1
MEMORIA DE GRADO
TÍTULO:
ANÁLISIS DE LOS DETERMINANTES DEL COMPORTAMIENTO DE LA DEMANDA DE ENERGÍA ELÉCTRICA EN BOGOTÁ (2003-2013)
RAMIRO DAVID SILVA BERMÚDEZ
Asesora: Yolanda Ramírez Hernández
Profesora: Antonella Fazio
2 Contenido
ANÁLISIS DE LOS DETERMINANTES DEL COMPORTAMIENTO DE LA DEMANDA DE
ENERGÍA ELÉCTRICA EN BOGOTÁ (2003-2013) ... 1
1. Introducción ... 4
2. Revisión de literatura ... 7
3. Descripción de datos ... 10
4. Metodología ... 14
Análisis de estacionariedad de la serie ... 15
5. Análisis de resultados ... 17
6. Conclusiones ... 19
ANEXOS ... 20
3 Agradecimientos
Con este documento doy por concluida una fase importante en mi vida personal y
profesional, fase que no hubiera sido posible culminar satisfactoriamente sin la
participación de personas que han contribuido a este logro. Este espacio lo utilizo para
expresar mis sinceros agradecimientos:
A mi familia, por su infinito apoyo y confianza, y por facilitarme los medios para
que culminar mi pregrado.
A mi asesora, Yolanda Ramírez Hernández, por su dedicación, colaboración y, por
compartir su experiencia y conocimiento que nos permitió obtener resultados
satisfactorios.
A mis amigos Camilo Jiménez y Sergio Rosas, y a mi profesora Antonella Fazio por
sus comentarios y observaciones pertinentes durante la elaboración de este
documento.
4 Resumen
El presente documento constituye un aporte a la explicación del comportamiento de la
correlación entre el crecimiento del PIB y el crecimiento de la demanda de energía eléctrica
en Bogotá entre los años 2003 y 2013. Así se realiza un análisis estadístico con el fin de
aportar evidencia empírica que contribuya a la construcción de políticas energéticas en
Bogotá. Así se evidenciará que existe una fuerte influencia del sector industrial como causa
principal.
1. Introducción
Disponer de energía eléctrica de manera confiable y a costos razonables es fundamental
para cualquier actividad productiva y para el bienestar social. Como consecuencia, el sector
eléctrico se ha posicionado como un sector con alta importancia estratégica en las
economías modernas. Esto se debe a que el sector aporta por sí solo entre el 1% y el 2% del
PIB mundial y, al ser muy intensivo en capital, su contribución a la inversión es mayor,
logrando alta influencia en otros sectores, desde la construcción y las industrias asociadas
hasta las fabricaciones de componentes con alto contenido tecnológico (CEPAL, 2011).
Además, la disponibilidad, la calidad y el costo de la electricidad tienen un impacto directo
sobre la competitividad sistémica de la economía. Por otro lado, desde el punto de vista
social, el acceso a la energía eléctrica se considera un servicio básico, y extenderlo a los
sectores de la población que no lo tienen es parte fundamental de las estrategias de
reducción de la pobreza y de integración territorial. De este modo, la política energética
puede influir notablemente en el crecimiento y desarrollo de un país (CEPAL, 2011).
En general, las regiones más competitivas son las que más energía demandan, debido a
su mayor dinamismo empresarial1. Así, a medida que la producción aumenta, el consumo
de energía incrementa. Por lo tanto, la necesidad de tener un sistema que asegure un
suministro de energía confiable, sostenible, bien regulado y a precios competitivos, crece a
medida que una región se desarrolla. Es así, como estos aspectos ya están siendo
incorporados en las discusiones sobre el planeamiento a largo plazo en Bogotá, que de la
1
5
mano del Plan de Ordenamiento Territorial (POT), busca consolidarse como polo de
desarrollo en la región2.
Por esta razón es necesario realizar un análisis de la relación existente entre el
crecimiento económico y la demanda de energía eléctrica en Bogotá. Esto nos dará luces
acerca del enfoque que debe tomar la política energética, para que pueda articularse con el
POT actual.
Fuente: Cálculos propios. Datos tomados del Informe Anual de Codensa y DANE
(2003-2013)
Como se observa en la gráfica 1, existe pérdida de correlación entre el crecimiento del
PIB y de la demanda de energía eléctrica a partir del año 2009. Para el segundo trimestre de
este año, la producción real cayó más de 10% y el empleo industrial en más de 6%,
superando incluso, la caída en el nivel nacional. Este hecho fue causa de la crisis, que se
hizo evidente mediante la contracción industrial que se manifestó en Bogotá con la caída
continua de la producción durante siete trimestres consecutivos (El Espectador, 2010).
2
Según el Artículo 1 del Decreto 364 del POT. 26 de Agosto de 2013
0% 1% 2% 3% 4% 5% 6% 7%
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013
Cr ec im iento (%) Año DEE PIB Gráfica 1: Tasas de crecimiento anual de la demanda de energía
6
Con el objetivo de explicar cuáles son las causas de este fenómeno, el presente trabajo
pretende analizar la relación existente entre el PIB y la demanda de energía en Bogotá, que
ha mostrado una correlación estrecha a lo largo del tiempo. Ésta ha sido afectada, entre
otras causas, por una alta contribución al PIB de ciertas actividades que tienen un menor
consumo de electricidad en sus procesos productivos; la mayor eficiencia en los procesos;
la sustitución de la energía eléctrica por otro tipo de energéticos; y el aumento de la
autoproducción de energía (XM, 2009).
Así, la contribución principal de este trabajo consiste en explicar las causas reales de la
pérdida de correlación entre el crecimiento de la demanda de energía eléctrica y el PIB de
Bogotá a partir del 2009 por medio de un análisis estadístico, respaldo que le hace falta a
las explicaciones encontradas hasta el momento. Esto se realizará a través de la aplicación
de modelos econométricos de series temporales, siguiendo la metodología ARIMA y
utilizando la información histórica del DANE, XM-Expertos en Mercados y el Sistema
Único de Información de Servicios Públicos (SUI), disponible para el periodo comprendido
entre los años 2003 y 2013. Con esto, se analizará el efecto que tienen en la demanda de
energía eléctrica de Bogotá el PIB por sectores, la demanda de energía en los municipios
cercanos, los precios de la energía eléctrica y los precios y el consumo del gas natural en
Bogotá, lo cual permitirá tener elementos que expliquen la relación entre estas variables.
Este trabajo tendrá como limitaciones la exclusión de algunas variables relevantes. Entre
ellas está la mayor eficiencia en los procesos, por su dificultad de medición y porque es
difícil que tenga un impacto significativo en el corto periodo de tiempo en el que se da este
fenómeno (2009-2013). Tampoco se considerará el aumento de la autoproducción de
energía pues tiene un participación poco relevante en el sector eléctrico (ANDI, 2008).
Este documento está organizado de la siguiente manera: A continuación se presentará
una descripción de los resultados obtenidos en trabajos relacionados; seguidamente se
formulará el modelo conceptual aplicado para el análisis, sus supuestos y limitaciones.
7
resultados obtenidos y el análisis de los mismos. Finalmente, se presentarán las
conclusiones.
2. Revisión de literatura
Estudios relacionados con el tema que trata este trabajo coinciden en efectuar el análisis
utilizando modelos de cointegración a partir de información histórica del PIB, del consumo
de energía eléctrica y de los precios de la electricidad. Por ejemplo, Hoon Yoo y So-Yoon
Kwak (2010), realizaron un análisis detallado para siete países de Latinoamérica, en el cual
explican la relación que existe entre el consumo de energía eléctrica y el PIB. Para cada
país establecieron la relación encontrada y el efecto que se espera en el PIB ante cambios
en el consumo de energía eléctrica. Los autores emplearon pruebas de integración y
estacionariedad para las series de tiempo utilizadas. Hoon Yoo y So-Yoon Kwak
encontraron que en Colombia hay una causalidad unidireccional del consumo de
electricidad y el PIB real, lo que nos puede evitar problemas de endogeneidad más adelante
(Yoo, 2010).
Por su parte, Asafu-Adjaye (2000) estima la relación causal entre el consumo de energía
eléctrica y el ingreso para India, Filipinas y Tailandia, usando técnicas de cointegración y
corrección de errores. Si bien, este estudio es muy similar al presentado por Hoon Yoo y
So-Yoon Kwak, tiene como valor agregado la incorporación del efecto originado por la
variación en los precios de la energía eléctrica al análisis de la relación planteada
(Asafu-Adjaye, 2000).
En el mismo contexto, Campo y Sarmiento (2011), estiman las elasticidades de la
relación consumo de energía eléctrica y PIB (en ambas direcciones) para 10 países
latinoamericanos por medio de datos panel en el periodo 1971 – 2007, tomando datos de
series de tiempo relativamente más grandes que los datos de sección cruzada, usando
regresiones en panel. Primero aplican pruebas de raíces unitarias en panel para determinar
el orden de integración de cada variable; después aplican pruebas de cointegración en panel
8
utiliza la prueba de Pedroni (1999, 2004) y después de utiliza la prueba de Westerlund
(2006).
El análisis de los autores concluye que puede existir una relación de causalidad
bidireccional entre las dos series (PIB↔Demanda de energía). Además, el estudio muestra
que para todos los países las pendientes tienen signo positivo y son estadísticamente
significativas con excepción de Perú, esto es, el consumo de energía eléctrica tiene un
impacto positivo sobre el PIB. Específicamente, para el caso de Colombia, el consumo de
energía eléctrica tiene un efecto positivo y muy pequeño sobre el PIB, es decir, la
elasticidad consumo de energía eléctrica a PIB es muy baja (0.154) en comparación con el
resto; mientras la elasticidad PIB a consumo de energía eléctrica es alta (0.815) (Campo &
Sarmiento, 2011).
En Colombia, algunos trabajos mencionados a continuación estudian la relación entre el
consumo de energía y el crecimiento económico, pero dentro de la búsqueda realizada no se
encontraron trabajos que traten de explicar estadísticamente el comportamiento del
consumo de energía eléctrica con relación al comportamiento del PIB en Bogotá.
El trabajo de Zapata (2011), es la base teórica para la realización de este estudio. En
éste, se hace un análisis exhaustivo sobre la relación entre consumo de energía eléctrica y
PIB en Colombia. Para esto, Zapata plantea un modelo de regresión para la demanda de
energía eléctrica. A diferencia de los estudios mencionados anteriormente, Zapata (2011)
incluye en el análisis el consumo de gas natural, como sustituto de la energía eléctrica, y los
precios del mismo, como condicionante de su consumo.
Zapata (2011), empleando una metodología ARIMA, obtiene como resultado que la
elasticidad del consumo de energía con respecto al PIB es de 0.812, es decir, un cambio en
un 1% en el nivel del PIB implicaría una variación del 0.812% en el consumo de energía.
Esto sugiere alta dependencia por parte del consumo de energía a nivel nacional del nivel
de producción. El estudio concluye que el peso que el PIB tiene en el consumo de energía
9
la energía eléctrica y del gas natural, así como el consumo de este último. Además
puntualiza que no fue posible, con la información utilizada, encontrar la significancia del
consumo de gas y los precios del mismo en la explicación del consumo total de energía en
Colombia (Zapata, 2011).
Adicionalmente, el estudio de Martínez (2013), es uno de los más relevantes para este
trabajo. En éste se analizan los impactos que puede originar la aplicación de medidas de
orden territorial en Bogotá y Cundinamarca sobre la demanda energética. Este estudio es
una fuente valiosa de datos relacionados con el sector de energía eléctrica en la ciudad de
Bogotá.
Martínez (2013) plantea la existencia del fenómeno que pretende abordar este trabajo,
pues hace explícita la pérdida de correlación que se ha dado desde el año 2009 entre el
crecimiento del PIB y el crecimiento de la demanda de energía en Bogotá, pero sugiere
posibles causas de este fenómeno sin detenerse a analizarlo estadísticamente, pues no es el
objeto de estudio. Así, Martínez (2013) sugiere que este fenómeno es causado
principalmente por el traslado de la industria de la ciudad hacia los pueblos cercanos, y al
aumento de la participación en el PIB que ha tenido el sector terciario frente al sector
industrial en Bogotá (Martínez, 2013).
El Ministerio de Trabajo (2011) explica el aumento en la participación de la industria en
el PIB de los municipios de la Sabana de Bogotá (lo cual, a su vez, causa la disminución de
esta participación en el PIB bogotano), debido a que algunos de ellos, en especial los del de
Occidente de Bogotá (Funza, Madrid, Mosquera) cuentan con grandes oportunidades para
el desarrollo del sector industrial. Estos municipios cuentan con planes de ordenamiento
territorial ajustados para el desarrollo de la infraestructura y logística que requieren los
proyectos de corte industrial y agroindustrial. Además, cuentan con una posición
geoestratégica con múltiples ventajas: disponibilidad de suelo para uso industrial,
interconexión intermodal con otros municipios de la Sabana y con la capital, incentivos
tributarios, fácil acceso a servicios públicos, y cercanía al mayor mercado del país, con un
10
Hay varias consideraciones que surgen de la literatura consultada y que son incluidas en
el análisis realizado en este documento, al ser aplicado al caso de Bogotá, a fin de tener una
referencia teórica que respalde el modelo y los resultados obtenidos. En primer lugar, la
aplicación de modelos de cointegración como metodología para realizar el análisis de la
relación consumo de energía eléctrica-PIB. En segundo lugar, el hecho de que la relación
PIB-Demanda de energía eléctrica en Colombia es de carácter unidireccional en la mayoría
de los estudios revisados, nos puede evitar inconvenientes de sesgo más adelante pues se
puede pensar que el PIB condiciona el consumo y posiblemente el consumo condiciona al
PIB.
Como se menciona anteriormente, con mayor frecuencia el PIB condiciona al consumo.
Esto tiene sentido desde la teoría económica, pues un incremento en la producción (PIB)
requiere un incremento en sus insumos (Energía Eléctrica). Así, en la medida que se
produce más, se necesita más energía para lograr seguir creando el producto (Henderson &
Quandt, 1971).
3. Descripción de datos
Como se observa en la gráfica 2, en el periodo 2009-2010 el crecimiento del consumo
industrial de Bogotá fue bajo frente a los municipios de la Subsabana, que presentaron
mayor dinamismo. Adicionalmente, se puede observar que el crecimiento del consumo
industrial de Bogotá estuvo por debajo del crecimiento que presentó el resto del
departamento de Cundinamarca.
Esto muestra que la industria está teniendo mayor dinamismo en los municipios
aledaños a la capital debido al traslado de industrias hacia estos causado por el alto costo de
11
Fuente: FEDESARROLLO (2013)
La gráfica 3 muestra que Bogotá está presentando un cambio en su estructura de
consumo. Por un lado, se resalta la pérdida de participación del sector residencial, que pasó
de 50% en 1990 a 36% en 2012; mientras el sector comercio, en el mismo periodo, pasó de
del 10% al 26%. Esto sugiere que el sector comercio ha crecido en Bogotá en mayor
medida que otros sectores. Además, se observa estabilidad en la participación del consumo
industrial.
En la Subsabana, el 60% del consumo corresponde a los usuarios industriales; entre
2008 y 2012 su consumo creció 20%. Los usuarios residenciales representan alrededor del
22% del consumo y los comerciales solo 15%.
Gráfica 2: Tasa de crecimiento del Consumo Industrial de energía eléctrica en la Subsabana, Bogotá D.C. y Cundinamarca, entre 2009-2010
12
Fuente: FEDESARROLLO (2013)
La gráfica 4 muestra que Bogotá está presentando un cambio en su estructura de
producción. Por un lado, se resalta la pérdida de participación del sector industrial, que
pasó de 14.18% en 2003 a 10.89% en 2013; mientras el sector Establecimientos
financieros, seguros, actividades inmobiliarias y servicios a las empresas, en el mismo
periodo, pasó de del 34.12% al 37.01%. Además, el sector Comercio, reparación,
restaurantes y hoteles pasó de tener una participación en el PIB de Bogotá de 13.56% al
16.87%. Así, se observa que el sector terciario ha crecido en Bogotá en mayor medida que
otros sectores.
Bogotá, en la última década, tuvo una correlación de las tasas de crecimiento del PIB y
del consumo industrial y comercial de energía del 76%, mientras que la Subsabana tuvo
una correlación del 30%.
Gráfica 3: Evolución de la participación en la demanda de energía eléctrica por sectores en Área Codensa
13
Fuente: Cálculos propios. DANE
Fuente: FEDESARROLLO (2013)
Esto muestra que el crecimiento del PIB es buen predictor del consumo de energía en la
capital y viceversa, pero no en la Subsabana. En este caso, la correlación entre el consumo
de energía y el PIB es más alta a partir de 2006, luego del impulso institucional para la Gráfica 5: Tasa de crecimiento anuales del consumo industrial de
14
creación de zonas francas y parques industriales, superando el 87% de correlación. Vemos
entonces, la importancia de la actividad industrial para determinar la senda de crecimiento
del consumo de energía de la Subsabana (Martínez, 2013).
Fuente: FEDESARROLLO (2013)
4. Metodología
Para estudiar el cambio que se ha dado entre el crecimiento del PIB y la demanda de
energía eléctrica, la metodología empleada consiste en la aplicación de un modelo ARIMA,
pues es posible pensar que la demanda de energía tiene un componente inercial que lleva a
que la demanda de un periodo esté correlacionada con la demanda de energía de periodos
anteriores. Por ejemplo, los consumidores que adquieren un equipo eléctrico en un
determinado periodo aumentan su consumo de energía en ese periodo y en los siguientes.
Este modelo involucra las variables consumo de energía, PIB, precios de energía rezagados
1 y 2 periodos, el consumo de gas natural, y los precios de gas natural 1 y 2 periodos. Se
propone el siguiente modelo con base en la revisión de literatura (Zapata, 2011) que más
adelante se modifica para los fines de este documento:
ln(CEm) = αi+ β1ln(PIBm) + β2ln(PEm−1) + β3ln(PEm−2) + β4ln(CGm) +
β5ln(PGm−1) + β6ln(PGm−2) (1)
Gráfica 6: Tasa de crecimiento anuales del consumo industrial de energía y el PIB en la Subsabana
15 Donde:
CEm: es el Consumo de Energía Eléctrica en el mes m
PIBm: es el Producto Interno Bruto estimado del mes m
PEm−1,m−2: es el Precio de la Energía Eléctrica en los meses m − 1 y m − 2
CGm: es el Consumo del Gas Natural en el mes m
PGm−1,m−2: es el Precio del Gas Natural en los meses m − 1 y m − 2
βi: Coeficientes de cada una de las variables en el modelo
Análisis de estacionariedad de la serie
Con el fin de volver la serie estacionaria para analizarla, se intentó quitar la tendencia
determinística ajustándola mediante el modelo:
Ln(CEm) = constante + β1∗ tendencia + εt(2)
Sin embargo, al aplicar el test de Dickey-Fuller a los residuales de esta regresión (la
serie sin la tendencia) se comprobó que la serie tiene al menos una raíz unitaria, por lo que
continúa siendo no estacionaria. Por tanto, se procedió a aplicar las primeras diferencias
para volver la serie estacionaria.
Aplicando las primeras diferencias se obtiene la siguiente serie que da indicios de ser
16
Para comprobar la estacionariedad de la serie, se aplica el test de Dickey-Fuller
aumentado:
Null Hypothesis: D(LNDDA_EE) has a unit root Exogenous: Constant
Lag Length: 6 (Automatic - based on SIC, maxlag=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -16.87477 0.0000
Test critical values: 1% level -3.487046
5% level -2.886290
10% level -2.580046
*MacKinnon (1996) one-sided p-values.
Como el P-valor es mayor a un nivel de significancia asumido (5%), se concluye que la
serie en primeras diferencias no tiene una raíz unitaria y, por tanto, es estacionaria. -.100
-.075 -.050 -.025 .000 .025 .050 .075 .100
03 04 05 06 07 08 09 10 11 12 13
Differenced LNDDA_EE
Gráfica 7: Primeras diferencias (logaritmo natural del PIB)
17
Observando el correlograma de la serie estacionaria se concluye que se debe trabajar
con un AR(1), AR(2) y un MA(1), MA(3) y MA(4) (Ver Anexos: Correlograma 1). Dado
el correlograma, se hace un análisis de autocorrelación de la variable y se obtiene que los
niveles de rezago uno, tres y cuatro no son significativos en el proceso de Media Móvil, por
lo que se descartan (Ver Anexos: Salida 1). Así, la autocorrelación de la serie se puede
modelar mediante el proceso ARIMA(2,1,0), como se muestra a continuación:
Variable Coeficiente P-valor
AR(1) -0.859904 0.0000
AR(2) -0.427117 0.0000
R-cuadrado 0.470907
Del correlograma de los errores se observa que son ruido blanco y, por tanto, este
proceso autorregresivo descrito controla por la correlación existente entre los errores de la
serie (Ver Anexos: Correlograma 2). Así, se trabajará el modelo teórico siguiendo un
ARIMA(2,1,0) incluyendo las variables independientes3.
5. Análisis de resultados
El modelo definitivo tiene en cuenta el PIB industrial, los precios de la energía
rezagados un periodo, la variación de la producción real en Bogotá.
ln(CEm) = αi+ β1ln(PIBindustriam) + β2(PEm−1) + ∂1PRindustria4+ εm (3)
Siguiendo la tabla 3, los resultados indican que las variables incluidas en el modelo
están explicando el 61.11% de la demanda de energía entre el 2003 y el 2013.
3
El proceso estadístico completo se encuentra en la sección Anexos, al final del documento.
4
Producción real de la industria
18
Tabla 3: Salida del Modelo Definitivo Dependent Variable: D(LNDDAEE_SA)
Method: Least Squares
Variable Coefficient Prob.
D(LNINDUST_SA) 0.282977 0.0027
LNPRECIOS_EE1 0.000397 0.0012
INDUSTRIA_DUMMY -0.22773 0.0314
CREC_IND 0.004083 0.0490
AR(1) -1.006287 0.0000
AR(2) -0.583402 0.0000
R-squared 0.611089
Adjusted R-squared 0.591643
S.E. of regression 0.01411
Se observa que un aumento en 1% de la producción industrial aumenta en 0.28% la
demanda de energía, señalando que la elasticidad del consumo de energía eléctrica frente a
la producción industrial es de 0.28. Esto tiene sentido pues un aumento en la producción
industrial requiere, como insumo básico, el consumo de energía eléctrica. En este caso, el
28% de la producción de un bien manufacturero corresponde al insumo energía eléctrica.
Según el modelo, esta proporción se ha visto reducida en 0.22% a partir del 2009, año
en el que se evidencia la pérdida de correlación entre el crecimiento de la demanda de
energía eléctrica y el PIB. Así, la influencia que tenía el sector industrial en la demanda de
energía se ha visto reducida significativamente a partir de esta fecha, pues la variable
dummy es diferente de cero sólo a partir del 2009. Así, se observa un efecto diferente antes
y después del 2009, siendo menor después de la fecha.
Si bien se puede observar un cambio a partir de 2009 en el efecto de la industria sobre
la demanda de energía, ese efecto no es compensado por el sector terciario que ha venido
ganando participación en el PIB de Bogotá. Teniendo en cuenta que el sector terciario no es
19
un ritmo menor que el PIB, llevando a que se diera una pérdida de correlación entre ambas
variables a partir del 2009.
6. Conclusiones
Basándonos en las series de datos para el periodo comprendido entre enero de 2003 y
diciembre del 2013, se demostró que la industria es el sector más intensivo en el uso de
energía y que, por consiguiente, es determinante en el comportamiento de la demanda de
energía. Además, respecto a la pérdida de correlación entre el crecimiento del PIB y de la
demanda a partir del año 2009, se encontró que este efecto generado por la industria es
diferente antes del 2009 y después de esta fecha.
Así podemos concluir que el comportamiento diferencial entre los crecimientos del PIB
y la demanda de energía eléctrica es explicado por cambios en el comportamiento el sector
industrial. Estos cambios están explicados, según Martínez (2013) y el Ministerio de
Trabajo (2010) por la migración de la industria bogotana hacia pueblos cercanos en los
últimos cuatro años, lo cual es la explicación principal de este fenómeno.
El aumento de la actividad industrial registrado en los municipios de la Subsabana
explica el crecimiento de la demanda de energía en Bogotá. Debido a su tamaño, Bogotá es
el mayor consumidor de energía en la región desde cualquier punto de vista. Aun así, su
condición de metrópoli permite que la atención se desvíe hacia el dinamismo presentado
por los municipios aledaños. De mantenerse la tendencia, el consumo industrial de energía
eléctrica de los municipios de la Subsabana sobrepasará al de Bogotá (Martínez, 2013).
Los resultados explicados simpatizan con el documento de Martínez (2013) pues
apuntan a que la dinámica del consumo industrial de energía en Bogotá está claramente
dirigida por el dinamismo que las actividades industriales experimentan en la Subsabana. El
desarrollo de zonas francas y parques industriales, incentivados por las alcaldías vecinas
20 ANEXOS
Análisis estadístico completo
21
Salida 1: Análisis de correlación AR(1), AR(2) y MA(1), MA(3), MA(4).
Variable Dependiente: D(LNDDA_EE) Method: Least Squares
Variable Coefficient Prob.
AR(1) -0.810908 0.0000
AR(2) -0.366002 0.0383
MA(1) -0.081459 0.5163
MA(3) 0.116642 0.4653
MA(4) 0.080616 0.3733
R-squared 0.487151
Adjusted R-squared 0.468835
S.E. of regression 0.015424
Salida 2: Análisis de correlación AR(1) y AR(2) Dependent Variable:
D(LNDDA_EE) Method: Least Squares
Variable Coefficient Prob.
AR(1) -0.859904 0
AR(2) -0.427117 0
R-squared 0.470907
Adjusted R-squared 0.466306
S.E. of regression 0.015461
22
Dado lo anterior, se empieza a trabajar el modelo teórico siguiendo un ARIMA(2,1,0)
incluyendo las variables independientes.
ln(CEm) =
αi+ β1ln(PIBcomerciom) + β2ln(PIBserviciom) + β3ln(PIBfinancierom) +
β4ln(PIBindustriam) + β5ln(PEm−1) + β6ln(PEm−2) + β7ln(CGm) + β8ln(PGm−1) +
β9ln(PGm−2) (1)
23 Donde:
𝐂𝐄𝐦: Consumo de Energía Eléctrica en Bogotá
𝐏𝐈𝐁𝐜𝐨𝐦𝐞𝐫𝐜𝐢𝐨𝐦: El PIB de comercio, reparación, restaurantes y hoteles debería
condicionar el consumo de energía, pues el comercio es el segundo subsector del
sector terciario más consumidor de energía.
𝐏𝐈𝐁𝐬𝐞𝐫𝐯𝐢𝐜𝐢𝐨𝐦: Se Espera que el PIB por actividades de servicios sociales,
comunales y personales condicione el consumo de energía pues entre más
establecimientos de servicios haya, más demanda de energía habrá. Por otro lado,
el aumento, por ejemplo, de la participación del sector podría deberse a una
disminución de la participación en el PIB total del sector industrial. Aun así es
posible que de no significativo debido a su bajo consumo.
𝐏𝐈𝐁𝐟𝐢𝐧𝐚𝐧𝐜𝐢𝐞𝐫𝐨𝐦: El PIB financiero tiene un uso poco intensivo de energía
eléctrica por lo que es posible que no tenga mucha significancia.
𝐏𝐈𝐁𝐢𝐧𝐝𝐮𝐬𝐭𝐫𝐢𝐚𝐦: Se espera que el PIB de industrias manufactureras condicione el
consumo de energía, pues la industria hace uso intensivo de energía eléctrica en su
proceso de producción.
𝐏𝐄𝐦−𝟏,𝐦−𝟐: Se espera que los precios de energía rezagados uno y dos periodos condicionen el consumo de energía, con una relación inversa, porque en la medida
que aumenten los precios, los consumidores pueden modificar su consumo.
𝐂𝐆𝐦: El consumo de gas natural es incluida en modelo por su característica de
sustituto de la energía eléctrica, por lo que tiene una relación inversa frente al
consumo de energía.
𝐏𝐆𝐦−𝟏,𝐦−𝟐: Los precios de gas natural rezagados uno y dos periodos condicionan el consumo de gas natural, que se considera sustituto de la energía. A medida que
estos precios aumentan, baja la demanda de gas y aumenta la de energía (Relación
positiva).
En el modelo considerado no se tiene en cuenta algunas variables explicativas del
consumo de energía como los ingresos de los consumidores, el aumento en la eficiencia de
la tecnología que día a día tiende a operar usando menos energía, otros sustitutos diferentes
24
variables podrían estar correlacionadas con el consumo de energía eléctrica, pero no son
tenidas en cuenta ya que no se consideran determinantes del consumo de energía según la
literatura consultada. A su vez, una limitación en este trabajo es que no se entra a discutir si
el PIB condiciona el consumo de energía o el consumo condiciona el PIB. Esto puede
sugerir un problema de endogeneidad. Aun así, según Zapata(2011) y Yoo(2010), en
Colombia ésta relación causal es unidireccional pues es la producción la que determina qué
tanta energía se consume y no al contrario.
Salida 3: Modelo 1
Dependent Variable: (LNDDAEE_SA) Method: Least Squares
Variable Coefficient Prob.
D(LNCOMERCIO_SA) 0.120135 0.3507
D(LNSERV_SA) -0.067431 0.6100
D(LNFINANC_SA) 0.181772 0.5366
D(LNINDUST_SA) 0.109962 0.1108
LNPRECIOS_EE1 -0.006963 0.1288
LNPRECIOS_EE2 0.007189 0.1218
D(LNDDAGN_SA) 0.013519 0.4770
D(LNPRECIOS_GN1) -0.010641 0.4757
D(LNPRECIOS_GN2) 0.020425 0.1628
AR(1) -0.980691 0.0000
AR(2) -0.55983 0.0000
R-squared 0.606256
Adjusted R-squared 0.568396
S.E. of regression 0.013982
El segundo rezago del precio de la energía, la demanda de gas natural, el primer rezago
del precio del gas no dan según lo esperado y además no son significativas, por lo que se
25
ln(CEm) =
αi+ β1ln(PIBcomerciom) + β2ln(PIBserviciom) + β3ln(PIBfinancierom) +
β4ln(PIBindustriam) + β5ln(PEm−1) + β6(PGm−2) (2)
Salida 4: Modelo 2
Variable Coefficient Prob.
D(LNCOMERCIO_SA) 0.163419 0.2006
D(LNSERV_SA) -0.050012 0.6968
D(LNFINANC_SA) 0.220115 0.4463
D(LNINDUST_SA) 0.093847 0.1727
LNPRECIOS_EE1 0.000119 0.6411
D(LNPRECIOS_GN2) 0.013734 0.2500
AR(1) -0.974758 0.0000
AR(2) -0.550459 0.0000
R-squared 0.592008
Adjusted R-squared 0.565317
S.E. of regression 0.014032
Se procede a sacar las variables referentes al PIB del sector terciario (comercio,
servicios y financiero), pues no son intensivas en el consumo de energía y además no son
significativas. También se procede a eliminar la variable de los precios de gas natural
rezagados dos periodos pues determina la demanda de gas natural, que no está incluida en
el modelo y no es significativa.
ln(CEm) = αi+ β1ln(PIBindustriam)+ β2ln(PEm−1) (3)
Salida 5: Modelo 3
Dependent Variable: D(LNDDAEE_SA) Method: Least Squares
Variable Coefficient Prob.
26
LNPRECIOS_EE1 0.000482 0.0001
AR(1) -0.950158 0.0000
AR(2) -0.523632 0.0000
R-squared 0.557562
Adjusted R-squared 0.545815
S.E. of regression 0.014263
Sum squared resid 0.022986
Log likelihood 333.2831
Durbin-Watson stat 2.150626
Se observa que hay un efecto significativo del PIB industrial sobre la demanda de
energía y los precios de la energía, como era de esperarse.
Para medir si hay una diferencia entre el efecto causado por la industria antes y después
del 2009 se incluye una variable dummy (Dummyind) en el modelo que toma el valor de 0
para periodos anteriores al 2009 y de 1 para periodos posteriores.
ln(CEm) = αi+ β1ln(PIBindustriam)+ β2ln(PEm−1) + ∂1Dummyind (4)
Salida 6: Modelo 4 Dependent Variable:
D(LNDDAEE_SA) Method: Least Squares
Variable Coefficient Prob.
D(LNINDUST_SA) 0.206609 0.0155
LNPRECIOS_EE1 0.000446 0.0003
INDUSTRIA_DUMMY -0.161211 0.1008
AR(1) -0.959882 0.0000
AR(2) -0.53174 0.0000
R-squared 0.568065
Adjusted R-squared 0.552639
S.E. of regression 0.014155
27
La pérdida de correlación entre el PIB y la demanda de energía que existe desde el
2009, empíricamente, parece no estar explicada por el comportamiento de la industria, pues
la variable dummy incluida no es significativa.
Se incluye la variable de control correspondiente al crecimiento de la producción real
de la industria5 (PRindustria) lo cual tiene sentido pues la demanda de energía responde
positivamente ante aumentos en la producción real.
ln(CEm) = αi+ β1ln(PIBindustriam)+ β2ln(PEm−1) + ∂1Dummyind + β3PRindustria
(5)
Salida 7: Modelo 5 Dependent Variable: D(LNDDAEE_SA) Method: Least Squares
Variable Coefficient Prob.
D(LNINDUST_SA) 0.282977 0.0027
LNPRECIOS_EE1 0.000397 0.0012
INDUSTRIA_DUMMY -0.22773 0.0314
CREC_IND 0.004083 0.0490
AR(1) -1.006287 0.0000
AR(2) -0.583402 0.0000
R-squared 0.611089
Adjusted R-squared 0.591643
S.E. of regression 0.01411
Vemos que la nueva variable de control es significativa, al igual que la variable dummy.
Así, se concluye que hay una diferencia entre el efecto sobre la demanda de energía
causado por la industria antes y después del 2009, pues el efecto que tiene el PIB industrial
sobre el consumo de energía disminuye después de este año.
Incluimos la variación anual de las ventas reales en el sector comercio en Bogotá6 para
probar si el crecimiento del sector terciario afecta la demanda de energía7 (VRcomercio).
5
28
Esto debido a que, según la UPME, el subsector comercio es el segundo más intensivo en
consumo de energía eléctrica del sector terciario, después del industrial (UPME, 2014).
Salida 8: Modelo 6
Dependent Variable: D(LNDDAEE_SA) Method: Least Squares
Variable Coefficient Prob.
D(LNINDUST_SA) 0.31123 0.0009
LNPRECIOS_EE1 0.000429 0.0002
INDUSTRIA_DUMMY -0.264055 0.0105
CREC_IND 0.004349 0.0256
D(VAR_COMER2) 0.078239 0.0653
AR(1) -1.015774 0.0000
AR(2) -0.591064 0.0000
R-squared 0.65578
Adjusted R-squared 0.634705
S.E. of regression 0.013196
El crecimiento del subsector comercio no afecta la demanda de energía, pero el
crecimiento del sector industrial sí lo hace. Entonces es la pérdida de influencia del sector
industrial en la demanda de energía lo que está determinando por qué hay una separación
entre el crecimiento de la demanda de energía y el PIB.
6
Tomado de la Muestra Trimestral de Comercio de Bogotá - DANE
7
El subsector comercio era el único que no distorsionaba los resultados ya obtenidos tras aplicar el modelo con otros subsectores del sector terciario.
29 BIBLIOGRAFÍA
ANDI. (2008). Expectativas en autogeneración y cogeneración.
Asafu-Adjaye, J. (2000). The relationship between energy consumption, energy prices and
economic growth: time series evidence from Asian developing countries. Energy
Economics.
Campo, J., & Sarmiento, V. (2011). Relación Consumo de Energía Eléctrica y PIB:
Evidencia desde un Panel Cointegrado de 10 países de América Latina entre 1971 - 2007. Bogotá.
CEPAL. (2011). La inversión extranjera directa en energía eléctrica en América Latina y el
Caribe. En CEPAL, La inversión extranjera directa en América Latina y el Caribe
(págs. 157-158).
El Espectador. (24 de Marzo de 2010). En 2009 la economía de Bogotá creció sólo 0,1%.
El Espectador.
Gómez, N. (15 de Septiembre de 2014). Bogotá pesa cada vez menos en el PIB del país. El
Tiempo.
Henderson, & Quandt. (1971). Micro-Economic Theory, a mathematical approach.
International Student Edition. Mcgraw Hill.
Kraft, J., & Kraft, A. (1978). On the relationship between energy y GNP. Journal of Energy
and Development, (págs. 401-403).
Martínez, A. (2013). ANÁLISIS DE LA SITUACIÓN ENERGÉTICA DE BOGOTÁ Y
CUNDINAMARCA. Bogotá: Fedesarrollo.
Ministerio de Trabajo. (2011). Programa Nacional de Asistencia Técnica para el
Fortalecimiento de las Políticas de Empleo, Emprendimiento y Generación de Ingresos en el ámbito Regional y Local. Bogotá.
UPME. (2014). PROYECCIÓN DE DEMANDA DE ENERGÍA EN COLOMBIA. Revisión
Noviembre de 2014. Bogotá.
XM. (2009). Análisis del PIB y la Demanda de Energía en Colombia. Medellín.
Yoo, S.-H. (2010). Electricity Consuption and Economic Growth in seven South American
countries. Energy Police, (págs. 181-188).
Zapata, J. A. (2011). IMPACTO DEL PIB, DEL GAS NATURAL Y DE LOS PRECIOS DE
LA ELECTRICIDAD, EN EL CONSUMO DE ENERGÍA ELÉCTRICA EN COLOMBIA. Medellín, Colombia.
