPOHOG

SEXO AUTO

REFRIG COCELEC

HORNO LAVAVAJI

LAVADORA BASICO

PMe

La descripción de las variables utilizadas en la regresión auxiliar que instrumenta a la variable del precio medio se resume en la tabla siguiente:

Tabla 4

Descripción de las variables utilizadas en la estimación de la ecuación (8)

Variable Descripción

PMe Precio medio pagado por el hogar en concepto del consumo de energía eléctrica

BASICO Dummy disposición de pequeños electrodomésticos

LAVADORA Dummy disposición de lavadora

LAVAVAJI Dummy disposición de lavavajillas

HORNO Dummy disposición de horno

COCELEC Dummy disposición de cocción eléctrica

REFRIG Dummy disposición de refrigeración

AUTO Comunidad Autónoma en que se localiza la vivienda

SEXO Dummy que recoge el sexo del sustentador principal de la

vivienda

TIPOHOG Variable cualitativa sobre la composición de la estructura familiar del hogar

NHORAS Horas trabajadas por el sustentador prin cipal

DNUMOCUP Número de ocupados en el hogar

VIVSEC Disposición de vivienda secundaria

Fuente: elaboración propia

La elección de los instrumentos anteriores se ha basado en la idoneidad de los mismos para poder explicar de forma precisa la variable que adolece del problema de endogeneidad. En el Anexo A se describe el detalle de los criterios utilizados con este fin.

A partir de aquí se ha estimado el sistema anterior a través de variables instrumentales, a la vez que se ha considerado el diseño muestral de la encuesta, ponderando la matriz de varianzas y convarianzas de los regresores por el estrato de población al que pertenecen los individuos y por el peso poblacional de cada una de las Comunidades Autónomas en el total del tamaño poblacional del territorio. Además, los resultados de estimación obtenidos son robustos en términos de varianza, ya que se utiliza la corrección de White en la matriz de varianzas y covarianzas, al objeto de evitar cualquier posible problema de heteroscedasticidad de las observaciones.

Los resultados de la estimación por variables instrumentales (VI), junto con la estimación del mismo modelo por mínimos cuadrados ordinarios (MCO), se recogen en la Tabla 5. Asimismo, en la Tabla A1 del Anexo A se recoge la estimación de la regresión auxiliar (10), con la finalidad de poder valorar la idoneidad de los instrumentos elegidos para corregir el problema de endogeneidad causado por el precio medio, tal y como se ha señalado anteriormente.

Para llevar a cabo las estimaciones anteriores, se ha procedido previamente a la eliminación de 393 observaciones que corresponden al 1% más alto y más bajo de la distribución del consumo de energía eléctrica, con la finalidad de excluir a aquellas observaciones anómalas que pueden influir indebidamente en los resultados, ya sea por la falta de respuesta a muchas de las cuestiones de la encuesta, así como para evitar a aquellos hogares en que el significado del registro de las respuestas puede resultar confuso²⁰.

Asimismo, se han perdido algunas observaciones a la hora de tomar logaritmos, en aquellos casos en que, en la línea de lo que acaba de comentarse, existe una falta de respuesta o registro nulo de las

20Este tipo de metodología se sigue en numerosos trabajos de la literatura aplicada del sector. A título de ejemplo, en este caso se ha seguido la argumentación de Baker, Blundell y Mickleright (1989) y Buisán (1992).

observaciones, por lo que al final, la estimación de la segunda etapa de VI tiene lugar sobre un total de 8926 observaciones.

Tabla 5

Principales resultados de la estimación por Variables Instrumentales y Mínimos Cuadrados Ordinarios

VI MCO

Variable Coeficiente e.s. Coeficiente e.s.

logPMe -0,6076939 0,0484421*** -1,8288720 0,0344401***

logEDAD 0,0751027 0,0372580** 0,0103640 0,0262080

logEDAD_EDAD65 -0,2008006 0,1521684 -0,1268303 0,0960160

EDAD65 0,8404685 0,6476687 0,5416153 0,4086189

HIJOS13 -0,0183151 0,0160486 -0,0027228 0,0111580

logNHABIT 0,1814144 0,0278565*** 0,0882387 0,0184143***

Annocon2 0,0337495 0,0237088 0,0227503 0,0153856

Annocon3 0,0187038 0,0175650 0,0166843 0,0114590

Annocon4 0,0480764 0,0194118** 0,0576944 0,0127856***

Annocon5 -0,0110405 0,0377851 0,0457039 0,0280249

Zonares1 0,2808799 0,0746659*** 0,2233679 0,0433734***

Zonares2 0,1643284 0,0279952*** 0,1595391 0,0189992***

Zonares3 0,0610379 0,0161210*** 0,0713349 0,0106858***

Zonares4 -0,0210341 0,0280926 0,0028616 0,0177914

Zonares5 0,0742959 0,0345811** 0,0672777 0,0236866***

Zonares6 0,0396145 0,0478475 0,0217654 0,0383545

Tipocasa1 0,3585854 0,2038994* 0,4283172 0,1086369***

Tipocasa2 0,2575062 0,2026043 0,3369740 0,1076016***

Tipocasa3 0,1992520 0,2026772 0,2744843 0,1075928**

Ocupa1 0,1365362 0,0263518*** 0,0904136 0,0184384***

Ocupa2 0,0521525 0,0290091* 0,0686911 0,0193029***

Ocupa9 -0,0023933 0,0263136 -0,0283196 0,0174917

Ocupa10 -0,0483676 0,0754204 -0,0227866 0,0549741

CENTILES20 0,1439684 0,0280092*** 0,0775190 0,0170801***

CENTILES30 0,2127079 0,0279753*** 0,1161680 0,0177779***

CENTILES40 0,2925917 0,0286814*** 0,1883603 0,0180172***

CENTILES50 0,3194781 0,0291067*** 0,2091000 0,0188657***

CENTILES60 0,3801285 0,0296830*** 0,2551855 0,0193769***

CENTILES70 0,3969218 0,0301665*** 0,2751460 0,0192318***

CENTILES80 0,4083095 0,0313767*** 0,3098414 0,0204683***

CENTILES90 0,4724168 0,0312591*** 0,3389528 0,0203254***

CENTILES100 0,5579197 0,0325952*** 0,4213852 0,0216849***

logTAMAHOG 0,2221424 0,0173037*** 0,0713228 0,0110830***

_cons 7,9636920 0,3023130*** 12,2755200 0,1901157***

R²* 0,5648 R² 0,8035

F(39,8882) 92,12 F(39,8886) 276,67

Prob > F 0,0000 Prob > F 0,0000

* En la estimación por variables instrumentales el R² no oscila necesariamente entre 0 y 1

A partir de aquí, los comentarios a realizar sobre los principales resultados de la estimación difieren muy poco en función del método de estimación elegido. Sin embargo, el hecho de tener un R² muy elevado en el caso de la estimación MCO, junto con algunas variables no significativas adicionales a la estimación por VI, deben hacer que tomemos con mucha cautela la estimación por MCO, ante la más que fundada sospecha de existencia de endogeneidad en la variable de PMe.

Por lo anterior y, de aquí en adelante, expondremos los resultados obtenidos por el método de VI y las principales implicaciones de los mismos.

En este sentido podemos inferir que los regresores utilizados son significativos de forma conjunta y, la mayoría de ellos, lo son también a nivel individual, mostrando además, el signo esperado.

De todas formas, hemos tenido que rechazar la inclusión en la especificación del modelo de las dos variables de grados día (cuyo detalle de construcción se describe en la sección 3.2.3) debido a la ausencia de significación de ambas variables, que no mostraban ni siquiera el signo esperado, lo cual podía intuirse a raíz de la confusa relación que se apreciaba en análisis no paramétrico previo. (Ver gráficos 1d y 1e de la sección 4.1)

Dicha falta de significación puede deberse a la asignación de los grados día a cada uno de los hogares, en función de la Comunidad Autónoma a la que pertenecen, lo cual, por un lado, supone una fuerte correlación con la propia variable de Comunidad Autónoma y, por otro, no enriquece los resultados puesto que el territorio autonómico es, quizás, demasiado amplio como para captar la heterogeneidad de climas y temperaturas que pueden existir en una zona geográfica de ese tamaño.

Lamentablemente, los datos disponibles no permiten una mayor desagregación del territorio, como para poder precisar las variables de grados días en una zona espacial más reducida.

De todas formas, esta ausencia de significación está en la línea de los resultados obtenidos por Hondroyiannis (2004), cuyo estudio revela un impacto significativo de la temperatura sobre el consumo de electricidad en el largo plazo, pero no en el corto plazo.

Sin embargo, las variables de tamaño del hogar, número de habitaciones y de edad sí que resultan significativas y con el signo esperado, puesto que ofrecen un signo positivo y pronostican un aumento menor que proporcional en el consumo ante un incremento en cada una de ellas.

De todas formas, la composición que hemos diseñado para captar el efecto no lineal de la estructura de la edad sobre el consumo eléctrico, tal y como se desprendía del análisis no paramétrico previo, no parece ofrecer resultados enteramente satisfactorios, puesto que si bien el consumo para los mayores de sesenta y cinco años parece reducirse con la edad, esa variable no acaba siendo significativa, mientras que los hijos menores de trece años, no parecen tener una influencia relevante sobre el consumo energético del hogar. Lo mismo puede decirse de la especificación del término de interacción entre la variable EDAD y la de los mayores de sesenta y cinco años.

Por su parte, el año de construcción de la vivienda no parece tener un efecto determinante sobre el consumo eléctrico residencial, dada su ausencia de significación. Este resultado puede deberse a que no estamos manejando datos sobre calefacción eléctrica o de gas en nuestra muestra, el cual, puede ser uno de los pocos equipamientos electrodomésticos que venga instalado desde un primer momento en la vivienda, y por tanto, en función del año de construcción de la misma, la eficiencia energética de ese aparato podría hacer que la antigüedad de la edificación fuera una variable determinante del consumo eléctrico del hogar.

Asimismo, ni la ocupación de la persona de referencia en el hogar, ni el tipo de vivienda de las familias parecen ser demasiado relevantes en el consumo. Respecto del primero, puede inferirse que quizás no sea ésta la mejor variable que aproxime aspectos socioeconómicos de las familias. En cuanto al segundo, el resultado no deja de ser sorprendente, pues parecería que una casa, que goza de un mayor número de horas de insolación que un piso y que tiene un mayor tamaño, debería experimentar un mayor consumo en energía, cosa que no puede concluirse con los resultados existentes.

Donde sí parece que los signos y coeficientes son bastante adecuados es en los efectos fijos generados en función de la zona de residencia de la familia, de forma que las zonas residenciales urbanas e industriales (zonares1-zonares5) registran consumos eléctricos superiores a las zonas pesqueras y rurales (zonares6 y zonares7).

En cuanto a las elasticidades de precio y renta podemos concluir los resultados siguientes: