Estudio de Previsión de Demanda 2015-2035 (2050) Dirección de Planificación y Desarrollo 12 de noviembre de 2015 En el marco de las previsiones de demanda de corto, mediano y largo plazo que la Dirección de Planificación y Desarrollo debe realizar de acuerdo al reglamento de los CDEC (DS 291/2007), el CDEC SIC ha encargado a la empresa Quiroz & Asociados la elaboración de un estudio que aborde dichos análisis. El Estudio contempla la ejecución de una serie de etapas, dentro de las cuales se encuentra una revisión de las metodologías utilizadas a nivel internacional para la estimación de demanda eléctrica, la elección de una metodología para el desarrollo de las estimaciones y su posterior implementación, finalizando con las proyecciones de demanda para los sistemas SIC y SING entre los años 2015 y 2035 con un nivel de desagregación geográfica que considera regiones administrativas en el SIC y por tipo de cliente (libre/regulado). Adicionalmente se solicitó una extensión del horizonte de proyección hasta el año 2050, de carácter referencial. La metodología utilizada en el Estudio permite contar con una diversidad de sendas de crecimiento probables de la demanda eléctrica, obtenidas a partir de la simulación de la evolución de la actividad económica en el país. Los datos utilizados para la elaboración del Estudio corresponden a información proporcionada por el CDEC SIC, así como también a información pública de organismos especializados, tales como el Fondo Monetario Internacional, CEPAL, INE, entre otros. A continuación se presenta el informe descrito con su correspondiente resumen ejecutivo. Estudio de previsión de demanda 2015-2035 (2050) – noviembre de 2015 2 RESUMEN EJECUTIVO Estudio de Previsión de Demanda de Largo Plazo, 2015-2035 (2050) El Centro de Despacho Económico de Carga del Sistema Interconectado Central (CDEC SIC) ha encargado a Quiroz & Asociados la elaboración del “Estudio de Previsión de Demanda de Largo Plazo 2015-2035 (2050)”, en adelante el “Estudio”. Éste tiene por finalidad proyectar el consumo eléctrico en los sistemas interconectados Central (SIC) y del Norte Grande (SING) hacia el 2035, con frecuencia mensual y desagregaciones por tipo de cliente (libres y regulados) y regionales (en el SIC). Adicionalmente, se propone realizar una previsión global del consumo anual hasta el año 2050. Para llevar a cabo tal propósito, Quiroz & Asociados ha adoptado una metodología de carácter econométrico, basada tanto en datos locales como internacionales. Para comenzar, el Estudio aúna datos de consumo eléctrico e ingreso per cápita, y también precios, para distintos países y momentos del tiempo (panel de países) y estima con ellos una función de demanda eléctrica. Con ella, el panel de países permite proyectar una relación consumoproducto en Chile hacia el largo plazo, en el que el comportamiento del mercado debiera asemejarse al de aquellos países de mayor ingreso. Utilizando ésta, se ajustan las elasticidades obtenidas de modelos econométricos con datos locales históricos (Modelo de Corrección de Errores, MCE), los que poseen la desagregación y frecuencia requerida por CDEC SIC. Evaluando el MCE, ajustado según los resultados del modelo panel (MP), considerando supuestos sobre el comportamiento futuro de la actividad económica, población y precios, obtenemos proyecciones mensuales de consumo eléctrico hasta el 2035. Para población, utilizamos las proyecciones realizadas en conjunto por el Instituto Nacional de Estadística (INE) y la CEPAL, mientras que para precios, recurrimos a proyecciones propias de CDEC SIC. Para actividad económica, en tanto, optamos por simular múltiples sendas de crecimiento basándonos en un modelo tipo Markov Switching, en el que estimamos la probabilidad de pasar de un estado (alto, medio o bajo) de crecimiento a otro. Con esto simulamos 1.000 trayectorias para el IMACEC, las que utilizamos como insumo en el modelo de proyección de consumo eléctrico, obteniendo como producto 1.000 trayectorias resultantes de crecimiento de la demanda eléctrica. A modo de síntesis, la siguiente figura muestra un esquema de la metodología: Figura 1: Metodología base de proyección MODELO DE CORRECCIÓN DE ERRORES (MCE) Datos locales, series de tiempo. Función de demanda per cápita local Retiros por región, sistema y tipo de cliente Pecios e ingreso per cápita Frecuencia mensual, ene. 2005 - dic. 2014 Elasticidad consumo-producto fija MODELO PANEL (MP) Datos internacionales, panel de países. Función de demanda per cápita internacional Consumo per cápita por país y año Pecios e ingreso per cápita Frecuencia anual, panel desbalanceado 1980 - 2014 El. consumo-producto: función del ingreso PROYECCIÓN CON AJUSTE DE LARGO PLAZO Proyección por región, sistema y tipo de cliente Función de demanda per cápita ajustada 1.000 sendas de consumo (Markov Switching) Elasticidad del MCE para el presente Frecuencia mensual, ene. 2015- dic. 2035 Ajuste para el largo plazo (según MP) Fuente: Elaboración propia Se presenta a continuación una síntesis de los resultados y procesos del Estudio. I. Consumo eléctrico y desarrollo: evidencia internacional La demanda por electricidad es en definitiva una demanda derivada de la tecnología que hace uso de la misma. En etapas tempranas de desarrollo económico, el aumento del ingreso familiar, por ejemplo, permite la compra de bienes y servicios con los cuales la población resuelve sus necesidades básicas. En etapas de desarrollo avanzado, sin embargo, las sociedades tienden a surtir este tipo de necesidades y la demanda eléctrica doméstica tiende a estancarse o inclusive a ser progresivamente menor. Un desempeño análogo ocurre en la demanda industrial. En países de bajo desarrollo, éste suele ir aparejado de un impulso del consumo eléctrico producto de la creación de industria. Pero a partir de cierto ingreso, ocurren también giros hacia tecnologías más eficientes, así como un cambio en el enfoque productivo de las economías que, conforme se desarrollan, son más intensivas en sectores menos demandantes de energía, como el sector de servicios. Como consecuencia de estos procesos, la relación entre consumo eléctrico per cápita y producto per cápita es una de carácter positivo, pero de senda decreciente. Así lo muestra, a modo de ejemplo, la Figura 2, en la que se relaciona el consumo eléctrico y producto per cápita en paridad de poder de compra (PPP) en tres países: Gran Bretaña, Dinamarca y Australia. Figura 2: Consumo y producto per cápita real en PPP, 1980-2014 (a) Gran Bretaña 8,000 Consumo pc (kWh) 7,000 6,000 5,000 4,000 3,000 2,000 25000.0 27000.0 29000.0 31000.0 33000.0 35000.0 37000.0 39000.0 41000.0 PIB pc PPP (US$) (b) Dinamarca 8,000 Consumo pc (kWh) 7,000 6,000 5,000 4,000 3,000 2,000 35000.0 37000.0 39000.0 41000.0 43000.0 45000.0 47000.0 49000.0 PIB pc PPP (US$) (c) Australia 12,000 11,000 Consumo pc (kWh) 10,000 9,000 8,000 7,000 6,000 5,000 4,000 30000.0 32000.0 34000.0 36000.0 38000.0 40000.0 42000.0 44000.0 46000.0 PIB pc PPP (US$) Fuente: Elaboración propia en base a datos de Banco Mundial y EIA Para precisar los rasgos de esta relación, estimamos un modelo panel de países mediante la siguiente función de demanda: 2 𝑙𝑛(𝑐𝑝𝑐 ) = 𝛼 + 𝛽 ∗ 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) + 𝛾 ∗ 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) + 𝛿 ∗ 𝑙𝑛(𝑝) (1) donde 𝑐𝑝𝑐 es el consumo per cápita, 𝑃𝐼𝐵𝑝𝑐 es el PIB pc real y 𝑝 es una medida de precio de la electricidad. Con esto, la elasticidad consumo-producto queda definida como función del ingreso per cápita, como sigue: 𝜼𝒄𝒑 = 𝜕𝑙𝑜𝑔(𝑐𝑝𝑐 ) = 𝛽 + 2𝛾 ∗ 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) 𝜕𝑙𝑜𝑔(𝑃𝐼𝐵𝑝𝑐 ) (2) Para la estimación utilizamos datos anuales desde 1980 a 2014 para los 34 países que hoy conforman la OCDE. Procedemos con ellos a estimar las funciones de demanda del consumo total, así como desagregado en residencial, industrial y comercial+fiscal, esto bajo dos supuestos alternativos: Efectos Fijos y Efectos Aleatorios, resultando el primero más apropiado, producto de su mejor ajuste y consistencia (evaluada a través de un test de Hausman). Los resultados de la estimación se muestran en la Tabla 1. En cada caso se muestra el coeficiente estimado en cada variable (incluyendo tanto precio residencial como industrial) junto a su error estándar en paréntesis. Se muestra también el 𝑅2 ajustado de las regresiones 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) 2 𝑙𝑛(𝑝𝑟 ) 𝑙𝑛(𝑝𝑖 ) 𝑅2 ajustado Tabla 1: Modelos de Efectos Fijos Total Industriales Residenciales 2,956* 3,624* 2,855* (0,190) (0.204) (0.240) -0.124* -0.147* -0,108* (0,009) (0.010) (0.012) -0.360* -0.366* -0,401* (0,026) (0.028) (0.033) -0.079* -0.016* -0,153* (0,025) (0.027) (0.032) 0,963 0,955 0,958 Comerciales y fiscal 2,357* (0.265) -0,069* (0.013) -0.450* (0.037) -0.271* (0.035) 0,938 *: Variable estadísticamente significativa al 1%. Fuente: Elaboración propia Con estos coeficientes, las elasticidades adoptan la forma que muestra la Figura 3. En ella se evidencia que la demanda industrial es la menos elástica de todas, mientras que la más elástica es la de clientes comerciales y fiscales. La demanda residencial, en tanto, tiene una elasticidad elevada para bajos niveles de ingreso (0,91 a los US$10.000), pero decae más rápidamente que las demás (a 0,33 en los US$ 70.000). La demanda comercial+fiscal, por su parte, tarda más en decrecer, lo que es consistente con la idea de que el desarrollo va vinculado a una mayor concentración de la actividad económica en sectores de servicios (en desmedro de la industria). Figura 3: Elasticidades por tipo de cliente 1.2 1.2 Elasticidad Elasticidad 0 10000 PIB pc 1.2 70000 Comercial y Fiscal 0 10000 PIB pc 70000 1.2 Total Elasticidad Elasticidad 0 10000 Residencial Industrial PIB pc 70000 0 10000 PIB pc 70000 Fuente: Elaboración propia II. Modelo de corrección de errores El modelo panel tiene como objetivo identificar los cambios en la dinámica entre consumo de electricidad y crecimiento económico en el largo plazo. Éste no nos brinda información, sin embargo, sobre el comportamiento actual de las series de consumo en Chile en los niveles de desagregación requeridos por CDEC SIC. Para ello utilizamos un MCE, el que estimamos con datos locales mensuales desde enero 2005 a agosto 2015. La ecuación de largo plazo del Modelo de Corrección de Errores es de la siguiente forma: 𝑦𝑡 = 𝛼 ′ 𝑋𝑡 + 𝜖𝑡 (3) donde 𝑦𝑡 corresponde al logaritmo natural del consumo per cápita en el período 𝑡, 𝑋𝑡 es la matriz de regresores, que incluye tanto una medida de ingreso per cápita (IMACEC sobre población) como una de precio1, ambos en logaritmo natural. Se incluyen también variables binarias (dummies) para capturar efectos estacionales en los distintos meses del año. 1 En cuanto a los precios regulados, utilizamos los Precios de Nudo Promedio de energía y potencia desde el año 2010, cuando comienza su aplicación como tal con la entrada en vigencia de los primeros contratos de licitaciones de suministro a clientes regulados mandadas por la Ley 20.018 de 2005. Para años previos utilizamos simplemente el Precio de Nudo de Corto Plazo, entonces medida de precio regulado previo al cambio normativo. Para precios libres de la energía usamos ambos, el costo marginal y el precio medio de mercado, mientras que para precio de potencia en clientes libres aplica igualmente el Precio de Nudo relevante. Los resultados principales se detallan en la Tabla 2, que muestra las elasticidades consumoproducto y precio (de los que resultaron significativos en algún caso), junto con el error estándar en paréntesis, además del 𝑟 2 ajustado de la regresión (en el Estudio se revisa también cointegración de las variables). La elasticidad asociada al ingreso varía de caso en caso, siendo la más elevada la del consumo regulado en el SIC y la menos la del consumo libre en el mismo sistema. La elasticidad en el agregado, en tanto, se encuentra en torno a 0,87. En cuanto a medidas de precio, el modelo arrojó en todo caso elasticidades negativas, como esperado, pero muy cercanas a cero, lo que es indicativo de una demanda altamente inelástica. LOG(IMA/POB) LOG(CMG) LOG(PER) 𝑅2 ajustado SIC+SING 0,873* (0,029) -0,016* (0,003) 0,957 Tabla 2: Modelos de Corrección de Errores SIC SIC Libre SIC Regulado SING SING libre 0,812* 0,206* 1,207* 0,636* 0,564* (0,022) (0,060) - - -0,013* (0,004) (0,036) (0,040) (0,055) - - - - - - - - 0,966 0,874 0,806 0,759 0,871 (0,003) 0,937 (0,046) -0,026* SING regulado 1,148* *: Variable estadísticamente significativa al 1%. Fuente: Elaboración propia III. Proyección de regresores a) Población Se utilizaron las proyecciones (mensualizadas) de población nacional elaboradas en conjunto por el INE y la CEPAL, presentadas en el documento “Chile: Proyecciones y Estimaciones de Población. Total País. 1950-2050” (Observatorio Demográfico de América Latina, 2009). Éstas se presentan en la Tabla 3. Tabla 3: Proyecciones de población 2015-2035 Año Población total Año Población total 2015 17.865.185 2026 19.220.429 2016 18.001.964 2027 19.312.102 2017 18.138.749 2028 19.403.774 2018 18.275.530 2029 19.495.446 2019 18.412.316 2030 19.587.121 2020 18.549.095 2031 19.652.544 2021 18.665.029 2032 19.717.971 2022 18.780.961 2033 19.783.397 2023 18.896.893 2034 19.848.824 2024 19.012.825 2035 19.914.249 2025 19.128.758 Fuente: Elaboración propia en base a datos INE y CEPAL b) Precios Las proyecciones de precios se basaron en el resultado de la “Revisión Anual del Estudio de Transmisión Troncal 2015” de CDEC SIC. La Figura 3 muestra las proyecciones para una barra representativa por región (las que se detallan en la Tabla 15 del Estudio). Figura 3: Proyecciones de costo marginal por región, US$ 200 I II III IV V RM VI VII VIII IX X 150 100 ene-… may-… sep-33 ene-… may-… sep-31 ene-… may-… sep-29 ene-… may-… ene-… sep-27 may-… ene-… sep-25 may-… ene-… sep-23 may-… ene-… sep-21 may-… sep-19 ene-… may-… sep-17 ene-… sep-15 0 may-… 50 Fuente: CDEC SIC c) Crecimiento económico Siguiendo el enfoque metodológico propuesto, se estiman sendas de IMACEC consistentes con las estructuras estocásticas que caracterizan los ciclos económicos históricos en Chile. Para esto, utilizamos un modelo del tipo Hidden Markov-Switching, en el que tres estados posibles de la economía pueden ocurrir en cada período: un estado de alta actividad, uno de actividad media y uno de actividad baja. Mediante un programa elaborado en Matlab, hemos estimado los parámetros de las distribuciones de cada estado (media y desviación estándar), asumiendo que éstas son del tipo normal. Los resultados para datos de variación a 12 meses del IMACEC, enero 1997 a agosto 2015, se muestran en la Tabla 4. Tabla 4: Distribuciones estimadas, crecimiento 12 meses IMACEC Estado Total Alto Medio Bajo Media 5,97% 2,79% -2,74% 3,76% Desviación Estándar 1,57% 1,37% 1,11% 2,99% Probabilidad Incondicional 47,88% 42,09% 10,02% - Fuente: Elaboración propia. El programa nos permite estimar además las probabilidades de pasar de cada uno de los estados a otro, o permanecer en el mismo (la denominada “Matriz de Transición”). Con esto, simulamos 1.000 trayectorias de crecimiento a futuro para enero 2017-diciembre 2035, mientras que para 2015 y 2016 utilizamos tasas acordes a las proyecciones de crecimiento del Fondo Monetario Internacional (2,3% en 2015 y 2,5% en 2016), considerando que las expectativas actuales de crecimiento contemplan que la economía continuará en estado medio por un tiempo más. A estas trayectorias se les realiza, sin embargo, un ajuste hacia el largo plazo (recorte progresivo en las tasas medias de crecimiento a partir del año 2020, hasta el 2035), el que busca capturar la baja esperable en las tasas a medida que la economía se desarrolla. En efecto, el Estudio muestra que en los datos existe una relación negativa entre desarrollo y tasas de crecimiento. Realizamos este ajuste suponiendo que en Chile las tasas convergerán a la tendencia internacional (hoy nos encontramos sobre ésta) hacia el final de la proyección. Las tasas promedio de crecimiento anual que resultan de las simulaciones se muestran en la Tabla 5, junto con las proyecciones del FMI y del Banco Central. Tabla 5: Tasas anuales de crecimiento económico 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 ... 2030 ... 2035 Promedio Simulaciones 2,3% 2,5% 3,0% 3,5% 3,6% 3,6% 3,6% 3,6% 3,6% 3,6% 3,3% 2,8% 2,4% FMI 2,3% 2,5% 2,9% 3,1% 3,3% 3,5% - - - - - - - Banco Central 2% 2,5% 2,5%3,5% - - - - - - - - - - - Fuentes: Elaboración propia en base a datos FMI e Informe de Política Monetaria, septiembre 2015 (Banco Central) Como consecuencia de los ajustes de largo plazo, las tasas de crecimiento decrecen hasta alcanzar un 2,4% en 2035. Con estas, más las proyecciones de población, obtenemos las simulaciones que se muestran en la figura siguiente, que presenta los resultados de sendas de PIB real per cápita (a dólares 2013) en deciles: cada franja de color representa un 10% del total de las simulaciones. La mediana, en una línea blanca al centro de las proyecciones, se ubica en los US$ 26.239 hacia el 2035, esto es un 70% por sobre los US$ 15.438 de base en 2014. Figura 4: Deciles de las simulaciones de PIB real per cápita (US$ 2013) 40,000 35,000 30,000 25,000 20,000 15,000 10,000 2015 2017 2019 2021 2023 2025 2027 Fuente: Elaboración propia 2029 2031 2033 2035 Mostramos además el histograma con el resultado de los cómputos realizados para el PIB real pc de 2035. Se destaca la barra del percentil 50 (US$27.000-28.000). 120 100 80 60 40 20 PIB pc real, US$ 2013 38000 y mayor... 37000 36000 35000 34000 33000 32000 31000 30000 29000 28000 27000 26000 25000 24000 23000 22000 21000 20000 19000 18000 17000 16000 0 15000 Frecuencia (n° de simulaciones) Figura 5: Histograma de 1.000 simulaciones de PIB real pc (US$ 2013) al 2035 Fuente: Elaboración propia Los resultados más probables se encuentran entre los UD$ 25.000 y los US$ 30.000 per cápita al 2035, donde los intervalos del histograma (cada mil dólares) acumulan una frecuencia de 495 simulaciones, esto es, casi la mitad de las 1.000 totales. El promedio de la distribución, en tanto, se ubica en los US$ 26.131. IV. Proyecciones de consumo al 2035 El procedimiento de proyección fue el siguiente: 1. Para cada uno de las trayectorias de ingreso per cápita proyectadas, calculamos las elasticidades consumo-producto respectivas según el modelo de datos de panel. 2. Ajustamos las elasticidades estimadas en los Modelos de Corrección de Errores de acuerdo a la variación de las elasticidades obtenidas del modelo panel. 3. Con las elasticidades ajustadas y las proyecciones de crecimiento económico, proyectamos una serie de sendas de crecimiento de consumo per cápita de electricidad. 4. Finalmente, utilizando las proyecciones de población, obtuvimos estimaciones de consumo total. A continuación se presentan los resultados de proyección de consumo anual para el sistema agregado (SIC+SING), para las 1.000 trayectorias proyectadas: Figura 6: Deciles de proyecciones de consumo eléctrico anual para todo el país (GWh). 150,000 140,000 130,000 120,000 110,000 100,000 90,000 80,000 70,000 60,000 50,000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia La Figura 7, en tanto, muestra el histograma de las distintas simulaciones el año 2035 para el consumo total. Más de un 94% de las simulaciones resulta en un consumo eléctrico superior a los 90.000 GWh por año y más de un 55% resulta en un consumo superior a los 110.000 GWh. Además, el histograma (así como los deciles 1 y 10 de la figura anterior) muestra una ligera asimetría que no estaba presente en las proyecciones de PIB per cápita, la que se debe a las menores elasticidades consumo-producto que aplican sobre aquellos escenarios de mayor crecimiento. 80 70 60 50 40 30 20 10 0 76000 78000 80000 82000 84000 86000 88000 90000 92000 94000 96000 98000 100000 102000 104000 106000 108000 110000 112000 114000 116000 118000 120000 122000 124000 126000 128000 130000 132000 134000 136000 138000 y mayor... Frecuencia (n° de simulaciones) Figura 7: Histograma de las proyecciones de consumo eléctrico anual para el 2035, GWh Consumo total, GWh Fuente: Elaboración propia Por último, la Tabla 6 expone el consumo anual (promedio de las simulaciones) y las tasas derivadas de crecimiento para el agregado (SIC+SING) y cada sistema, diferenciando por tipo de cliente. Año 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 Media 15-25 26-35 TOTAL Total % 66.070 2,7% 67.656 2,4% 69.456 2,7% 71.509 3,0% 73.676 3,0% 75.932 3,1% 78.162 2,9% 80.466 2,9% 82.786 2,9% 85.196 2,9% 87.535 2,7% 89.745 2,5% 92.105 2,6% 94.448 2,5% 96.727 2,4% 98.906 2,3% 101.025 2,1% 103.023 2,0% 104.988 1,9% 106.973 1,9% 108.918 1,8% 2,5% 2,8% 2,2% Tabla 6: Proyecciones de demanda anual SIC Libres % Regulados % Libres 17,739 -1.0% 31,549 3.2% 14,903 17,953 1.2% 32,621 3.4% 15,153 18,161 1.2% 33,745 3.4% 15,547 18,396 1.3% 35,183 4.3% 15,855 18,619 1.2% 36,603 4.0% 16,290 18,834 1.2% 38,070 4.0% 16,764 19,039 1.1% 39,572 3.9% 17,193 19,242 1.1% 41,096 3.9% 17,666 19,441 1.0% 42,637 3.7% 18,141 19,643 1.0% 44,240 3.8% 18,634 19,835 1.0% 45,817 3.6% 19,098 20,007 0.9% 47,328 3.3% 19,524 20,186 0.9% 48,935 3.4% 19,989 20,362 0.9% 50,534 3.3% 20,449 20,533 0.8% 52,088 3.1% 20,895 20,688 0.8% 53,583 2.9% 21,320 20,827 0.7% 55,050 2.7% 21,730 20,960 0.6% 56,432 2.5% 22,116 21,090 0.6% 57,792 2.4% 22,496 21,220 0.6% 59,167 2.4% 22,878 21,337 0.6% 60,526 2.3% 23,250 1,3% 3,1% 1,5% 3,6% 1,0% 2,6% % 7.1% 1.7% 2.6% 2.0% 2.7% 2.9% 2.6% 2.8% 2.7% 2.7% 2.5% 2.2% 2.4% 2.3% 2.2% 2.0% 1.9% 1.8% 1.7% 1.7% 1.6% 2,0% 2,3% 1,6% SING Regulados 1,880 1,929 2,004 2,075 2,165 2,264 2,359 2,462 2,568 2,678 2,784 2,885 2,995 3,104 3,211 3,315 3,418 3,515 3,611 3,709 3,806 % -0.1% 2.6% 3.9% 3.6% 4.4% 4.6% 4.2% 4.4% 4.3% 4.3% 4.0% 3.6% 3.8% 3.7% 3.4% 3.2% 3.1% 2.8% 2.7% 2.7% 2.6% 2,6% 2,9% 2,3% Los resultados presentan un año 2015 con crecimiento negativo tanto en consumo libre del SIC como en regulado del SING. En consumo libre del SING, en cambio, se percibe un aumento importante de la demanda en este año, producto del ingreso de actores importantes en la minería. En todo caso, se perciben tasas menores de crecimiento en los años cercanos, producto del menor crecimiento económico, las que tienden a recuperarse hacia fines de la década para luego decaer gradualmente de la mano del desarrollo. La demanda total, en tanto, alcanzaría tasas de crecimiento del 3,1%el 2020, para luego decaer a 1,8%, alcanzando un total de 108.918 GWh hacia e 2035. V. Desagregación regional En el SIC, las proyecciones se presentan desagregadas por región, aunando las regiones X y XIV por disponer así de datos de mayor antigüedad, desde antes de su separación el año 2007. Por la importancia de la minería en el norte, así como por la relevancia de algunas minas en las regiones más céntricas, se ha considerado necesario complementar la metodología de proyección vía econometría con una revisión de los planes de obras registrados en COCHILCO. Para esto, comenzamos por separar en los datos regionales a aquellas mineras cuyo consumo fue, el 2014, igual o superior al 10% del total regional (Candelaria, Salvador y Caserones en la III, Carmen de Andacollo en la IV, Pelambres y Andina en la V y Teniente en la VI). En cuanto a los grandes clientes que se encuentran ya operando, proyectamos su producción de mineral utilizando las tasas de crecimiento proyectadas por COCHILCO para la capacidad de producción de plantas ya operativas en las regiones respectivas, y asumimos que el consumo eléctrico aumenta en iguales proporciones. En cuanto a los proyectos (nuevos o de expansión) que hoy se encuentran en cartera, seleccionamos todos los con inversión estimada en más de MMUS$500 y que presentan según COCHILCO una condición de “Base”, “Probable” o “Posible” (dejando fuera los proyectos “potenciales”, que poseen probabilidades aún muy bajas de materialización). El consumo estimado de estos proyectos en sus Estudios de Impacto Ambiental se agrega a nuestras proyecciones en su valor esperado, esto es, considerando que con un 0,8 de probabilidades se concretarán los proyectos “probables” y con un 0,5 los “posibles”. La Tabla 7 muestra las proyecciones de consumo de grandes mineras. Tabla 7: Consumo proyectado de grandes mineras, GWh 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 III región Salvador + Proyectos Caserones + Candelaria 1,656 1,824 1,899 560.0 1,914 1,904 1,596 1,596 1,984 1,661 1,807 1,807 1,596 1,547 1,807 1,807 1,486 1,439 1,807 1,807 1,390 1,354 1,807 1,807 1,354 1,354 1,807 1,807 1,354 1,354 1,807 1,807 1,354 1,354 1,807 1,807 1,354 1,354 1,807 1,807 1,354 IV región Carmen Proyectos de Andacollo 500 484 490 158 483 489 158 866 480 471 866 866 465 465 866 866 460 460 866 866 454 454 866 866 449 445 866 866 440 436 866 866 431 427 866 866 423 419 866 866 414 V región VI región Proyectos Pelambres + Andina Proyectos Teniente 735 735 735 735 735 735 735 735 735 735 735 735 735 735 2,068 2,042 2,114 2,078 2,018 1,945 1,988 1,974 2,118 2,216 2,340 2,466 2,311 2,611 2,768 2,961 3,198 3,486 3,800 4,180 4,640 5,196 - 1,789 1,728 1,745 1,707 1,674 1,676 1,627 1,618 1,491 1,265 1,090 915 747 912 857 806 757 712 669 629 591 556 Fuente: Elaboración propia El consumo remanente es estimado mediante econometría con modelos para el consumo total y regulado por región (en algunos casos se estimó también el consumo libre). A estas proyecciones sumamos luego las previsiones de la Tabla 7 y obtenemos los resultados regionales en consumo total, libre y regulado, que muestran las tablas 8-10 (en tasas de crecimiento del consumo). En la primera de ellas se evidencia que el consumo proyectado decrecerá en el largo plazo en el norte del SIC (III región), mientras que en el resto aumentará, aunque de forma dispar, más pronunciadamente en regiones como la V y la X. El consumo regulado, en cambio, muestra un comportamiento más parejo para la totalidad de las regiones, con tasas que comienzan en torno al 4% y luego decrecen. El consumo libre, por último, es muy dispar y volátil, sobre todo en las regiones mineras. Éste se mantiene estancado además, con tasas en ocasiones a la baja, en las regiones X y Metropolitana. Tabla 8: Proyecciones de consumo TOTAL por región 2015-2035 (tasas crecimiento) Total, incluyendo a mineras, GWh 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 II-III 4.9% 2.3% 9.0% 13.6% -3.6% 0.2% 0.5% 0.1% -4.5% 0.6% 0.6% 2.5% -2.9% -0.3% -0.6% -0.9% -1.4% -1.5% -1.9% -2.4% -3.0% IV -0.4% 2.4% 8.9% 1.5% 30.3% 2.4% 2.4% 2.5% 1.2% 2.6% 2.3% 2.7% 1.3% 1.9% 1.7% 1.6% 1.4% 1.3% 1.2% 1.1% 1.0% Fuente: Elaboración propia V 0.9% 2.4% -0.4% -1.5% -0.2% 3.7% 2.6% 4.4% 10.2% 3.9% 3.6% 1.5% 3.5% 3.0% 3.1% 3.1% 3.1% 3.0% 3.1% 3.3% 3.4% VI 0.6% 2.7% 0.2% 0.1% 1.8% 3.6% 4.1% 2.0% -0.9% 1.8% 1.6% 2.2% 5.3% 2.8% 2.7% 2.4% 2.2% 2.0% 1.8% 1.7% 1.5% VII 3.3% 2.7% 3.2% 3.1% 3.8% 4.2% 3.9% 4.0% 4.0% 4.1% 3.6% 3.4% 3.4% 3.3% 3.2% 3.0% 2.8% 2.6% 2.5% 2.5% 2.4% VIII 1.7% 1.8% 2.1% 2.1% 2.8% 3.3% 3.0% 3.0% 2.7% 2.9% 2.4% 2.2% 1.9% 1.8% 1.6% 1.3% 1.1% 0.9% 0.9% 1.0% 1.0% IX 8.2% 3.4% 2.9% 3.9% 3.4% 3.4% 3.6% 3.2% 3.0% 3.2% 3.3% 3.1% 3.1% 3.0% 2.9% 2.7% 2.6% 2.4% 2.3% 2.2% 2.1% X-XIV 2.3% 3.5% 3.5% 3.4% 4.2% 4.2% 4.4% 4.8% 4.0% 4.1% 4.0% 3.7% 3.9% 3.8% 3.6% 3.4% 3.2% 3.0% 2.9% 2.8% 2.7% XIII 0.9% 2.6% 2.3% 3.8% 3.0% 3.0% 3.1% 2.9% 2.8% 2.9% 3.0% 2.8% 2.8% 2.8% 2.7% 2.5% 2.4% 2.2% 2.1% 2.1% 2.0% Tabla 9: Proyecciones de consumo REGULADO por región 2015-2035 (tasas crecimiento) Consumo regulado, GWh 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 II-III IV V VI VII VIII IX X-XIV XIII -3.0% 2.3% 3.1% 2.3% 3.7% 4.1% 3.6% 3.9% 4.1% 4.0% 3.5% 3.2% 3.4% 3.3% 3.1% 3.0% 2.9% 2.6% 2.5% 2.5% 2.4% 2.0% 2.9% 3.5% 3.8% 4.1% 4.2% 4.0% 4.0% 4.0% 4.0% 3.6% 3.4% 3.4% 3.3% 3.1% 2.9% 2.8% 2.5% 2.4% 2.4% 2.3% 1.8% 2.5% 2.9% 2.7% 3.5% 3.8% 3.4% 3.6% 3.7% 3.7% 3.3% 3.1% 3.2% 3.1% 3.0% 2.8% 2.7% 2.5% 2.4% 2.4% 2.3% 5.1% 2.9% 3.6% 3.7% 4.2% 4.4% 4.1% 4.2% 4.2% 4.2% 3.7% 3.5% 3.5% 3.4% 3.2% 3.0% 2.9% 2.7% 2.5% 2.5% 2.4% 3.8% 2.9% 3.7% 3.5% 4.3% 4.5% 4.2% 4.3% 4.4% 4.4% 3.9% 3.6% 3.7% 3.6% 3.4% 3.2% 3.0% 2.8% 2.7% 2.6% 2.6% 4.2% 4.9% 5.0% 4.2% 4.7% 4.6% 4.1% 4.0% 3.9% 3.6% 3.1% 2.7% 2.5% 2.2% 1.9% 1.6% 1.3% 1.1% 1.1% 1.0% 1.0% 4.9% 4.1% 3.0% 4.6% 3.5% 3.2% 3.6% 3.0% 2.9% 3.0% 3.3% 3.0% 3.2% 3.1% 2.9% 2.7% 2.6% 2.4% 2.3% 2.3% 2.2% 2.5% 3.6% 3.6% 3.5% 4.3% 4.2% 4.5% 4.9% 4.1% 4.2% 4.0% 3.8% 3.9% 3.8% 3.6% 3.4% 3.3% 3.0% 2.9% 2.9% 2.8% 3.3% 3.4% 3.2% 5.1% 4.0% 3.8% 3.9% 3.6% 3.5% 3.6% 3.6% 3.3% 3.5% 3.4% 3.2% 3.0% 2.9% 2.6% 2.5% 2.5% 2.4% Fuente: Elaboración propia Tabla 10: Proyecciones de consumo LIBRE por región 2015-2035 (tasas crecimiento) Consumo libre, GWh II-III IV V VI VII VIII IX X-XIV XIII 2015 6.7% -4.6% 0.0% -3.4% 1.2% -1.7% 20.6% -5.8% -6.0% 2016 2.3% 1.6% 2.4% 2.5% 1.8% -2.7% 1.1% -0.1% -0.1% 2017 10.3% 19.1% -3.8% -3.1% 1.5% -2.4% 2.4% -0.5% -0.5% 2018 15.8% -2.1% -5.9% -3.5% 1.7% -1.4% 1.6% -0.6% -0.6% 2019 -4.9% 75.7% -4.6% -0.8% 2.0% -0.6% 3.0% -0.5% -0.5% 2020 -0.5% 0.6% 3.6% 2.7% 2.9% 0.8% 4.0% 0.1% 0.1% 2021 -0.1% 0.7% 1.6% 4.0% 2.8% 0.8% 3.4% 0.0% 0.0% 2022 -0.6% 0.7% 5.4% -0.5% 2.7% 0.9% 3.9% 0.0% 0.0% 2023 -6.4% -1.9% 18.4% -7.1% 2.2% 0.3% 3.7% -0.4% -0.4% 2024 -0.3% 1.0% 4.1% -1.5% 2.8% 1.3% 4.0% 0.0% 0.0% 2025 -0.1% 0.7% 3.9% -1.5% 2.6% 1.0% 3.2% 0.0% 0.0% 2026 2.3% 1.9% -0.3% 0.2% 2.7% 1.2% 3.2% 0.1% 0.1% 2027 -4.5% -1.4% 3.8% 8.2% 2.1% 0.5% 2.7% -0.3% -0.3% 2028 -1.3% -0.1% 2.8% 1.9% 2.3% 1.0% 2.9% -0.1% -0.1% 2029 -1.7% -0.2% 3.1% 1.8% 2.2% 0.9% 2.7% -0.1% -0.1% 2030 -2.2% -0.4% 3.3% 1.4% 2.1% 0.7% 2.5% -0.2% -0.2% 2031 -2.8% -0.6% 3.6% 1.1% 2.0% 0.7% 2.4% -0.2% -0.2% 2032 -2.9% -0.6% 3.6% 0.9% 1.8% 0.6% 2.2% -0.2% -0.2% 2033 -3.5% -0.8% 3.9% 0.7% 1.7% 0.6% 2.1% -0.2% -0.2% 2034 -4.3% -1.0% 4.2% 0.4% 1.7% 0.8% 2.1% -0.2% -0.2% 2035 -5.2% -1.3% 4.5% -0.1% 1.6% 0.9% 2.0% -0.3% -0.3% Fuente: Elaboración propia VI. Ejercicios de previsión al 2050 Sin duda, la relación entre el consumo eléctrico y sus principales drivers puede cambiar en el futuro, lo que ocurriría si, por ejemplo, emerge una nueva tecnología que haga más o menos atractivo a los consumidores el uso de la electricidad. Por lo anterior, una metodología quizás más ilustrativa para proyectar al 2050 que el uso exclusivo de métodos econométricos, sea el planteamiento de escenarios para el futuro. Dichos escenarios nos permitirían revisar qué implicancias podrían tener ciertos cambios probables sobre la demanda eléctrica. De estos cambios analizamos tres que se vislumbran hoy como importantes: 1) la eficiencia energética; 2) el auto eléctrico; y 3) la autogeneración eléctrica. Respecto de la primera, estimamos, mediante una ampliación de la metodología utilizada en el Estudio, que es de esperar que la demanda en Chile aumente cada vez menos con el ingreso, comenzando en tasas que pueden alcanzar el 3,1% hacia el 2020, pero que descenderían hasta un 1,3% al 2050. Con esto, el consumo total a ese año alanzaría los 137.107 GWh y un incremento de 113% desde el 2014 (pero apenas 26% desde 2035). La demanda expresada en términos per cápita, en tanto, crecería todavía menos, en apenas un 87% al 2050, alcanzando los 6.786 kWh. Respecto del auto eléctrico, estimaos tres escenarios de crecimiento de las ventas hacia el 2050: uno acelerado, en el que se alcanza una participación de 15% en las ventas totales de automóviles a dicho año; uno medio, alcanzando un 12,5% de las ventas en 2050; y uno bajo, que se traduce en una tasa de 8,5% de las ventas a 2050. Con esto, la participación del auto eléctrico podría fluctuar entre el 7 y el 11% en el parque automotriz, lo que podría elevar el consumo eléctrico en hasta 7.600 GWh al 2050, esto es, en un 5,5% de la demanda proyectada sin esta tecnología. Por último, en lo que a autogeneración refiere, no parece probable que adquiera una gran relevancia en Chile, a diferencia de lo que ha ido paulatinamente ocurriendo en otros países. En efecto, Chile se ha sumado tardíamente a las consideraciones ambientales en generación eléctrica, lo que ha hecho aprovechando la caída en los costos de inversión de las ENRC, en particular de la generación solar. En consecuencia, esta tecnología representa hoy un importante 38% de la capacidad de generación que se encuentra en construcción (CNE). Por ello, no parece probable que en un escenario como el actual, el Estado chileno opte, por ejemplo, por subsidiar la compra de paneles solares, en circunstancias en que los inversionistas lo están haciendo a gran escala sin la necesidad de subsidio. Ahora bien, el aprovechamiento de las economías de escala del que gozan las centrales hace que esta alternativa de autogeneración a nivel de usuario tampoco sea rentable de forma privada, a pesar de la caída en los precios del panel fotovoltaico. En efecto, los ahorros que derivan de no pagar por el sistema de distribución y transmisión no logran compensar las ventajas en costos que poseen las grandes centrales, en las que la inversión unitaria se ha mantenido considerablemente menor por varios años (y con ello, finalmente, el costo medio de la electricidad). ESTUDIO DE PREVISIÓN DE DEMANDA DE LARGO PLAZO 2015-2035 (2050) Informe Final 30 de octubre de 2015 Informe preparado por Quiroz & Asociados para el Centro de Despacho Económico de Carga Sistema Interconectado Central. Las opiniones vertidas aquí son de exclusiva responsabilidad de los autores y no reflejan necesariamente las del Centro de Despacho Económico de Carga. Jorge Quiroz: [email protected] Felipe Givovich: [email protected] Loreto Ayala: [email protected] Salvador Andino: [email protected] QUIROZ & ASOCIADOS Isidora Goyenechea 3000, of 1301 Santiago – Chile Fono: (56-2) 2639 9012 2 CONTENIDO CONTENIDO ..................................................................................................................................................... 3 1. ANTECEDENTES ......................................................................................................................................... 5 2. ENFOQUE Y METODOLOGÍA DEL ESTUDIO .......................................................................................... 6 3. ESTUDIOS DE PREVISIÓN EN OTROS PAÍSES .......................................................................................... 9 3.1 Modelos tipo “uso final” ................................................................................................................. 9 3.2 Métodos econométricos .............................................................................................................. 10 4. CONSUMO ELÉCTRICO Y DESARROLLO: EVIDENCIA INTERNACIONAL ........................................ 13 4.1 Modelo panel ................................................................................................................................. 15 4.2 Por tipo de cliente ......................................................................................................................... 19 5. RELACION CONSUMO-PRODUCTO EN CHILE: MODELO DE CORRECCIÓN DE ERRORES ........ 21 5.1 Consumo agregado y por sistema ............................................................................................ 22 5.2 Consumo por tipo de cliente en cada sistema ....................................................................... 26 6. PROYECCIÓN DE REGRESORES ........................................................................................................... 28 6.1 Población ........................................................................................................................................ 28 6.2 Markov Switching sobre crecimiento económico .................................................................. 29 6.2.1 Proyección al 2035 ................................................................................................................. 31 6.2.2 Ajuste de largo plazo al crecimiento ................................................................................. 33 6.2.3 Resultados................................................................................................................................ 38 6.3 7. Precios .............................................................................................................................................. 40 PROYECCIONES AL 2035 ...................................................................................................................... 42 7.1 Por Tipo de Cliente ........................................................................................................................ 46 8. DESAGREGACIÓN REGIONAL EN EL SIC ........................................................................................... 51 9. EJERCICIOS DE PREVISIÓN AL 2050 .................................................................................................... 63 9.1 Eficiencia Energética .................................................................................................................... 63 9.2 Auto eléctrico ................................................................................................................................. 65 9.3 Autogeneración ............................................................................................................................ 67 10. SÍNTESIS Y CONCLUSIONES ............................................................................................................... 70 REFERENCIAS .................................................................................................................................................. 72 ANEXO 1: ESTUDIOS DE PREVISIÓN DE DEMANDA .................................................................................. 74 ANEXO 2: EFECTOS FIJOS Y EFECTOS ALEATORIOS ................................................................................. 88 3 ANEXO 3: MODELO PANEL: OUTPUTS DE EVIEWS ..................................................................................... 90 ANEXO 4: MODELO DE CORRECCIÓN DE ERRORES ............................................................................... 93 ANEXO 5: MODELO DE CORRECCIÓN DE ERRORES 2: OUTPUTS DE EVIEWS ...................................... 95 ANEXO 6: MARKOV SWITCHING ............................................................................................................... 123 ANEXO 7: DESPLIEGUE ESPERADO DE LA AUTOGENERACIÓN EN CHILE ........................................... 126 ANEXO 8: DETALLE DE PROYECCIONES ................................................................................................... 130 ANEXO 9: NORMALIZACIÓN DE PROYECCIONES .................................................................................. 131 4 1. ANTECEDENTES El Centro de Despacho Económico de Carga del Sistema Interconectado Central (CDEC SIC) ha encargado a Quiroz & Asociados la elaboración de un estudio denominado “Estudio de Previsión de Demanda de Largo Plazo 2015-2035 (2050)”, en adelante el “Estudio”. Éste tiene por finalidad proyectar el consumo eléctrico en los sistemas interconectados Central (SIC) y del Norte Grande (SING) hacia el 2035, con frecuencia mensual y desagregaciones por tipo de cliente (libres y regulados) y regionales. Adicionalmente, se propone realizar una previsión global del consumo anual hasta el año 2050. El presente documento corresponde a la versión final del Estudio, habiendo atravesado ya por sucesivas etapas preliminares de elaboración y discusión del documento mismo, la metodología empleada y los resultados obtenidos. Por lo mismo, y en conformidad con los requerimientos del CDEC SIC, el presente informe aborda de forma detallada, en una primera instancia, la metodología y los modelos econométricos utilizados para la proyección, para luego mostrar los resultados en los principales agregados (total, por sistema y por tipo de cliente), así como en las regiones que integran el SIC. Una metodología distinta se propone para abordar las previsiones hacia el 2050, consistente en la evaluación de escenarios posibles de cambios relevantes en el patrón de la demanda eléctrica, tales como la masificación del auto eléctrico y una mayor eficiencia energética. Estos contenidos se presentan en el documento a lo largo de 10 secciones, que se estructuran como sigue: la sección 2 introduce el enfoque del estudio y la metodología utilizada en la proyección; la sección 3 presenta una breve revisión de los métodos de previsión más frecuentemente utilizados en otros países en demanda eléctrica, así como una comparación sucinta de estos con el método aquí propuesto; la sección 4 analiza el comportamiento de la relación consumo eléctrico-producto en distintos países, en particular aquellos con un mayor nivel de desarrollo económico que Chile; la sección 5 presenta los modelos base de la proyección a nivel agregado; la sección 6 proyecta los regresores y la 7 el consumo eléctrico por sistema y tipo de cliente, mientras que la sección 8 expone la metodología y los resultados de desagregación regional; finalmente, la sección 9 muestra algunos análisis hacia el 2050 y la 10 sintetiza y concluye. 5 2. ENFOQUE Y METODOLOGÍA DEL ESTUDIO Teniendo en consideración la extensión del período de proyección requerido por el CDEC SIC para el Estudio (2015-2035, con extensiones a 2050), el enfoque metodológico desarrollado a lo largo de este documento se centra en identificar aquellas dinámicas que, con mayor probabilidad, enfrentará el mercado eléctrico chileno a futuro, teniendo en consideración el actual estado económico del país y su devenir probable. Para ello, el estudio incorpora información del desempeño del mercado eléctrico de países que han transitado por las etapas de desarrollo que Chile enfrentará durante el período de proyección. Para el ejercicio antes señalado, el Estudio aúna datos de consumo eléctrico e ingreso per cápita, para distintos países y momentos del tiempo y los examina en búsqueda de una relación estable. En particular, indaga sobre la evolución de dicha relación a medida que los países logran mayor desarrollo. Para precisar esto, el Estudio presenta una estimación de demanda con datos tipo panel de países. Con ella se evalúa la existencia de cambios en la elasticidad consumo-producto (cambio porcentual en consumo ante aumento de 1% en PIB per-cápita) para distintos niveles de este último, verificando la presencia de una elasticidad ingreso que decrece con el desarrollo. De esta forma se caracteriza una demanda que se desprende progresivamente del crecimiento económico, aumentando a tasas comparativamente menores con el pasar del tiempo. Los datos son anuales (1980 a 2014) para los 34 países de la OCDE: con estos se estiman dos modelos ( Efectos Fijos y Efectos Aleatorios, a detallar más adelante), dentro de los cuales se escoge el de mejor ajuste y supuestos más apropiados. El panel de países permite proyectar una relación consumo-producto en Chile hacia el largo plazo, en el que el comportamiento del mercado debiera asemejarse al de aquellos países de mayor ingreso. Utilizando ésta, se ajustan las elasticidades obtenidas de modelos econométricos con datos locales históricos, los que poseen la desagregación y frecuencia requerida por el CDEC SIC. En particular, utilizamos un Modelo de Corrección de Errores (MCE) para series mensuales de tiempo a nivel nacional, por sistema interconectado (SIC y SING) y por región (sección 5), caracterizando, como en el modelo panel de países (MP), el consumo per cápita como función del precio e ingreso per cápita. Sobre este modelo realizamos ajustes hacia el largo plazo (ajustes en la elasticidad consumo-producto) de acuerdo a lo determinado en el panel de países. Teniendo en consideración los modelos anteriores, la proyección del consumo de energía eléctrica requiere como insumo una estimación del crecimiento económico de Chile en el largo 6 pazo. Para ello, optamos por simular múltiples sendas de crecimiento económico basándonos en un modelo tipo Markov Switching (sección 6) en el que estimamos la probabilidad de pasar de un estado (alto, medio o bajo) de crecimiento a otro. Con estas probabilidades, más un estado observado en el presente, simulamos 1.000 trayectorias para el IMACEC, las que utilizamos como insumo en el modelo de proyección de consumo eléctrico, obteniendo como producto 1.000 trayectorias resultantes de crecimiento de la demanda eléctrica. A modo de síntesis, la siguiente figura muestra un esquema de la metodología: Figura 1: Metodología base de proyección MODELO DE CORRECCIÓN DE ERRORES (MCE) Datos locales, series de tiempo. Función de demanda per cápita local Retiros por región, sistema y tipo de cliente Pecios e ingreso per cápita Frecuencia mensual, ene. 2005 - dic. 2014 Elasticidad consumo-producto fija MODELO PANEL (MP) Datos internacionales, panel de países. Función de demanda per cápita internacional Consumo per cápita por país y año Pecios e ingreso per cápita Frecuencia anual, panel desbalanceado 1980 - 2014 El. consumo-producto: función del ingreso PROYECCIÓN CON AJUSTE DE LARGO PLAZO Proyección por región, sistema y tipo de cliente Función de demanda per cápita ajustada 1.000 sendas de consumo (Markov Switching) Elasticidad del MCE para el presente Frecuencia mensual, ene. 2015- dic. 2035 Ajuste para el largo plazo (según MP) Fuente: Elaboración propia En suma a lo anterior, se realizan previsiones anuales de consumo agregado (SIC+SING) entre 2036 y 2050, aunque esto bajo un enfoque medularmente distinto. En efecto, teniendo en cuenta que a medida que ampliamos el horizonte de previsión, mayor es el grado de incertidumbre, abordamos la extensión de las previsiones hacia el 2050 a partir de ejercicios de escenarios, los que utilizamos a modo de herramientas de evaluación de futuros posibles, más que como herramientas de previsión propiamente tal. En esta tarea analizamos tres factores que podrían incidir sustantivamente sobre la demanda futura: 1) la eficiencia energética, que podría reducir a nivel global los requerimientos de electricidad de los clientes conectados; 2) la penetración en el mercado del auto eléctrico, que vendría a elevar el consumo regulado en una magnitud previsiblemente importante; y 3) se evalúa el escenario de autogeneración en base a 7 tecnología solar fotovoltaica, escenario que estimamos tiene baja probabilidad de expansión dadas las condiciones estructurales previsibles de nuestro mercado eléctrico. 8 3. ESTUDIOS DE PREVISIÓN EN OTROS PAÍSES Las metodologías de previsión de consumo eléctrico disponibles son múltiples y diversas, en cada caso acordes a los requerimientos de la institución que demanda las proyecciones, así como a la realidad a la que ésta se ciñe. Revisaremos a continuación de forma breve dos grandes “categorías” de metodologías de previsión, las que, con variaciones, componen la base de las estrategias utilizadas en gran parte de los estudios de otros países. Circunscribiremos, finalmente, la metodología de este Estudio dentro del marco de la literatura revisada. Una revisión más extensa de la literatura revisada puede encontrarse en el Anexo 1. 3.1 MODELOS TIPO “USO FINAL” Dos de los modelos de “uso final” cuyo uso se ha propagado más intensamente son los modelos MEAD (Model for Analysis of Energy Demand) y LEAP (Long-range Energy Alternatives Planning), ambos pensados para el planeamiento eléctrico y energético en general. El primero fue elaborado por el Organismo Internacional de Energía Atómica (OIEA) para asistir a países en materias relacionadas y, en particular, estimar el papel de la energía nuclear en sendas alternativas de comportamiento de estos mercados hacia el futuro. Los insumos del modelo son introducidos en un archivo Excel que, junto con su manual de uso, ha sido distribuido por el OIEA a sus países miembros, dentro de los cuales está Chile. El segundo, LEAP, en cambio, fue creado por el “Stockholm Environment Institute” para evaluar políticas energéticas y de mitigación del cambio climático, y es ofrecido en un software a distintas organizaciones gubernamentales, académicas, de consultoría, etc., en más de 190 países a nivel mundial. Los modelos de tipo “uso final” constituyen representaciones del mercado eléctrico desde, como dice el nombre, el consumo de electricidad a nivel del último usuario, ya sea hogar, fábrica, comercio, etc. Por esta razón, se les denomina a menudo como modelos “de abajo arriba” (bottom-up), pues buscan con datos de demografía (crecimiento de la población, personas por hogar, etc.), tecnología (aparatos domésticos por hogar, tecnología industrial, eficiencia de tecnología nueva, etc.), preferencias (por tecnologías, sistemas de trasporte, etc.), comportamiento de los usuarios (ahorro energético), etc., replicar el consumo energético agregado por sector (residencial, servicios, industrial y transportes). Esto lo hacen calibrando parámetros relativos, por ejemplo, a intensidad o eficiencia energética, penetración de ciertas 9 tecnologías, etc. De esta forma, se simula el comportamiento de los mercados energéticos a partir de parámetros y datos, replicando en una identidad la demanda agregada (de allí que se les conozca también por su “enfoque de contabilidad”). Para las previsiones a futuro, se construyen escenarios asociados a supuestos sobre los valores de los parámetros del modelo (cuánto crecerá la población, qué tan eficiente será la tecnología, qué penetración tendrán algunas tecnologías, etc.) 1 . De esta forma, tomando como referencia el año base, es posible construir múltiples futuros posibles haciendo variar los parámetros de acuerdo, por ejemplo, a ciertos objetivos de política. Debido a su particular enfoque “contable”, estos modelos no son utilizados comúnmente con el fin de proyectar las condiciones actuales de los mercados energéticos hacia el futuro, sino más bien de evaluar distintas configuraciones de los mercados y su impacto sobre, por ejemplo, demanda, emisiones de carbono, etc. Se ha hecho en general vasto uso de esta metodología en evaluaciones de muy largo plazo, donde las proyecciones resultan poco asertivas. Algunos trabajos que han analizado la demanda energética con modelos de este tipo son, por ejemplo, MINMINAS (2015), que realiza evaluaciones generales del mercado eléctrico hacia el 2050 en Colombia; Hainoun et al (2006), que se detiene en la demanda energética industrial en Siria; Fletcher and Marshall (1995) y OEF (2006), también sobre la demanda industrial pero en Inglaterra; Ozlap and Hyman (2006) en la industria de papel en Estados Unidos; Price et al (2001) en la industria del acero en países en desarrollo; Avdaković et al (2015) en Bosnia y Herzegovina, Kichonge et al. (2014) en Tanzania, entre muchos otros. 3.2 MÉTODOS ECONOMÉTRICOS Los métodos econométricos buscan caracterizar la relación entre consumo energético y lo que la teoría económica predice como sus principales drivers, como actividad económica y crecimiento de la población. Utiliza para ello datos históricos, de modo de evaluar 1 A modo de ejemplo, el programa LEAP modela relaciones del tipo 𝐸 = 𝐴 ∗ 𝐼, donde 𝐴 es el nivel de actividad económica e 𝐼 es la intensidad energética del sector, entendida como energía por unidad de producto. Así, por ejemplo, se puede evaluar el consumo de un sector industrial que resulta de múltiples niveles de actividad futura e intensidad energética. Adicionalmente, el análisis de “energía útil” se ajusta a la ecuación 𝐸 = 𝐴 ∗ (𝑈⁄𝑛), donde 𝑈 es la intensidad energética y 𝑛 es una medida de eficiencia. Esta identidad permite, por ejemplo, evaluar cómo cambiará el consumo energético en edificios si la actividad inmobiliaria aumenta (aumenta 𝐴); si en un mismo edificio se utiliza más energía (aumenta 𝑈); o los aparatos domésticos son más eficientes. 10 estadísticamente si estas variables han presentado en períodos ya observados una cierta correlación en su comportamiento (controlando por otros factores). Esta relación es luego extrapolada al futuro, con lo que se obtienen proyecciones de consumo. Los métodos econométricos tienen como principal objetivo predecir el valor más probable de la serie a futuro, suponiendo que los patrones de la relación caracterizada no variarán. Por lo mismo, han mostrado buenos resultados en horizontes breves de previsión, en los que el supuesto es razonable. Poseen otras ventajas frente a métodos alternativos, como lo son la posibilidad de dar lectura intuitiva a los parámetros estimados desde la teoría económica, así como la de dar mayor objetividad e imparcialidad a las proyecciones. En efecto, en los modelos de “uso final”, los supuestos sobre parámetros a futuro son a menudo derivados de objetivos de política, mientras aquí el propósito es que las proyecciones nazcan de relaciones estadísticas observadas por el analista en los datos. En cuanto a los métodos de estimación adoptados, la literatura más antigua (previa a la década de 1980) recurrió con frecuencia a Mínimos Cuadrados Ordinarios, método que mostraría ser al menos insuficiente al implementase sobre series de datos no estacionarias (en general, series con tendencia o estacionalidad), como es el caso del consumo eléctrico, población y actividad económica. En tales casos, la regresión podría no estar capturando relaciones causales entre las variables sino más bien espurias, invalidando la lectura económica de los parámetros. En respuesta a ello, proliferó en la literatura el uso de modelos dinámicos de series de tiempo (modelos ARIMA), y finalmente se reabrieron también las puertas a Mínimos Cuadrados Ordinarios, ahora bajo el requerimiento de testear la cointegración de las variables en juego, la que resuelve el problema de las regresiones espurias entre variables integradas en un mismo orden. En este marco se ubican, entre otros, los estudios de previsión de demanda realizados en países como Reino Unido, Nueva Zelanda, Colombia y Chile (CNE, 2014). Así, por ejemplo, las proyecciones de energía realizadas por el antiguo Departamento de Comercio e Industria del Reino Unido, ahora en manos del Departamento de Energía y Cambio Climático, se basan en la estimación de un sistema de ecuaciones de oferta y demanda para los distintos mercados energéticos con sus respectivas interacciones, para los que se utiliza un Modelo de Corrección de Errores basado en precios y actividad económica (detallado en la sección 5 y el Anexo 4). Con el sistema de ecuaciones estimado, se computan equilibrios de mercado en cantidades y precios que sirven a modo de proyección para los mercados energéticos bajo análisis. A nivel de mercado eléctrico exclusivamente, el estudio Transpower (2011), realizado por la compañía estatal neozelandesa de transmisión eléctrica, combina modelos diversos, entre ellos 11 uno econométrico en Mínimos Cuadrados Ordinarios con población y PIB como regresores. Así mismo, en MINMAS (2015) se ensamblan dos modelos autorregresivos (AR) y uno de Corrección de Errores, ponderando cada uno de acuerdo a un criterio de ajuste. Así mismo, el estudio encargado por la Comisión Nacional de Energía el año 2014 (CNE, 2014), recurre a un modelo econométrico para proyectar demanda hacia el 2028 (libre y regulada en los sistemas SIC y SING). El estudio escoge, según ajuste y otros criterios, de entre 19 modelos dinámicos estimados. Estos son modelos de tipo AR(1) (autorregresivo con un rezago), con uno o varios regresores adicionales, los que puede ser PIB agregado de las regiones del sistema, producto minero o manufacturero, población, precio de la electricidad o precio del cobre. Con los modelos seleccionados se crean tres escenarios para cada sistema: uno alto, uno medio y uno bajo. Adicionalmente, algunas entidades han optado por fusionar aspectos de los métodos econométricos y de “uso final”, aprovechando la imparcialidad y precisión que buscan los primeros y la flexibilidad de los segundos para la evaluación de escenarios. Este es el caso de la Administración de Información de Energía (EIA) de Estados Unidos, que ha elaborado uno de los modelos híbridos más estudiados, el NEMS (National Energy Modelling System), para las previsiones energéticas del país, así como para evaluar los impactos energéticos, económicos, medioambientales y de seguridad que tienen distintas políticas alternativas de gobierno. Por último, la metodología que sigue este estudio, descrita en sus generalidades en la sección 2, es también, esencialmente, una de carácter econométrico. Como en el caso de Reino Unido y Colombia, se utiliza un modelo de Corrección de Errores para caracterizar las funciones de demanda por sistema, región y tipo de cliente. Estas funciones son ajustadas, además, de acuerdo a los resultados de un modelo panel que busca ligar nuestras previsiones al futuro con la experiencia de otros países más desarrollados. Este ejercicio, también de tipo econométrico, ha sido, sin embargo, introducido para lidiar con las limitaciones del modelo de Corrección de Errores, que, como todos los modelos de series de tiempo, sólo puede proyectar hacia el futuro una extensión de las condiciones actuales del mercado eléctrico capturadas por la regresión, no pudiendo de ninguna manera adelantar cambios estructurales (cambios en el modelo mismo) nunca antes ocurridos, aun cuando estos sean en alguna forma previsibles a través de la observación de la experiencia internacional. Cabe destacar, finalmente, que la metodología recoge parte del enfoque de los modelos de “uso final” en su análisis de muy largo plazo (hacia el 2050), en el que se ajustan las proyecciones globales de acuerdo a escenarios tecnológicos que hoy presentan una cierta probabilidad de afectar significativamente la demanda futura de retiros en el sistema de transmisión. 12 4. CONSUMO ELÉCTRICO Y DESARROLLO: EVIDENCIA INTERNACIONAL La demanda por electricidad es en definitiva una demanda derivada de la tecnología que hace uso de la misma. En etapas tempranas de desarrollo económico, el aumento del ingreso familiar, por ejemplo, permite la compra de bienes y servicios con los cuales la población resuelve sus necesidades básicas. De la mano del desarrollo, la iluminación, refrigeración de alimentos, televisión y otras necesidades “básicas” van dando lugar a bienes y servicios más prescindibles, como son, por ejemplo, el uso del aire acondicionado. Finalmente, en etapas de desarrollo avanzado, las sociedades tienden a surtir este tipo de necesidades y la demanda eléctrica doméstica tiende a estancarse o inclusive a ser progresivamente menor, producto de un mejor comportamiento del usuario y la incorporación de tecnología más eficiente. Un desempeño análogo ocurre en la demanda industrial. En países de bajo desarrollo, éste suele ir aparejado de un impulso del consumo eléctrico producto de la creación de industria. Pero a partir de cierto ingreso, ocurren también giros hacia tecnologías más eficientes, así como un cambio en el enfoque productivo de las economías que, conforme se desarrollan, son más intensivas en sectores menos demandantes de energía, como el sector de servicios. Como consecuencia de estos procesos, la relación entre consumo eléctrico per cápita y producto per cápita es una de carácter positivo, pero de senda decreciente. Así lo muestra la Figura 2, en la que se relaciona el consumo eléctrico y producto per cápita en paridad de poder de compra (PPP) de 154 países al año 2012, esto junto con una tendencia polinómica. Figura 2: Consumo eléctrico y producto per cápita (PPP, US$), 154 países, año 2012 Fuente: Elaboración propia en base a datos de Banco Mundial y U.S. EIA 13 Esta dinámica se replica en las realidades particulares de cada país. Las figuras 3(a)-3(c), por ejemplo, muestran dicha evolución en Gran Bretaña, Dinamarca y Australia. En particular, muestran consumo contra PIB pc PPP (real) desde 1980 a 2014, junto con una tendencia. Figura 3(a), 3(b) y 3(c): Consumo y producto per cápita real en PPP, 1980-2014 (a) Gran Bretaña (b) Dinamarca (c) Australia Fuente: Elaboración propia en base a datos de Banco Mundial y EIA 14 Para precisar los rasgos de esta relación, presentamos a continuación una estimación de demanda con datos tipo panel de países, en la que permitimos no linealidades en la elasticidad consumo-producto de modo de evaluar y cuantificar la existencia de una senda decreciente, como la que hemos hasta ahora bosquejado. 4.1 MODELO PANEL Estimamos un modelo panel de varios países en el que hacemos depender el consumo per cápita (en logaritmos) de una medida de precio y del PIB pc real (en logaritmos) de forma lineal y cuadrática. Esto es, expresamos para todos los países y todos los momentos del tiempo, el consumo per cápita mediante la siguiente función: 2 𝑙𝑛(𝑐𝑝𝑐 ) = 𝛼 + 𝛽 ∗ 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) + 𝛾 ∗ 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) + 𝛿 ∗ 𝑙𝑛(𝑝) (1) donde 𝑐𝑝𝑐 es el consumo per cápita, 𝑃𝐼𝐵𝑝𝑐 es el PIB pc real y 𝑝 es una medida de precio de la electricidad 2 . Incorporamos las variables en logaritmo e incluimos un término cuadrado del logaritmo del ingreso para que la elasticidad consumo-producto quede definida como variable en función del ingreso. Es más, dicha elasticidad no es más que la derivada de (1) con respecto a 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ), como a continuación: 𝜼𝒄𝒑 = 𝜕𝑙𝑜𝑔(𝑐𝑝𝑐 ) = 𝛽 + 2𝛾 ∗ 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) 𝜕𝑙𝑜𝑔(𝑃𝐼𝐵𝑝𝑐 ) (2) Para la estimación utilizamos datos anuales desde 1980 a 2014 para los 34 países que hoy conforman la OCDE. Los datos y sus fuentes se especifican a continuación: 2 No incorporamos variables de tiempo (tendencia o dummies anuales, por ejemplo), puesto que no nos sería posible proyectar dichos efectos a futuro. Por lo mismo, resulta conveniente estimar más bien una elasticidad contaminada por la correlación entre producto per cápita y otros procesos que pueden ocurrir en el tiempo, como son los cambios tecnológicos. Además, cabe destacar que por similar razón estimamos el modelo con producto real y no en paridad de poder de compra (PPP), siendo el factor de paridad variable en el nivel de ingreso, por lo que ameritaría ser predicho de forma independiente. No siendo éste el objeto del presente estudio, en el que se proyecta PIB pc real sin el factor PPP, se opta por estimar una elasticidad también contaminada por la relación (inversa) entre desarrollo y PPP, 15 Serie Tabla 1: Datos del panel, unidad y fuente Unidad Fuente Consumo total, residencial, industrial y comercial+fiscal Población PIB pc, real GWh Personas US$ 2013 IEA Banco Mundial Banco Mundial Precio industrial US$ IEA Precio residencial US$ IEA IEA= International Energy Agency Fuente: Elaboración propia Procedemos con ellos a estimar bajo dos supuestos alternativos: Efectos Fijos y Efectos Aleatorios. En ambos casos buscamos capturar elementos idiosincráticos no observables de cada país, que explican parte de la diferencia en sus consumos per cápita y que son constantes a través del tiempo. En el primer caso se asume que dichos efectos pueden caracterizarse como constantes distintas para cada país (𝛼𝑖 en vez de sólo 𝛼 en la ecuación (1), donde el subíndice 𝑖 distingue a los 𝑖 = 1, … ,34 países de la muestra), mientras en el segundo asumimos una distribución aleatoria para los mismos (una constante común, 𝛼, pero un término adicional en el modelo, 𝜇𝑖 , con una distribución aleatoria de media cero y no correlacionado con los regresores del modelo, que en este caso son PIB pc y precio3). Para detalles técnicos de las estimaciones de Efectos Fijos y Efectos Aleatorios, ver Anexo 2. Los resultados de la estimación de los dos modelos se muestran en la Tabla 2. La primera columna muestra el modelo de Efectos Fijos y la segunda el de Efectos Aleatorios. En cada caso se muestra el coeficiente estimado en cada variable junto a su error estándar en paréntesis. Se muestra también la suma del error cuadrático y el 𝑅2 ajustado de las regresiones (los detalles de las regresiones de panel se encuentran en el Anexo 3). Dicho término es distinto del término de error 𝑢𝑖𝑡 , distribuido normal con media cero y varianza constante en la muestra. Este último es variable entre países y en el tiempo. En el modelo de Efectos Aleatorios, obtendremos como residuo de la estimación la suma de ambos componentes aleatorios 𝜇𝑖 + 𝑢𝑖𝑡 . A diferencia del clásico modelo OLS (Mínimos Cuadrados Ordinarios), en que los residuos son independientes entre sí, en este modelo no lo son, pues todos los datos de un mismo país compartirán el elemento 𝜇𝑖 , que generará correlación entre ellos. 3 16 Tabla 2: Modelos de Efectos Fijos y Efectos Aleatorios 𝑙𝑛 𝑃𝐼𝐵𝑝𝑐 (𝑙𝑛 𝑃𝐼𝐵𝑝𝑐 ) 2 𝑙𝑛(𝑝𝑟 ) 𝑙𝑛(𝑝𝑖 ) 𝑅2 ajustado Suma de residuos cuadrados Efectos Fijos Efectos Aleatorios 2,855* 2,860* (0,190) (0,190) -0,108* -0,108* (0,009) (0,009) -0,401* -0,406* (0,026) (0,026) -0,153* -0,155* (0,025) (0,025) 0,963 15,156 0,728 15,764 *: Variable estadísticamente significativa al 1%. Fuente: Elaboración propia En los dos modelos las variables de PIB pc en logaritmo, éste al cuadrado y precios (residencial e industrial) resultan significativas al 1%. Además, los coeficientes estimados difieren tan sólo en magnitud decimal, y muestran, en todo caso, el signo esperado: la elasticidad producto del consumo per cápita es positiva, pero el término cuadrático de coeficiente negativo indica que dicha elasticidad decrece con el ingreso, formando así una función cóncava al tipo de las observadas en las Figuras 2 y 3. El coeficiente asociado a ambos precios es de signo negativo y su valor es indicativo de una demanda eléctrica inelástica. Por último, la suma de los errores cuadráticos son también similares, pero menores en el modelo de Efectos Fijos. El R2 ajustado, en tanto, es considerablemente mayor en el primer modelo. Las bondades de un modelo de Efectos Fijos por sobre uno de Efectos Aleatorios, o viceversa, han de ser revisadas más allá del error cuadrático de la estimación o el ajuste. En efecto, el modelo de Efectos Aleatorios requiere, para ser consistente, del supuesto de que no exista correlación entre el efecto no observado, 𝜇𝑖 , y los regresores incluidos en el modelo4. Dado que 𝜇𝑖 es tratado como un residuo en la regresión y no es directamente estimado, si dicha variable correlaciona con los regresores entonces los parámetros estimados de estos últimos estarán sesgados, pues capturarán también parte del efecto de la variable omitida 𝜇𝑖 . El modelo de Efectos Fijos, en cambio, es consistente con o sin correlación del efecto no observado. Para optar por uno u otro debemos, por ende, testear dicha hipótesis (correlación entre el efecto no observado y los regresores) a través de un test de Hausman, el que arroja en este caso el siguiente resultado: A modo de ejemplo hipotético, si en aquellos países en que hay menos horas de luz solar se trabaja más, entonces el efecto no observable (“hay menos luz solar”) elevaría a la vez el consumo eléctrico y el PIB pc. Existiría entonces un efecto no observable significativo, y este estaría correlacionado con el regresor. 4 17 Tabla 3: Test de Hausman, output de Eviews Equation: EQ_CONS_T Test cross-section random effects Test Summary Cross-section random Chi-Sq. Statistic Chi-Sq. d.f. Prob. 9.157896 4 0.0573 Fuente: Elaboración propia El valor del estadígrafo es de 9,16, mientras el valor crítico del test, que se distribuye Chi cuadrado con 4 grados de libertad, es de 9,488 para un 5% de significancia y 7,779 para un 10%. En consecuencia, la hipótesis nula de que no existe correlación entre los efectos no observados y los regresores no puede ser rechazada al 5% de significancia estadística, pero sí al 10%. Por la ambigüedad del resultado anterior, así como por su mejor ajuste, nos quedamos con el modelo de Efectos Fijos, el que, como muestra la Figura 4, aproxima razonablemente bien el consumo per cápita de los países de la muestra. Dicha figura muestra las trayectorias reales y predichas de consumo para todos los países, en los períodos considerados. Figura 4: Efectos Fijos: reales, predichos y residuos del modelo 1,4 Residuo Real -3,0 Predicho 1,2 -4,0 1,0 -5,0 0,8 0,6 -6,0 0,4 -7,0 0,2 -8,0 -0,2 -0,4 Australia - 80 Austria - 85 Belgium - 87 Canada - 90 Chile - 06 Denmark - 83 Denmark - 13 Finland - 10 France - 06 Germany - 02 Greece - 98 Hungary - 01 Ireland - 97 Israel - 07 Italy - 03 Japan - 99 Korea, Rep. - 95 Luxembourg - 13 Mexico - 09 Netherlands - 10 New Zealand - 06 Norway - 10 Poland - 07 Portugal - 03 Slovak Republic - 12 Spain - 08 Switzerland - 81 Switzerland - 11 Turkey - 07 United Kingdom - 03 United States - 99 0,0 -9,0 -10,0 Fuente: Elaboración propia En cuanto a la elasticidad consumo-producto, el modelo describe a la misma como una función cóncava y decreciente del producto per cápita, de la forma 𝜼𝒄𝒑 = 2,855 − 0,216 ∗ 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ), según se deriva de la ecuación (2) y la Tabla 2. La Figura 5 muestra dicha función, junto con algunos valores referenciales a la derecha: 18 Figura 5: Elasticidad consumo-producto Elasticidad 1 0 10.000 PIB pc PIB pc (US$ 2013) Elasticidad 10.000 0,86 15.000 0.78 20.000 30.000 50.000 0.71 0.63 0,52 70.000 Fuente: Elaboración propia La elasticidad toma valores cercanos a 1en la cola inferior de la muestra (datos de 1980) y va a disminuyendo progresivamente hasta acercarse a 0,5 en los US$ 50.000. En el caso de Chile, que al 2014 poseía un PIB real pc de US$ 15.438 (US$ 2013) la elasticidad predicha es de 0,77. 4.2 POR TIPO DE CLIENTE Mismo ejercicio se realizó distinguiendo el consumo por tipo de cliente: industrial, residencial y comercial + fiscal. Con ello buscamos capturar diferencias en la función de elasticidad acordes a los comportamientos respectivos de cada grupo de agentes. El método de estimación fue de Efectos Fijos, el que fue respaldado por un test de Hausman. Los coeficientes estimados con sus respectivos errores estándar en paréntesis, así como el 𝑅2 y estadígrafo del test de Hausman, se presentan en la siguiente tabla para los tres casos: 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) 𝑙𝑛(𝑃𝐼𝐵𝑝𝑐 ) 2 𝑙𝑛(𝑝𝑟 ) 𝑙𝑛(𝑝𝑖 ) 𝑅2 ajustado Test de Hausman Tabla 4: Modelos de Efectos Fijos Industriales Residenciales Comerciales y fiscal 2,956* 3,624* 2,357* (0.204) (0.240) (0.265) -0.124* -0.147* -0,069* (0.010) (0.012) (0.013) -0.360* -0.366* -0.450* (0.028) (0.033) (0.037) -0.079* -0.016* -0.271* (0.027) (0.032) (0.035) 0,955 10,85 0,958 24,42 0,938 4,41 *: Variable estadísticamente significativa al 1%. Fuente: Elaboración propia 19 Todos los modelos finales tienen tanto producto como producto al cuadrado y precio como variables significativas al 1%. Los coeficientes son todos del signo esperado; también los de elasticidad precio, que muestran un consumo inelástico en todos los sectores, aunque menos en clientes comerciales y fiscales, en que tanto el residencial como el industrial poseen coeficientes de magnitud relevante. El test de Hausman, por su parte, muestra valores superiores al valor crítico de 9,448 (distribución Chi-cuadrado con 4 grados de libertad) para los dos primeros modelos, por lo que en estos rechazamos la nula de que no existe correlación entre los efectos no observados y los regresores, invalidando con ello el uso de un modelo de Efectos Aleatorios. En el tercer modelo, en tanto, no podemos rechazar la hipótesis de que tanto el estimador de Efectos Fijos como el de Efectos Aleatorios sean consistentes, de modo que optamos por el primero simplemente por presentar el modelo un mejor ajuste (𝑅2 de 0,938 contra 0,721). Las elasticidades por tipo de cliente resultan, con los coeficientes estimados, en las funciones que muestra la Figura 6. En ella se evidencia que la demanda industrial es la menos elástica, mientras que la más es la de clientes comerciales y fiscales. La demanda residencial, en tanto, tiene una elasticidad elevada para bajos niveles de ingreso (0,91 a los US$10.000), pero decae más rápidamente (a 0,33 en los US$ 70.000). La demanda comercial+fiscal, por su parte, tarda decrecer, lo que es consistente con que el desarrollo va vinculado a una mayor concentración de la actividad económica en sectores de servicios (en desmedro de la industria). Figura 6: Elasticidades por tipo de cliente 1,2 1,2 Elasticidad Elasticidad 0 10000 PIB pc 1,2 70000 Comercial y Fiscal 0 10000 PIB pc 70000 1,2 Total Elasticidad Elasticidad 0 10000 Residencial Industrial PIB pc 70000 0 10000 PIB pc 70000 20 Fuente: Elaboración propia 21 5. RELACION CONSUMO-PRODUCTO EN CHILE: MODELO DE CORRECCIÓN DE ERRORES El modelo panel que mostramos en la sección anterior tiene como objetivo identificar los cambios en la dinámica entre consumo de electricidad y crecimiento económico. Dicho modelo no nos brinda información, sin embargo, sobre el comportamiento actual de las series de consumo en Chile en los niveles de desagregación requeridos por el CDEC SIC, como los sistemas interconectados SIC y SING (o niveles menores). Para ello utilizamos un modelo de Corrección de Errores, que tiene por objetivo identificar las relaciones de largo plazo entre consumo y sus determinantes en el entendido de que las variables son no estacionarias e integradas en el mismo orden. El modelo incluye una ecuación de corto plazo, que permite identificar la forma en que el consumo de energía se ajusta en torno a su tendencia de largo plazo tras shocks que lo separan de la misma. Los detalles técnicos del modelo, así como los resultados de estimación de las ecuaciones, se muestran en el anexo (Anexo 4 y 5 respectivamente), pero aquí revisamos y analizamos las relaciones de largo plazo en clientes libres y regulados del SIC, SING y de ambos sistemas en conjunto. La ecuación de largo plazo del Modelo de Corrección de Errores es de la siguiente forma: 𝑦𝑡 = 𝛼 ′ 𝑋𝑡 + 𝜖𝑡 (3) En este caso en particular, la variable endógena 𝑦𝑡 corresponde al logaritmo natural del consumo per cápita en el período 𝑡, mientras 𝑋𝑡 es la matriz de regresores, que incluye tanto una medida de ingreso per cápita como una de precio, ambos en logaritmo natural. Se incluyen también variables binarias (dummies) para capturar efectos estacionales en los distintos meses del año. Los datos utilizados para aproximar este conjunto de variables, así como sus fuentes, se muestran en la Tabla 5. 22 Tabla 5: Variables Modelo de Corrección de Errores, datos y fuentes Serie Unidad Período Fuente Consumo de electricidad IMACEC Población Costo marginal Quillota y Crucero Precio Medio de Mercado, SIC y SING Precios de Nudo Promedio de Energía y Potencia Precios de Nudo de Corto Plazo de Energía y Potencia GWh Índice, base 2008 Número de habitantes US$/MWh US$/MWh US$/MWh energía, US$/MW/mes potencia. US$/MWh energía, US$/MW/mes potencia. 2005.1-2015.8 2005.1-2015.8 2005.1-2015.8 2005.1-2015.8 2005.1-2015.8 CDEC SIC -CDEC SING Banco Central INE CDEC SIC, CDEC SING CNE 2010.1-2014.8 CNE 2005.1-2009.12 CNE Fuente: Elaboración propia Estimamos la ecuación (3) con los datos de la tabla anterior, hasta agosto de 2015, mediante Mínimos Cuadrados Ordinarios, comenzando por el modelo más general, que incluye tanto ingreso per cápita (IMACEC/Población), los precios relevantes para el sistema y tipo de cliente respectivo y variables estacionales para todos los meses. En cuanto a los precios regulados, utilizamos los Precios de Nudo Promedio de energía y potencia desde el año 2010 en adelante, cuando comienza su aplicación como tal con la entrada en vigencia de los primeros contratos de licitaciones de suministro a clientes regulados mandadas por la Ley 20.018 de 2005. Para años previos utilizamos simplemente el Precio de Nudo de Corto Plazo, entonces medida de precio regulado previo al cambio normativo 5. Para precios libres de la energía usamos ambos, el costo marginal y el precio medio de mercado, mientras que para precio de potencia en clientes libres aplica igualmente el Precio de Nudo relevante. 5.1 CONSUMO AGREGADO Y POR SISTEMA En Chile, el 99,3% de la electricidad generada se consume en el SIC (el 75,15%) o en el SING (el 24,15%), representando los sistemas medianos de Aysén, Los Lagos y Magallanes una porción muy pequeña de la demanda total nacional. En los primeros, el consumo de electricidad ha crecido a una tasa anual promedio de 3,5% en los últimos 10 años, pasando de órdenes de magnitud de los 47 mil GWh el año 2005 a los 64 mil GWh en el 2014 (un aumento de un 36% en 10 años). El PIB real nacional, por su parte, ha aumentado a una tasa promedio de 4% anual desde 2005, pasando desde cerca de MM$80 millones en 2005 a MM$116 millones en 2014 (un Los Precios de Nudo Promedio y de Corto Plazo representan en cada caso los precios regulados de la electricidad, pero no el valor final que paga el cliente final, en tanto este cubre además el costo de la distribución. 5 23 42,4% en 10 años, referencia 2008). Esto muestra la Figura 7, en la que aparecen tanto el consumo SIC+SING anual, en el eje izquierdo, como el PIB real en el derecho. Figura 7: Consumo SIC + SING y PIB real, referencia 2008 200.000 Consumo anual, GWh 140.000.000 PIB real, referencia 2008 120.000.000 100.000.000 80.000.000 100.000 60.000.000 PIB Consumo 150.000 40.000.000 50.000 20.000.000 0 0 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Fuente: Elaboración propia con datos de CDEC y Banco Central Por otra parte, tanto el consumo en el SIC como en el SING han crecido a tasas muy similares al agregado. En el SIC lo ha hecho a 3,5% promedio entre 2005 y 2014 (pasando de los 35 mil GWh a más de 48 mil), mientras que en el SING lo ha hecho a un 3,6% (pasando del orden de los 11 mil GWh a más de 15 mil). En consecuencia, durante la última década el SIC ha representado en torno a un 75% del consumo agregado de forma muy estable, como se observa en la Figura 8, que muestra los retiros mensuales totales y por sistema desde enero de 2005 a diciembre de 2014. La figura muestra también el IMACEC en la línea gris punteada. Figura 8: Consumo mensual e IMACEC, enero 2005 – agosto 2015 8.000 Total SING 160 IMACEC 140 120 5.000 100 4.000 80 3.000 60 2.000 40 1.000 20 jul-2015 jul-2014 ene-2015 jul-2013 ene-2014 jul-2012 ene-2013 jul-2011 ene-2012 jul-2010 ene-2011 jul-2009 ene-2010 jul-2008 ene-2009 jul-2007 ene-2008 jul-2006 ene-2007 jul-2005 0 ene-2006 0 IMACEC 6.000 ene-2005 Consumo mensual, GWh 7.000 SIC Fuente: Elaboración propia en base a datos CNE y Banco Central 24 La figura anterior muestra una tendencia y estacionalidad similar entre la demanda y la actividad económica. Esta relación, que fue caracterizada en el modelo panel con la evidencia internacional, es también estimada en distintas desagregaciones a nivel local de acuerdo al modelo econométrico en la ecuación (3) para el largo plazo, utilizando los datos de la Tabla 5. Los resultados principales de las estimaciones de demanda total y por sistema se detallan en la Tabla 6, que muestra las elasticidades consumo-producto y precio, junto con el error estándar en paréntesis (los output de Eviews para cada modelo se presentan en el Anexo 5): Tabla 6: Elasticidades total y por sistema LOG(IMA/POB) LOG(CMGsing) LOG(CMGsic) 𝑅2 ajustado Durbin-Watson Total SIC SING 0.873* 0.812* 0.636* (0.029) (0.022) (0.036) - - -0.016* (0.003) 0.957 0.800 -0.013* (0.003) 0.937 1.072 0.806 1.089 *: Variable estadísticamente significativa al 1%. Fuente: Elaboración propia El consumo per cápita a nivel global (columna Total) muestra una elasticidad con respecto al IMACEC (dividido por población) algo mayor a 0,8, similar a la estimada en el SIC. El SING, por el contrario, presenta una elasticidad menor. En cuanto a medidas de precio, en los dos primeros casos el modelo acogió como variable significativa el costo marginal (del SING en la regresión Total), arrojando elasticidades negativas, como era esperado, pero muy cercanas a cero. El precio medio de mercado y los precios regulados, sin embargo, quedaron fuera de la regresión. En el SING, en tanto, no ingresó ninguna medida de precio, lo que resulta consistente con su estructura de consumo muy enfocada en el sector minero. El test de Durbin-Watson, reportado en la tabla para cada regresión, es un indicador de la existencia o no de autocorrelación en los residuos del modelo, el que, por tanto, nos permite hacer inferencia respecto de la estacionariedad de los mismos y, por ende, de la cointegración de 𝑋𝑡 e 𝑦𝑡 . En efecto, la “cointegración” de 𝑋𝑡 e 𝑦𝑡 nos indica que, en caso de que los datos posean una tendencia similar en el tiempo (una tendencia al alza, por ejemplo), la relación estimada en los parámetros no sea espuria y exista efectivamente una causalidad de largo plazo de 𝑋𝑡 a 𝑦𝑡 (más allá de una mera característica en común, como es la tendencia al alza). Dicha 25 cointegración ocurre cuando, al regresionar 𝑦𝑡 contra 𝑋𝑡 , obtenemos residuos estacionarios en el modelo (sin autocorrelación). El Durbin Watson es indicativo de estacionariedad cuando toma valores cercanos a 2, lo que no ocurre en los modelos anteriores. Por lo mismo, no es posible concluir sobre cointegración sin evaluar la ecuación de corto plazo del modelo de Corrección de Error, lo que hacemos en el Anexo 5. En él mostramos que en todos los modelos que aquí presentaremos, existe cointegración. El R2 ajustado, por último, mide el ajuste del modelo, y es en general indicativo de un buen ajuste al tomar valores cercanos a 1, lo que ocurre en todos los casos. Este ajuste puede apreciarse además al observar las series en logaritmo reales y predichas por el modelo en cada caso, que mostramos a continuación en las Figuras 9(a)-9(c). Figura 9(a), 9(b) y 9(c): Consumo per cápita real, predicho y residuos, (a) TOTAL Residuo 0,19 Real -8,0 Predicho -8,2 0,14 Residuos -8,3 -8,4 0,09 -8,5 -8,6 0,04 jul-15 ene-15 jul-14 ene-14 jul-13 ene-13 jul-12 ene-12 jul-11 ene-11 jul-10 jul-09 ene-10 jul-08 ene-09 jul-07 ene-08 jul-06 ene-07 jul-05 ene-06 -0,01 ene-05 -8,7 -0,06 Ln(consumo per cápita) -8,1 -8,8 -8,9 -9,0 (b) SIC Residuo 0,19 Real -1,3 Predicho -1,4 -1,7 0,09 -1,8 -1,9 0,04 -0,06 jul-15 ene-15 jul-14 ene-14 jul-13 ene-13 jul-12 ene-12 jul-11 ene-11 jul-10 jul-09 ene-10 jul-08 ene-09 jul-07 ene-08 ene-07 jul-06 ene-06 -0,01 jul-05 -2,0 ene-05 Residuos -1,6 Ln(consumo per cápita) -1,5 0,14 -2,1 -2,2 -2,3 26 (c) Residuo SING Real Predicho 0,2 0,19 0,1 Residuos -0,1 -0,2 0,09 -0,3 -0,4 0,04 -0,06 jul-15 ene-15 jul-14 ene-14 jul-13 jul-12 ene-13 jul-11 ene-12 ene-11 jul-10 ene-10 jul-09 jul-08 ene-09 jul-07 ene-08 ene-07 jul-06 ene-06 jul-05 -0,01 ene-05 -0,5 Ln(consumo per cápita) 0,0 0,14 -0,6 -0,7 -0,8 Fuente: Elaboración propia 5.2 CONSUMO POR TIPO DE CLIENTE EN CADA SISTEMA Realizamos igual ejercicio que el anterior a continuación, pero ahora distinguiendo por tipo de cliente, libre o regulado, en cada sistema. Mostramos los resultados de la estimación en las tablas 7 y 8, en la primera para el SIC y en la segunda para el SING. En ambos casos mostramos también los resultados del sistema en su totalidad, revisados con anterioridad en la Tabla 6. Tabla 7: Elasticidades en el SIC por tipo de cliente LOG(IMA/POB) LOG(CMG) 𝑅2 ajustado Durbin-Watson SIC 0.812* Libre 0.206* (0.022) (0.060) -0.013* (0.003) 0.937 1.072 0.966 1.409 Regulado 1.207* (0.046) -0.026* (0.004) 0.874 0.881 *: Variable estadísticamente significativa al 1%. Fuente: Elaboración propia En el SIC, el consumo regulado muestra una elasticidad mayor a 1 con respecto al IMACEC (dividido por población), mientras que la del consumo libre es bastante menor. Mientras en consumo regulado el costo marginal muestra una elasticidad baja pero negativa, en consumo libre éstos quedan fuera de la regresión. Los precios regulados, en tanto, no ingresan en ningún 27 caso. Los modelos muestran buen ajuste, aunque los test de Durbin-Watson no son concluyentes, por lo que la cointegración se revisa en las ecuaciones de corto plazo en el Anexo 5. Tabla 8: Elasticidades en el SING por tipo de cliente LOG(IMA) LOG(CMG) LOG(PER) 𝑅2 ajustado Durbin-Watson SING 0.624* Libre 0.564* Regulado 1.148* (0.037) (0.040) (0.055) - - - 0.768 1.059 0.759 1.223 0.871 1131 *: Variable estadísticamente significativa al 1%. Fuente: Elaboración propia En el SING, a diferencia del SIC, el agregado se comporta de forma muy similar al consumo libre, con una elasticidad del IMACEC sobre población en torno a 0,6 y con nula elasticidad precio. Esto no es de extrañar si consideramos que el SING se compone mayoritariamente de consumo libre (88%), en particular de la gran minería. Esto es distinto de lo que ocurre en el SIC, en que el consumo libre es sólo algo mayor al 30%. Los test de Durbin-Watson, por su parte, son en todos los casos insuficientes como para concluir que los residuos son estacionarios y existe cointegración (existe, no obstante, cointegración, como muestran las ecuaciones de corto plazo en el Anexo 5). 28 6. PROYECCIÓN DE REGRESORES Con el objeto de realizar proyecciones de las variables dependientes presentes en los modelos econométricos estimados en las secciones anteriores, se deben, como paso previo, efectuar proyecciones sobre las variables explicativas que rigen el comportamiento de aquellas. Específicamente, es necesario realizar proyecciones del crecimiento del PIB, de la población y de los precios de la electricidad para el periodo septiembre 2015 – diciembre 2035. En primer lugar, para población hemos utilizado las proyecciones conjuntas de INE y CEPAL presentadas en el documento “Chile: Proyecciones y Estimaciones de Población. Total País. 1950-2050” de 2009. En segundo lugar, para efectuar proyecciones de crecimiento económico utilizamos un modelo Markov Switching que busca replicar el comportamiento de la economía chilena mediante simulaciones. Finalmente, como proyecciones de precios se han utilizado las brindadas por el propio CDEC SIC, elaboradas por la entidad en su “Revisión Anual del Estudio de Transmisión Troncal 2015”, la que se encuentra disponible en la página web del organismo. 6.1 POBLACIÓN Se utilizaron las proyecciones (mensualizadas) de población nacional elaboradas en conjunto por el INE y la CEPAL, presentadas en el documento “Chile: Proyecciones y Estimaciones de Población. Total País. 1950-2050” (Observatorio Demográfico de América Latina, 2009). Éstas se presentan en la Tabla 9. Tabla 9: Proyecciones de población 2015-2035 Año Población total Año Población total 2015 17.865.185 2026 19.220.429 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 18.001.964 18.138.749 18.275.530 18.412.316 18.549.095 18.665.029 18.780.961 18.896.893 19.012.825 19.128.758 2027 2028 2029 2030 2031 2032 2033 2034 2035 19.312.102 19.403.774 19.495.446 19.587.121 19.652.544 19.717.971 19.783.397 19.848.824 19.914.249 Fuente: Elaboración propia en base a datos INE y CEPAL 29 Según muestran las proyecciones, la población total nacional se elevaría de los 17,9 millones en el 2015 a los 19,9 millones en 2035, esto es, en un 11,5%. Para los sistemas SIC y SING, en tanto, se asumieron tasas equivalentes de crecimiento poblacional, esto en el entendido de que cualquier diferencia entre ellas se debe a un fenómeno eminentemente migratorio ligado a booms de alguna industria que no pueden ser extrapolados 20 años hacia el futuro (expansión minera en el norte, por ejemplo). 6.2 MARKOV SWITCHING SOBRE CRECIMIENTO ECONÓMICO Siguiendo el enfoque metodológico propuesto, se estiman sendas de IMACEC consistentes con las estructuras estocásticas que caracterizan los ciclos económicos históricos en Chile. Para esto, utilizamos un modelo del tipo Hidden Markov-Switching (M-S, detallado en el Anexo 6), en el que tres estados posibles de la economía pueden ocurrir en cada período: un estado de alta actividad, uno de actividad media y uno de actividad baja. Dichos estados no son, empero, directamente observables (de allí el adjetivo “hidden” en el nombre del modelo), sino más bien los efectos de los mismos sobre una variable que sí es observable: IMACEC. Si el IMACEC de un mes muestra un alto crecimiento respecto de igual mes del año anterior, entonces es muy probable que dicho estado sea uno de alta actividad económica, pero existe también cierta probabilidad de que sea un estado de actividad media y eventualmente una probabilidad muy baja, pero distinta de cero, de que sea un estado de actividad baja. Esto es posible ya que cada estado posee una distribución de posibilidades para el IMACEC en cada estado (p.ej. una distribución normal) y dichas distribuciones se traslapan en parte del registro de tasas de crecimiento. Esto ilustra la Figura 10, en la que se muestran tres distribuciones distintas: en color verde, una alta, una media y una baja, y en color rojo la distribución agregada del total de los datos. Para una tasa de crecimiento nulo, 0%, por ejemplo, el estado más probable según el ejemplo es el estado medio y en segundo lugar el estado bajo, que tiene un valor esperado negativo. Un estado alto es también posible, pero con una probabilidad considerablemente menor. 30 Figura 10: Distribuciones de tres estados y distribución agregada 0% Tasa de crecimiento 12 meses, IMACEC Fuente: Elaboración propia Mediante un programa elaborado en Matlab, basado en Rabiner (1989) y Hamilton (1994), hemos estimado los parámetros de las distribuciones de cada estado (media y desviación estándar), asumiendo que éstas son del tipo normal. Adicionalmente, dicho programa nos permite estimar las probabilidades condicionales de pasar de un estado a otro, esto es, de pasar, por ejemplo, a un estado alto dado que el último estado fue medio. El conjunto de las probabilidades condicionales conforman la denominada “Matriz de Transición”, que adopta la siguiente forma: 𝑝11 𝑝 𝑇 = [ 21 𝑝31 𝑝12 𝑝22 𝑝32 𝑝13 𝑝23 ] 𝑝33 donde 𝑝11 es la probabilidad de permanecer en el estado 1 (alto), 𝑝12 es la probabilidad de pasar del estado 1 al 2 (alto al medio) y así sucesivamente. La probabilidad de permanecer en el estado 1 y luego pasar al 2 será, por tanto, 𝑝11 ∗ 𝑝12 . Por último, la probabilidad incondicional de cada estado no es más que la n-ésima pitatoria de la matriz de transición, que converge a los valores incondicionales puesto que la condicionalidad al estado actual se va diluyendo a medida que miramos más lejano en el futuro. Los resultados del modelo para datos de variación a 12 meses del IMACEC, enero 1997 a agosto 2015, se muestran en las tablas 10 y 11. En la primera figuran los momentos estimados de las tres distribuciones, junto con los de la distribución total (muestra completa), así como las probabilidades incondicionales de cada estado. La segunda tabla, en cambio, muestra la matriz de transición estimada. Esta matriz presenta características intuitivas: por una parte, las probabilidades de pasar de un estado alto a uno bajo, o al revés, en el período inmediatamente siguiente, son iguales a 0, lo que indica que el crecimiento económico transita en general suavemente entre estados. Además, las probabilidades de permanecer en cualquiera de los 31 tres estados es muy alta (superior a 0,9 en todo caso), por lo que existe una alta persistencia en cada caso. Esto debido, en parte, a la frecuencia mensual de la serie, esperándose una persistencia menor en un modelo estimado en base a PIB trimestral o anual. Tabla 10: Distribuciones estimadas, crecimiento 12 meses IMACEC Alto Estado Medio Bajo Total - Media 5,97% 2,79% -2,74% 3,76% Desviación Estándar 1,57% 1,37% 1,11% 2,99% Probabilidad Incondicional 47,88% 42,09% 10,02% - Fuente: Elaboración propia. Tabla 11: Matriz de Transición Alto Medio Bajo Alto 95,6% 4,4% 0,0% Medio 5,0% 92,7% 2,4% Bajo 0,0% 10,0% 90,0% Fuente: Elaboración propia. 6.2.1 Proyección al 2035 Para asegurar consistencia de las proyecciones de crecimiento con las expectativas actuales que se manejan en el mercado, las que indican que la economía permanecerá en un estado medio de crecimiento por algún tiempo, utilizamos para los años 2015 y 2016 las tasas que el Fondo Monetario Internacional tiene previstas para el país a la fecha. Estas tasas son, respectivamente, de 2,1% y 2,5% de crecimiento anual. Para dar varianza a las proyecciones, simulamos 1.000 sendas posibles de crecimiento mensual del IMACEC para septiembre 2015 – diciembre 2016, utilizando una distribución normal con las siguientes características: su media es 32 igual a la tasa mensual de crecimiento que resulta acorde a las proyecciones del FMI 6 y su desviación estándar igual a la del estado medio presentada en la Tabla 10. A contar de enero 2017, hasta diciembre 2035, utilizamos el modelo M-S estimado anteriormente. Tomando el último estado más probable (estado medio en diciembre 2016), así como la matriz de transición estimada, nos es posible simular cadenas de estados mensuales al futuro, las que luego hemos de tomar a modo de insumo para simular tasas de crecimiento del IMACEC, así como el índice mismo mes a mes. El procedimiento utilizado para ello se compone de los siguientes pasos, que muestra el Box a continuación: Box 1: Procedimiento para simulación de estados Simulación de estados en base a números pseudo-aleatorios 1) Se crean N (1.000 en este caso) números pseudo-aleatorios distribuidos uniforme entre 0 y 1 para cada mes a proyectar (enero 2017 a diciembre 2035). 2) Se define el último estado más probable para diciembre 2016, que como hemos dicho es el estado 2 o medio. 3) Para simular enero 2017, tomamos los valores de la segunda fila de la matriz de transición, que muestra las probabilidades de pasar del estado 2 al 1, permanecer en el 2 o pasar al 3 (Tabla 11). 4) Para cada número aleatorio creado en las 1.000 simulaciones de enero 2017, se define la siguiente regla: si el número es menor o igual a 𝑝21 , el estado asociado será el 1; si es mayor a 𝑝21 pero menor a 𝑝21 + 𝑝22 , entonces el estado asociado será el estado 2, mientras que si el número aleatorio está entre 𝑝21 + 𝑝22 y 1, el estado asociado será el estado 3. De esta forma, ya que los número aleatorios se distribuyen uniforme, aseguraremos que en aproximadamente un 𝑝21 % de los casos se transita al estado 1, en un 𝑝22 % se permanece en el estado 2 y en un 𝑝23 % se transita al estado 3. 5) Para los meses siguientes se repite el paso 4) pero condicional al estado simulado en el mes anterior. Por ejemplo, si en la simulación 1 el número aleatorio de enero 2017 resultó igual a 0,01 (menor a 𝑝21 = 0,05), entonces dicho mes quedó definido en estado 1. Luego febrero 2017 se asociará al estado 1 si el número aleatorio respectivo es menor a 𝑝11 , al estado 2 si está entre 𝑝11 y 𝑝11 + 𝑝12 y al estado 3 si está entre 𝑝11 + 𝑝12 y 1. Fuente: Elaboración propia Ya que las tasas para enero-agosto 2015 ya se conocen, se ajustan las de los meses restantes para que el crecimiento anual resulte acorde al 2,1% que proyecta el FMI. Para 2016 se utiliza una tasa fija de 2,5% mensual. 6 33 Con los estados en cada mes y simulación, más los momentos estimados de las tres distribuciones que muestra la Tabla 10, simulamos luego las tasas de crecimiento a 12 meses del IMACEC, utilizando un procedimiento similar al descrito en el Box 1. Nuevamente creamos 1.000 números pseudo-aleatorios de distribución uniforme entre 0 y 1 para cada mes de la proyección. Luego usamos dichos números como la probabilidad acumulada de una distribución normal, probabilidad que se encuentra asociada, dado un vector de parámetros (media y desviación estándar), a un único valor de la variable aleatoria (tasa de crecimiento a 12 meses, en este caso). Tomando el estado simulado y los parámetros respectivos de la distribución del estado respectivo, calculamos la tasa como la inversa de una distribución normal, aplicada sobre la variable aleatoria uniforme. Por último, con las tasas de crecimiento simuladas, podemos fácilmente hacer lo mismo con el índice aplicando dichas tasas sobre sus últimos valores observados. 6.2.2 Ajuste de largo plazo al crecimiento El valor esperado de la distribución normal sobre la que se simulan las tasas de crecimiento del IMACEC puede depender sólo del estado latente de la economía, como en el procedimiento descrito anteriormente, o más precisamente también del nivel de desarrollo del país en el período. En efecto, las tasas de crecimiento del IMACEC desde el 2001 han promediado un auspicioso 4,2%, cifra que es probablemente mayor al crecimiento observado en economías con mayor producto per cápita. Esto en efecto muestra la Tabla 12, en la que figuran los promedios simples de las tasas de crecimiento del PIB trimestral (variación con respecto a igual trimestre del año anterior), desde el 2001 a la fecha para los países que conforman la OCDE. La tasa promedio de Chile, 3,98%, es la cuarta más alta del conjunto de países, y exceptuando Corea del Sur e Israel, todos los países cercanos, con tasas superiores al 3%, poseen productos per cápita menores a los US$ 30.000 en PPP. Las tasas de los países más perjudicados por la última crisis económica son los que bordean el 0% (Italia, Grecia y Portugal), sin embargo países como Alemania, Japón, Países Bajos o Dinamarca tienen tasas que se encuentran a penas en torno al 1%. En torno a esta cifra se encuentran además los promedios de la Unión Europea (28 países) y de la Zona Euro (19 países). 34 Tabla 12: Crecimiento del PIB trimestral (a igual trimestre de año anterior), promedio 2001-2015 País Turquía República Eslovaca Corea Chile Estonia Polonia Israel Australia Luxemburgo Islanda Irlanda Nueva Zelanda República Checa México Canadá Suecia Eslovenia Hungría Tasa crecimiento 4.15% 4.08% 4.02% 3.98% 3.79% 3.59% 3.38% 2.95% 2.89% 2.67% 2.53% 2.51% 2.50% 2.16% 2.03% 1.99% 1.94% 1.90% PIB per cápita PPP, US$ 18,994 27,150 33,791 22,470 26,052 23,926 31,965 45,094 90,298 42,767 46,441 34,061 28,900 17,449 43,590 44,849 28,512 23,645 País Suiza Estados Unidos Reino Unido Noruega España Austria Bélgica Finlandia Alemania Francia Países Bajos Japón Dinamarca Portugal Grecia Italia Unión Europea Zona Euro Tasa crecimiento 1.81% 1.81% 1.78% 1.62% 1.44% 1.38% 1.30% 1.22% 1.09% 1.09% 1.05% 0.75% 0.62% 0.10% -0.02% -0.06% 1.22% 0.95% PIB per cápita PPP, US$ 56,839 52,939 38,225 65,295 32,681 45,789 42,078 40,011 44,697 39,818 46,435 36,793 43,467 26,188 25,132 35,284 Fuente: Elaboración propia en base a datos OECD y FMI Dada esta relación negativa que la tabla anterior muestra para el crecimiento económico y el PIB per cápita PPP, consideramos necesario realizar un ajuste a las simulaciones del IMACEC, específicamente en el valor esperado de las distribuciones de los tres estados, alto, medio y bajo. Este ajuste apunta a que el crecimiento de largo plazo simulado para el país capture dicha relación negativa antes descrita. Para realizar el ajuste, se han tomado datos de crecimiento trimestral del PIB en los países de la OCDE desde 2001 a la fecha y se ha estimado para cada país el modelo de M-S aplicado ya al IMACEC chileno. Esto es, se han estimado las tasas medias de crecimiento en estado alto, medio y bajo para cada país a partir del PIB trimestral (tal como en el caso IMACEC, pero sin las simulaciones a futuro). Los valores estimados fueron luego contrastados gráficamente con el PIB per cápita PPP de cada país, como muestran las Figuras 11(a)-11(c), en las que además se muestra una línea de tendencia logarítmica (se excluye Luxemburgo, pues constituya una observación extrema con US$ 90.000 de PIB pc PPP). 35 Figuras 11(a), 11(b) y 11(c): Tasa media del estado contra PIB pc PPP, OCDE (a) Estado Alto (b) Estado Medio (c ) Estado Bajo Fuente: Elaboración propia con datos Banco Mundial e IEA El primer gráfico muestra las medias estimadas en cada país para el estado alto. Éstas van desde 1,7% en Italia hasta 9% en Islandia. Existe una alta dispersión que decae a medida que el PIB pc aumenta. Noruega, el país de mayor PIB pc PPP, posee una tasa de crecimiento en este estado 36 de apenas un 2,6%. Similar situación se observa en el estado medio, en que las tasas van desde -0,6% en Japón hasta 4,5% en Chile y en que la tendencia logarítmica se muestra también con cierta claridad, a pesar de la dispersión. Distinto es el caso, sin embargo, del estado bajo, en que no aparece nítida la relación; muy por el contrario, se observa una nube de puntos y una tendencia ligeramente positiva, pero dudosamente significativa. La significancia estadística y los coeficientes de la tendencia logarítmica en cada estado se muestran en la Tabla 13. Estos números son producto de una simple regresión de la tasa de crecimiento contra el logaritmo natural del PIB pc PPP 7. Tabla 13: Regresiones de crecimiento contra PIB pc PPP Variable C LOG(PIB) C LOG(PIB) C LOG(PIB) Coeficiente Error Estándar Estado 1, Alto 0.310053 0.100937 -0.025357 0.009642 Estado 2, Medio 0.173601 0.067617 -0.014877 0.006459 Estado 3, Bajo -0.090069 0.143005 0.006041 0.013661 PValue 0.0044 0.0132 0.0153 0.0281 0.5334 0.6614 Fuente: Elaboración propia Las regresiones confirman lo que podíamos ya conjeturar a partir de los gráficos anteriores. En los estados alto y medio, la tendencia es negativa y significativa al 5% (no así al 1%), mientras que en el estado bajo, la tendencia es positiva pero no es significativa en absoluto. Con estos lineamientos realizamos entonces el ajuste al crecimiento del IMACEC en el largo plazo, el que definimos a contar de 48 meses del inicio de las simulaciones (diciembre 2020). Para los meses previos, mantenemos los parámetros de las distribuciones como estimadas en el M-S, mientras que de esta fecha en adelante, hacemos decrecer las tasas paulatinamente, de acuerdo al siguiente ajuste: 1) La media del estado bajo se deja inalterado en -2,7% (Tabla 10), por no haberse encontrado relación clara entre desarrollo y crecimiento en dicho caso. Se utiliza el PIB pc PPP para controlar por diferencias en precios entre países y capturar la relación entre crecimiento e ingreso per cápita en términos reales. 7 37 2) Las medias en los estados alto y medio de cada mes se ajustan de acuerdo al PIB pc real 8 promedio que resulta de las simulaciones de crecimiento (y proyecciones de población) del mes anterior. Para ello: I. Suponemos que en su tendencia de largo plaza, la tasa de crecimiento de Chile se relaciona con el ingreso per cápita como en el modelo de la Tabla 13. II. Hacemos converger linealmente las tasas medias en los estados alto y medio a la tendencia hacia diciembre de 2035. Las consecuencias de este ajuste son que la media de las distribuciones de los tres estados permanece constante entre 2017 y 2020 y de allí decrece linealmente hacia diciembre de 2035 en los estados alto y medio, pasando de 6% a 4,5% hacia el final de las simulaciones en el primer caso, y de 2,8% a 1,2% en el segundo caso. La esperanza incondicional (independiente del último estado ocurrido) de la tasa de crecimiento, decrece, en consecuencia, de 3,76% en 20172020, a 2,38% en diciembre 2035. Las tasas promedio de crecimiento anual, en tanto, que resultan de las simulaciones a partir de las proyecciones del FMI para 2015 y 2016 y del modelo M-S para el resto del período, comenzando en un estado medio, se muestran en la Tabla 14, junto con las proyecciones del FMI y del Banco Central. La tabla muestra que las tasas aquí utilizadas se encuentran en línea con lo previsto por ambas instituciones para el futuro cercano. Tabla 14: Tasas anuales de crecimiento económico 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 ... 2030 ... 2035 Promedio Simulaciones 2,3% 2,5% 3,0% 3,5% 3,6% 3,6% 3,6% 3,6% 3,6% 3,6% 3,3% 2,8% 2,4% FMI 2,3% 2,5% 2,9% 3,1% 3,3% 3,5% - - - - - - - Banco Central 2% 2,5% 2,5%3,5% - - - - - - - - - - - Fuentes: Elaboración propia en base a datos World Economic Outlook (FMI) e Informe de Política Monetaria, septiembre 2015 (Banco Central) Las tasas simuladas comienzan en nivel bajo el tendencial o incondicional (3,76%) y se recuperan progresivamente hasta el 2020, en el que el promedio se acerca a la media incondicional, Ya que proyectamos PIB pc real y no PPP, suponemos, para simplificar, que la diferencia entre ambos es una constante, de modo que 𝑃𝐼𝐵 𝑝𝑐 𝑟𝑒𝑎𝑙 = 𝑃𝐼𝐵 𝑝𝑐 𝑃𝑃𝑃 – Δ. Si bien esto no debe necesariamente ocurrir en la práctica, en este caso el supuesto es pertinente, ya que buscamos una relación entre crecimiento y PIB real, dejando de lado los efectos de cambio en precios en el tiempo. 8 38 diluyéndose entonces los efectos del último estado observado (2016 medio). Ya a partir del año 2021los ajustes a la media se hacen notar (la media debiera acercarse a 3,76% pero se estanca en 3,6%), reduciéndose ésta progresivamente en el tiempo hasta alcanzar el 2,4% en 2035. 6.2.3 Resultados Producto de la metodología anterior obtuvimos 1.000 trayectorias distintas de crecimiento entre septiembre de 2015 y diciembre de 2035. Estas trayectorias simulan todo el rango de trayectorias esperadas de la actividad económica, y el modelo final de proyección de demanda eléctrica será evaluado en todas ellas. A modo introductorio, presentamos en la siguiente figura los deciles de las 1.000 simulaciones para cada año de la serie de IMACEC (promedio anual). Cada franja de color representa un decil, esto es, un 10% del total de la distribución. Los deciles se van angostando al acercase a la mediana, donde se concentra una mayor densidad de resultados. La mediana, que se muestra en una línea blanca al centro de las proyecciones, aumenta desde 131,04 en 2015 (septiembrediciembre, base 2008=100) hasta 237,6 en 2035, en un 83%. Los deciles 1 y 9, en tanto, aumentan de 129,8 a 189,2 en el primer caso y de 132,2 a 284 en el segundo, evidenciando cómo la varianza de las simulaciones se va ampliando hacia el futuro. Los mínimos y máximos, a la par, muestran resultados aún más extremos (116 y 342,9 respectivamente hacia el 2035). Figura 12: Deciles de las simulaciones de IMACEC (promedio anual) 330 280 230 180 130 80 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia La siguiente figura, por otra parte, muestra los deciles de las simulaciones de PIB real per cápita que resultaron de las tasas de crecimiento del IMACEC, así como de la proyección de población. 39 Este PIB pc crece a tasas más bajas que el IMACEC (el que crece por ambos factores: mayor producto por persona y crecimiento poblacional), pero muestra un comportamiento similar a dicha serie. Figura 13: Deciles de las simulaciones de PIB real per cápita (US$ 2013) 40.000 35.000 30.000 25.000 20.000 15.000 10.000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia En la Figura 12 se mostraba que el escenario más optimista logra un IMACEC a 2035 de 342,9, esto es 2.8 veces el IMACEC de agosto 2015, de 123,6 (base 2008=100). Esto implicaría, a las proyecciones de crecimiento poblacional aquí consideradas, niveles de producto para dicho año de US$ 38.204 per cápita, que corresponde al máximo en 2035 que muestra la Figura 13 (tomando de base US$ 15.438 en 2014, a dólares de 2013, según datos del Fondo Monetario Internacional). En el escenario más pesimista, en tanto, un IMACEC de 116 se encuentra asociado a un ingreso de US$ 12.726 per cápita, cerca de un 18% menor al actual. Por último, la mediana al 2035 del PIB pc se encuentra en los US$ 26.239. Ahora bien, los escenarios más optimistas y pesimistas poseen una muy baja probabilidad de realización, mientras que el escenario promedio es sin duda más probable. Para mostrar ello presentamos, por último, un histograma con el resultado de los cómputos realizados para el PIB real pc de 2035 (a dólares 2013) a partir de las 1.000 simulaciones de IMACEC. Se destaca la barra del percentil 50 (US$27.000-28.000). 40 120 100 80 60 40 20 PIB pc real, US$ 2013 38000 y mayor... 37000 36000 35000 34000 33000 32000 31000 30000 29000 28000 27000 26000 25000 24000 23000 22000 21000 20000 19000 18000 17000 16000 0 15000 Frecuencia (n° de simulaciones) Figura 14: Histograma de 1.000 simulaciones de PIB real pc (US$ 2013) al 2035 Fuente: Elaboración propia Los resultados más probables se encuentran entre los UD$ 25.000 y los US$ 30.000 per cápita al 2035, donde los intervalos del histograma (cada mil dólares) acumulan una frecuencia de 495 simulaciones, esto es, casi la mitad de las 1.000 totales. El promedio de la distribución, en tanto, se ubica en los US$ 26.131. 6.3 PRECIOS Las proyecciones de precios se basaron en el resultado de la “Revisión Anual del Estudio de Transmisión Troncal 2015” de CDEC SIC. En él, la entidad proyecto costos marginales para distintas barras mediante un proceso de simulación de equilibrios de mercado a futuro basado en los planes de obras de generación y transmisión publicados en el Informe de Precio de Nudo de Corto Plazo de abril de 2015, elaborado por la Comisión Nacional de Energía. La Figura 15 muestra las proyecciones de CDEC SIC para una barra representativa por región, las que se detallan también a continuación en la Tabla 15. Como representativo del costo marginal del SIC se toma el de la barra Quillota 220 kV, mientras en el SING el de Crucero 220 kV. 41 Figura 15: Proyecciones de costo marginal por región, US$ 200 I II III IV V RM VI VII VIII IX X 150 100 ene-… may-… sep-33 ene-… may-… sep-31 ene-… may-… sep-29 ene-… may-… ene-… sep-27 may-… ene-… sep-25 may-… ene-… sep-23 may-… ene-… sep-21 may-… sep-19 ene-… may-… sep-17 ene-… sep-15 0 may-… 50 Fuente: CDEC SIC Tabla 15: Barra representativa por región Barra SING Crucero 220 II-III Cardones 220 IV Pan de Azúcar 220 V y SIC Quillota 220 RM Cerro Navia 220 Barra VI Rancagua 154 VII Itahue 220 VIII Charrúa 220 IX Temuco 220 X-XIV Puerto Montt 220 Fuente: Elaboración propia En cuanto a los precios regulados de energía y potencia, estos se proyectan simplificadamente como una función lineal del costo marginal. Utilizamos las variaciones a 12 meses del costo marginal regional y aplicamos dicha tasa sobre los precios regulados, para evitar traspasar a estos últimos la estacionalidad del primero. 42 7. PROYECCIONES AL 2035 Habiendo proyectado los distintos regresores que forman parte de las ecuaciones estimadas, corresponde ahora proyectar el consumo eléctrico para los principales agregados. Para ello utilizamos las elasticidades obtenidas de cada una de los Modelos de Corrección de Errores estimados, ajustadas conforme a la dinámica decreciente que se identificó a partir de los paneles de datos internacionales. Este proceso se realizó para el consumo eléctrico total, del SIC, del SING; y para el de clientes libres y regulados en cada sistema. El procedimiento de proyección fue el siguiente: 1. Para cada una de las trayectorias de ingreso per cápita proyectadas, calculamos las elasticidades consumo-producto respectivas, según los parámetros estimados en el modelo de datos de panel (que, como observamos en la sección 4, disminuyen en función de un aumento de este último). 2. Ajustamos las elasticidades estimadas en los Modelos de Corrección de Errores de acuerdo a la variación de las elasticidades obtenidas mediante el modelo de datos de panel al incrementarse el ingreso per cápita. Para demanda libre ajustamos las elasticidades en base a las estimaciones del panel de consumo industrial (Figura 6), para demanda regulada lo hacemos en base al panel de consumo residencial y para demanda total, al panel de consumo total. 3. Con las elasticidades ajustadas y las proyecciones de crecimiento económico, proyectamos 1.000 sendas de crecimiento de consumo per cápita de electricidad. 4. Finalmente, utilizando las proyecciones de población, obtuvimos estimaciones de consumo total. La Figura 16 muestra los deciles de las simulaciones de consumo eléctrico anual proyectado hasta el 2035. Cada área de color representa un 10% de la densidad de las simulaciones, mientras que la línea blanca centrada representa la mediana de las proyecciones. Esta última asciende desde los 66.076 GWh al año en 2015 hasta los 109.754 GWh en 2035, esto es, en un 66%. Los deciles 1 y 9, en tanto, aumentan de 65.889 a 92.678 en el primer caso (90% de la distribución se encuentra sobre estos valores) y de 66.239 a 123.957 en el segundo (10% de la distribución se encuentra sobre estos valores). 43 Figura 16: Deciles de proyecciones de consumo eléctrico anual para todo el país (GWh) 150.000 140.000 130.000 120.000 110.000 100.000 90.000 80.000 70.000 60.000 50.000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia La Figura 17, en tanto, muestra el histograma de frecuencias de las distintas simulaciones el año 2035 para todo el país. Más de un 94% de las simulaciones resulta en un consumo eléctrico superior a los 90.000 GWh por año y más de un 55% resulta en un consumo superior a los 110.000 GWh. Además, el histograma muestra una ligera asimetría que no estaba presente en las proyecciones de PIB per cápita, la que se debe a las menores elasticidades consumo-producto que aplican sobre aquellos escenarios de mayor crecimiento. 80 70 60 50 40 30 20 10 0 76000 78000 80000 82000 84000 86000 88000 90000 92000 94000 96000 98000 100000 102000 104000 106000 108000 110000 112000 114000 116000 118000 120000 122000 124000 126000 128000 130000 132000 134000 136000 138000 y mayor... Frecuencia (n° de simulaciones) Figura 17: Histograma de las proyecciones de consumo eléctrico anual para el 2035, GWh Consumo total, GWh Fuente: Elaboración propia A su turno, las figuras 18 y 19 dan cuenta de los deciles de las simulaciones de consumo eléctrico en el SIC y su respectivo histograma de frecuencias al 2035 (destacada la mediana). Como puede observarse en la primera de ellas, la mediana de las proyecciones (línea blanca al centro) incrementa desde 49.413 GWh a 80.355 entre el 2015 y el 2035. Los deciles 1 y 9, en tanto, aumentan de 49.283 a 68.642 (90% de la distribución se encuentra sobre estos valores) y de 49.527 44 a 90.033 GWh (10% de la distribución se encuentra sobre estos valores) respectivamente. Por otra parte, un 91% de las simulaciones resultan en un consumo agregado en el SIC superior a los 70.000 GWh al 2035, y un 61% dan cuenta de un consumo por sobre los 80.000 GWh. El histograma, al igual que en el consumo total, muestra además una distribución ligeramente sesgada, con una mayor concentración de eventos al lado izquierdo producto, nuevamente, de la disminución de la elasticidad a niveles mayores de ingreso. Figura 18: Deciles de proyecciones de consumo eléctrico anual, SIC (GWh) 110.000 100.000 90.000 80.000 70.000 60.000 50.000 40.000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia Frecuencia (n° de simulaciones) Figura 19: Histograma de las proyecciones de consumo anual para el 2035 en el SIC 120 100 80 60 40 20 0 Consumo SIC, GWh Fuente: Elaboración propia Por otro lado, las figuras 20 y 21 exponen lo mismo para el SING. Como puede observarse en la primera de ellas, la mediana incrementa desde 16.753 GWh a 25.169 GWh entre el 2015 y el 2035. Los deciles 1 y 9, en tanto, aumentan de 16,718 a 22,229 y de 16,783 a 27,525 GWh respectivamente. La figura 21, en tanto, muestra nuevamente una distribución algo sesgada, en 45 la que un 94% de las simulaciones se traducen en un consumo superior a los 22.000 GWh, mientras que más de un 63% lo hace en consumos de más de 25.000 GWh. Figura 20: Deciles de proyecciones de consumo eléctrico anual, SING (GWh) 32.000 30.000 28.000 26.000 24.000 22.000 20.000 18.000 16.000 14.000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia Frecuencia (n° de simulaciones) Figura 21: Histograma de las proyecciones de consumo anual para el 2035 en el SING 120 100 80 60 40 20 0 Consumo SING, GWh Fuente: Elaboración propia Finalmente, la Tabla 16 expone el consumo eléctrico anual (promedio de las simulaciones) para el SIC y el SING (detalle mensual en Anexo 8). Estos resultados son ajustadas para hacer coincidir las proyecciones agregadas con la suma de las desagregadas (el método de ajuste se detalla en el Anexo 9). Como se observa, en promedio, el consumo eléctrico aumenta a una tasa anual de 2,5%, la que disminuye desde un 2,7% en 2015 a un 1,8% en 2035. En todo el período, el consumo de energía eléctrica se incrementa un 65%, alcanzando los 108.918 GWh en 2035. Para el caso del SIC, el consumo de electricidad se incrementa a una tasa promedio anual de 2,5% también, la que desciende desde su máxima de 3,2% en 2018 a 1,8% en 2035. El consumo total de electricidad en el SIC alcanzaría los 81.863 GWh en 2035. Finalmente, el SING mostraría, en 46 promedio, un aumento del consumo eléctrico de 2,6% por año, desde 5,2% en 2015 a 1,8% en 2035. El consumo total del sistema alcanzaría los 27.056 GWh en 2035, esto es, mostraría un incremento del 63% en el período. Tabla 16: Proyecciones de consumo eléctrico 2015-2035 Año 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 Promedio Promedio 15-25 Promedio 26-35 Total 66.070 67.656 69.456 71.509 73.676 75.932 78.162 80.466 82.786 85.196 87.535 89.745 92.105 94.448 96.727 98.906 101.025 103.023 104.988 106.973 108.918 Variación 2,7% 2,4% 2,7% 3,0% 3,0% 3,1% 2,9% 2,9% 2,9% 2,9% 2,7% 2,5% 2,6% 2,5% 2,4% 2,3% 2,1% 2,0% 1,9% 1,9% 1,8% 2,5% 2,8% 2,2% SIC 49.288 50.574 51.906 53.579 55.222 56.904 58.611 60.338 62.077 63.883 65.652 67.335 69.121 70.895 72.621 74.271 75.877 77.392 78.882 80.387 81.863 Variación 1,6% 2,6% 2,6% 3,2% 3,1% 3,0% 3,0% 2,9% 2,9% 2,9% 2,8% 2,6% 2,7% 2,6% 2,4% 2,3% 2,2% 2,0% 1,9% 1,9% 1,8% 2,5% 2,8% 2,2% SING 16.617 17.083 17.550 17.930 18.455 19.028 19.551 20.128 20.709 21.313 21.882 22.410 22.984 23.553 24.106 24.635 25.148 25.631 26.107 26.587 27.056 Variación 5,2% 2,8% 2,7% 2,2% 2,9% 3,1% 2,8% 2,9% 2,9% 2,9% 2,7% 2,4% 2,6% 2,5% 2,3% 2,2% 2,1% 1,9% 1,9% 1,8% 1,8% 2,6% 3,0% 2,1% Fuente: Elaboración propia 7.1 POR TIPO DE CLIENTE En ejercicios similares a los anteriores, mostramos a continuación los deciles de las proyecciones de clientes libres y regulados de cada sistema. Para empezar, las figuras 22 y 23 presentan el caso del SIC. La mediana (línea blanca) en la distribución de clientes libres aumenta de 17.746 GWh en 2015 a 21.369 GWh en 2035, esto es, un 20%. Al 2035, en tanto, un 90% de las simulaciones arrojan un consumo libre mayor a 20.698 GWh (decil 1), mientras que un 10% lo hacen sobre los 21.842 (decil 9). En cuanto al consumo regulado, la mediana aumenta de 31.597 GWh en 2015 a 60.813 GWh (un 92%). Además, un 90% de las simulaciones arrojan al 2035 un consumo regulado anual sobre los 48.594 GWh, mientras que un 10% lo hacen sobre los 71.068 GWh. Por último, en ambos casos, el decil 1 (el primero de abajo a arriba) es más ancho que todos los 47 demás, lo que, al igual que en los resultados agregados por sistema, es indicativo de una distribución asimétrica de las simulaciones, producto de la disminución en la elasticidad a niveles mayores de ingreso. Figura 22: Deciles de proyecciones de consumo eléctrico anual, SIC libre (GWh) 22.500 22.000 21.500 21.000 20.500 20.000 19.500 19.000 18.500 18.000 17.500 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia Figura 23: Deciles de proyecciones de consumo eléctrico anual, SIC regulado (GWh) 90.000 80.000 70.000 60.000 50.000 40.000 30.000 20.000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia La Figura 24, finalmente, presenta el promedio de las proyecciones anuales desagregadas por tipo de cliente en el SIC (normalizadas para coincidir con la proyección agregada). Como se observa, el mayor aumento del consumo de los clientes regulados se traduce en un aumento de la participación de éstos en el consumo agregado del sistema, mientras que el consumo libre se mantiene bastante estable. 48 Figura 24: Proyecciones desagregadas de consumo eléctrico en el SIC (GWh) 100000 Libres Regulados 80000 60000 40000 20000 0 Fuente: Elaboración propia En cuanto al SING, las figuras 25 y 26 muestran los deciles de las proyecciones de consumo anual de clientes libres y regulados. La mediana del consumo de clientes libres aumenta de 15,015 GWh en 2015 a 21,530 GWh en 2035 (un 43%). Al 2035, en tanto, un 90% de las simulaciones arrojan un consumo libre mayor a 19,446 GWh (decil 1), mientras que un 10% lo hacen sobre los 23,087 (decil 9). En cuanto al consumo regulado, la mediana aumenta de 1,893 GWh a 3,549 GWh. Un 90% de las simulaciones al 2035 se encuentran sobre los 2,867 GWh, mientras que un 10% lo hacen sobre los 4,118 GWh. Figura 25: Deciles de proyecciones de consumo eléctrico anual, SING libre (GWh) 25.000 23.000 21.000 19.000 17.000 15.000 13.000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia 49 Figura 26: Deciles de proyecciones de consumo eléctrico anual, SING regulado (GWh) 5.000 4.500 4.000 3.500 3.000 2.500 2.000 1.500 1.000 2015 2017 2019 2021 2023 2025 2027 2029 2031 2033 2035 Fuente: Elaboración propia La Figura 27, por su parte, presenta los promedios anuales de las proyecciones desagregadas por tipo de cliente en el SING. Como se observa, la participación del consumo regulado aumenta levemente en el período, aunque continúa siendo preponderante el consumo libre. Figura 27: Proyecciones desagregadas de consumo eléctrico en el SING (GWh) 30000 Libres Regulados 25000 20000 15000 10000 5000 0 Fuente: Elaboración propia Finalmente, la Tabla 17 presenta un resumen de las proyecciones recién expuestas (promedio anual). El año 2015 muestra un crecimiento negativo tanto en consumo libre del SIC como en regulado del SING. En consumo libre del SING, en cambio, se percibe un aumento importante de la demanda en este año, producto del ingreso de actores importantes en la minería. En todo caso, se perciben tasas menores de crecimiento en los años cercanos, producto del menor crecimiento económico, las que tienden a recuperarse hacia fines de la década para luego decaer gradualmente de la mano del desarrollo. 50 Tabla 17: Proyecciones de consumo eléctrico por tipo de cliente 2015-2035 Año 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 Promedio Promedio 15-25 Promedio 26-35 Libres 17,739 17,953 18,161 18,396 18,619 18,834 19,039 19,242 19,441 19,643 19,835 20,007 20,186 20,362 20,533 20,688 20,827 20,960 21,090 21,220 21,337 Variación -1.0% 1.2% 1.2% 1.3% 1.2% 1.2% 1.1% 1.1% 1.0% 1.0% 1.0% 0.9% 0.9% 0.9% 0.8% 0.8% 0.7% 0.6% 0.6% 0.6% 0.6% 1,3% 1,5% 1,0% SIC Regulados 31,549 32,621 33,745 35,183 36,603 38,070 39,572 41,096 42,637 44,240 45,817 47,328 48,935 50,534 52,088 53,583 55,050 56,432 57,792 59,167 60,526 Variación 3.2% 3.4% 3.4% 4.3% 4.0% 4.0% 3.9% 3.9% 3.7% 3.8% 3.6% 3.3% 3.4% 3.3% 3.1% 2.9% 2.7% 2.5% 2.4% 2.4% 2.3% 3,1% 3,6% 2,6% Libres 14,903 15,153 15,547 15,855 16,290 16,764 17,193 17,666 18,141 18,634 19,098 19,524 19,989 20,449 20,895 21,320 21,730 22,116 22,496 22,878 23,250 Variación 7.1% 1.7% 2.6% 2.0% 2.7% 2.9% 2.6% 2.8% 2.7% 2.7% 2.5% 2.2% 2.4% 2.3% 2.2% 2.0% 1.9% 1.8% 1.7% 1.7% 1.6% 2,0% 2,3% 1,6% SING Regulados 1,880 1,929 2,004 2,075 2,165 2,264 2,359 2,462 2,568 2,678 2,784 2,885 2,995 3,104 3,211 3,315 3,418 3,515 3,611 3,709 3,806 Variación -0.1% 2.6% 3.9% 3.6% 4.4% 4.6% 4.2% 4.4% 4.3% 4.3% 4.0% 3.6% 3.8% 3.7% 3.4% 3.2% 3.1% 2.8% 2.7% 2.7% 2.6% 2,6% 2,9% 2,3% Fuente: Elaboración propia 51 8. DESAGREGACIÓN REGIONAL EN EL SIC El consumo eléctrico en Chile es altamente heterogéneo en las distintas zonas geográficas. Así, en el norte (en el SING y el norte del SIC) existe una preeminencia de clientes libres asociados a proyectos mineros, fundamentalmente del cobre –cuya producción depende de la demanda internacional por este metal―. Por otro lado, los sectores central y sur del SIC muestran una preponderancia de clientes regulados. Así, por ejemplo, el consumo libre de electricidad de la región de Atacama alcanza el 78% sobre el total regional (2014), mientras que en la Región Metropolitana alcanza sólo el 26%. Las figuras 28 y 29 muestran la participación de cada cliente en el consumo de estas regiones para el año 2014 (de mayor a menor también en la leyenda). En Atacama, los clientes más importantes son Minera La Candelaria, EMELAT, Codelco en Diego de Almagro y Compañía Minera del Pacífico (CMP), con participaciones, respectivamente, de 21%, 18%, 13% y 11%. De estos, el primero y los dos últimos corresponden a compañías mineras, mientras EMELAT es la distribuidora de electricidad a clientes regulados. Además, los 10 mayores clientes, a excepción de EMELAT, pertenecen a minería, y entre ello suman un 73% de la demanda eléctrica total. Figura 28: Consumo por cliente en la región de Atacama del SIC (2013-2014) 9% 2% 3% 3% MIN. LA CANDELARIA 21% EMELAT CODELCO A-D.ALMAGRO 3% MIN. CASERONES CMP PELLETS 5% ENAMI PAIPOTE MANTO VERDE-ALMAGRO 5% 18% PLANTA MAGNETITA MIN. MARICUNGA 7% MIN. CNN R_PUCOBRE 11% 13% OTROS Fuente: Elaboración propia a partir de información de CDEC SIC En la Región Metropolitana, el escenario es completamente distinto. Chilectra, la compañía distribuidora de energía eléctrica en el Gran Santiago, suma en el abastecimiento de sus clientes regulados un 61% del consumo total, y es por lejos el más importante de todos. El segundo mayor 52 cliente (CGED), en tanto, es también distribuidor regulado de electricidad, al sur de la región. En las grandes compañías de consumo libre, figura Chilectra Libre (incluyendo suministro a La Farfana y Metro), Minera Los Bronces y Metro S.A. Figura 29: Participación en el consumo de electricidad por Clientes en la Región Metropolitana 2% 1% 1% 1% 4% 1% 1% CHILECTRA (R) 2% CGED (R) CHILECTRA LIBRE 6% LOS BRONCES METRO ENOR 9% CMPC PAPELES CORDILLERA EMELECTRIC (R) 61% 11% LAS TORTOLAS CGED LIBRE EEPA ENDESA (R) CMPC TISSUE OTROS Fuente: Elaboración propia a partir de información de CDEC SIC En lo que respecta al resto de las regiones, la Tabla 18 muestra que el consumo de clientes libres es mucho mayor en las dos del norte (en el pequeño sector de la Región de Antofagasta que forma parte del SIC, el único cliente libre es Minera Cenizas). En el resto del SIC, en tanto, la participación del sector libre es mayor en las regiones V y VI, superando el 50%, lo que se debe a la presencia de las minas Pelambres (Antofagasta Minerals) y Andina (Codelco) en la primera y El Teniente (Codelco) en la segunda. En el resto de las regiones, el consumo es mayoritariamente regulado y desde la Región Metropolitana hacia el sur el consumo libre se encuentra disgregado entre múltiples clientes manufactureros y comerciales. En la Región Metropolitana, la participación minera es relevante debido a la presencia de Los Bronces (AngloAmerican), pero su consumo es contrarrestado por el de los clientes industriales y comerciales. 53 Tabla 18: Participación del sector libre y grandes clientes en retiros, 2014 Consumo 3 mayores Región % Libres Sector clientes libres % sobre total regional 2 (SIC) 3 4 5 6 7 8 9 10 14 RM 65.3% 81.5% 36.6% 50.5% 53.3% 22.1% 42.6% 21.5% 0% 8.3% 25.4% 100%* 45.0% 30.9% 34.1% 49,5% 20.5% 13.6% 18.6% 0% 8.3% 16.1% Minería Minería Minería Minería Minería y varios Manufactura Manufactura Papel y Celulosa Papel y Celulosa Minería y varios *: Un solo cliente libre: Minera Cenizas. Fuente: Elaboración propia Por la importancia de la minería en el norte, así como por la relevancia de algunas minas en particular en las regiones más céntricas, se ha considerado necesario complementar la metodología de proyección vía econometría con una revisión de los planes de obras registrados en COCHILCO. Para esto, comenzamos por separar de las estimaciones econométricas a aquellas mineras cuyo consumo fue, al año 2014, igual o superior a un 10% del total regional. Estas mineras se muestran, por región, en la Tabla 19 (por una mayor disponibilidad de datos antiguos, se consideran juntas las regiones X y XIV, como antes de su escisión en el 2007, mientras que por el pequeño consumo que de la II región corresponde al SIC, éste se agrega a la III región). Tabla 19: Mineras con participación mayor al 10%, 2014 Región Metropolitana AntofagastaAtacama Coquimbo Valparaíso Minera (participación 2014) Minera la Candelaria (20.5%) Codelco El Salvador (13.4%) Minera Caserones (11.1%) Minera Carmen de Andacollo (24%) Pelambres (17.8%) Codelco Andina (11.1%) Región Minera (participación 2014) O'Higgins Maule Biobío Araucanía Los Ríos-Los Lagos Codelco El Teniente (38.2%) - Fuente: Elaboración propia con información provista por CDEC SIC En base al consumo total de la región excluyendo el de estos grandes clientes, se realizan estimaciones por el Modelo de Corrección de Errores que servirán de base a las proyecciones 54 de la zona. Las variables incluidas en este caso en los modelos son: IMACEC 9, costo marginal y precios regulados de energía y potencia (y tendencia, en algunos casos), estos tres últimos en una barra representativa por región, las que se indicaron anteriormente en la Tabla 15. Los modelos estimados son los de consumo regulado por región y consumo total, descontando en este último el de los grandes clientes. Se opta por esta metodología, que permite obtener el consumo libre regional como la diferencia entre ambos, por presentar estos datos un comportamiento sistemático más fácil de estimar, producto de su menor volatilidad. A esto, sin embargo, hemos presentado tres excepciones: las regiones VIII, X-XIV y Metropolitana. En la primera, el consumo libre viene en sostenido deceso, el que no logra ser compensado por el incremento gradual del consumo regulado, de modo que el consumo total también decrece. En las regiones X-XIV y Metropolitana, en tanto, el consumo libre se encuentra estancado en los últimos años. Por estas particularidades observadas en el consumo libre en los tres casos, que no logran ser adecuadamente capturadas por la metodología utilizada en las demás regiones, optamos por proyectar en ambos casos el consumo libre con Modelos de Corrección de Errores, obteniendo el total ya sea a partir del mismo modelo MCE o como la suma de la proyección libre y regulada (según qué modelo presente mejores características: el regulado o el total). Los resultados se resumen en las tablas 20, 21 y 22 (total, regulado y libre, respectivamente), en las que figuran las elasticidades estimadas, el error estándar del coeficiente entre paréntesis, y el R2 ajustado para evaluar ajuste (outputs de Eviews en Anexo 5): A diferencia de los modelos agregados, esta vez no se incluye IMACEC sobre población regional pues la variable no captura las variaciones del ingreso per cápita regional y carece de una interpretación clara. Se prueban en todo caso las variables IMACEC y población por separado en el modelo, pero problemas de colinealidad entre ambas no posibilitan la estimación de un modelo adecuado. Por esta razón, se opta finalmente por un modelo sólo con IMACEC contra consumo expresado en términos totales y no per cápita, presentando este un mejor ajuste. Adicionalmente, se prueba con una mensualización del INACER de cada región como medida de producto, en vez del IMACEC, pero se opta finalmente por modelar con este último por presentar también un mejor ajuste, lo que muy probablemente se debe a los problemas de medición que presenta la serie de INACER mensualizada (errores de medición provenientes de la serie misma, así como de su mensualización). 9 55 Tabla 20: Coeficientes estimados en modelos regionales, consumo TOTAL II-III IV V VI VII IX RM 0,77* 1,21* 0,97* 1,66* 1,05* 1,05* 0,91* (0,03) (0,02) (0,04) (0,03) (0,04) (0,04) (0,03) LOG(CMG) - - - - - LOG(PER) - - - - - 𝑅2 ajustado 0,81 0,95 0,89 0,96 0,92 LOG(IMACEC) -0,02** (0,009) -0,04* (0,01) -0,04** - (0,014) 0,94 0,89 * y ** denotan significancia estadística al 1% y 5% respectivamente Fuente: Elaboración propia Tabla 21: Coeficientes estimados en modelos regionales, consumo REGULADO II-III IV V VI VII VIII IX X-XIV 0,99* 1,17* 0,96* 1,20* 1,20* 0.40* 1,09* 1,23* LOG(IMACEC) (0,09) LOG(CMG) LOG(PER) 𝑅2 ajustado - (0,02) - (0,05) (0,03) -0,01* (0,05) - (0,01) (0,10) - - - - - - - - 0,87 0,95 0,89 0,93 0,90 0,90 (0,03) -0,07* (0,01) 0,94 (0,04) -0,04* (0,01) 0,92 * y ** denotan significancia estadística al 1% y 5% respectivamente Fuente: Elaboración propia Tabla 22: Coeficientes estimados en modelos regionales, consumo LIBRE VIII X-XIV RM 2,14* LOG(IMACEC) (0,25) Tendencia Tendencia^2 -0.009* (0,00) 9,2E-06 (0,00) - - - - LOG(CMG) - - - 𝑅2 ajustado 0,88 0,10 0,91 * denota significancia estadística al 1% Fuente: Elaboración propia Como puede observarse en la primera de las tablas indicadas, todas las regiones consideradas muestran elasticidades ingreso positivas y significativas, que se ubican entre 0,77 (AntofagastaAtacama) y 1,66 (O’Higgins). Por otra parte, tan solo 3 de las regiones muestran elasticidades precio estadísticamente distintas de cero. En los tres casos son negativas pero muy cercanas a cero. En cuanto a la segunda tabla, las elasticidades ingreso son nuevamente positivas y cercanas a la unidad, en tanto los precios regulados solo fueron significativos en la región de la Araucanía (en la V y la Metropolitana ingresaron, en cambio, los costos marginales). En el 56 consumo libre, finalmente, observamos que las regiones X-XIV y Metropolitana resultaron carecer de una tendencia significativa, como era esperado. En la VIII región, en tanto, se muestra una elasticidad producto positiva, pero una tendencia negativa que contrarresta dicho efecto. Estos modelos se utilizan para proyectar consumo regulado y libre por región, así como consumo total, descontando el de los grandes clientes. A este último, hemos de sumar las previsiones de consumo de aquellos clientes, las que analizamos caso a caso, junto con el de aquellos grandes proyectos nuevos o de expansión de los que da cuenta COCHILCO a la fecha. En cuando a los grandes clientes que se encuentran ya operando, todas mineras cupríferas, hemos proyectado la producción regional de mineral (la suma de lo producido por las grandes mineras en cada región) extrapolando las tasas observadas en enero-agosto 2015 al resto de este año, y para 2016 en adelante, utilizando las tasas de crecimiento proyectadas por COCHILCO para la capacidad de producción de cobre de plantas ya operativas en cada región hasta el 202610, las que se presentan en la Tabla 23. Dada la relevancia de las minas aquí consideradas (ver Tabla 19), parece razonable que el agregado regional se comporte a futuro de forma muy similar a como lo haga la suma de lo que produzcan estas grandes mineras por región. Para el resto del horizonte de previsión (2027-2035) hemos proyectado una tendencia polinómica simple a las proyecciones de COCHILCO para las regiones IV-VI, en las que la actividad cuprífera posee poca renovación, y la hemos dejado estacionada en su nivel de 2026 en la III región, en la que sí existe una mayor inversión en proyectos de reposición, expansión y nuevos que permitiría eventualmente mantener por algunos años los niveles de producción. Tabla 23: Crecimiento proyectado de la capacidad de producción de cobre Atacama Coquimbo Valparaíso O’Higgins Atacama Coquimbo Valparaíso O’Higgins 2015* 2016 2017 2018 2019 10,1% -3,2% -1,3% -3.4% 4,1% 1,2% 3,5% 1,0% 0,8% -1,3% -1,7% -2,2% -0,5% 1,1% -2,9% -1,9% 4,2% -1,7% -3,6% 0,1% 2027 2028 2029 2030 2031 0% -1% 13% 22% 0% -1% 6% -6% 0% -1% 7% -6% 0% -1% 8% -6% 0% -1% 9% -6% Proyecciones COCHILCO 2020 2021 2022 -16,3% -2,0% 2,2% -2,9% -3,9% -1,2% -0,7% -0,6% -3,1% 0,0% 7,3% -7,8% Extrapolaciones 2032 2033 2034 0% -1% 9% -6% 0% -1% 10% -6% 0% -1% 11% -6% 2023 2024 2025 2026 -3,9% -1,2% 4,6% -15,2% -3,2% 0,0% 5,6% -13,8% -3,4% -1,3% 5,4% -16,1% -2,6% 0,0% -6,3% -18,3% 2035 0% -1% 12% -6% *: Tasas observadas a la fecha Fuente: Elaboración propia en base a datos COCHILCO 10 COCHILCO (2015) 57 El consumo eléctrico derivado de esta producción, en tanto, se ha hecho crecer a las mismas tasas que ésta. El resultado de ello es que el consumo proyectado de cada región por razón de estas grandes mineras es el que indica la tabla siguiente: Tabla 24: Consumo proyectado de grandes mineras, GWh 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 III región Salvador + Caserones + Candelaria 1,656 1,824 1,899 1,914 1,904 1,984 1,661 1,596 1,547 1,486 1,439 1,390 1,354 1,354 1,354 1,354 1,354 1,354 1,354 1,354 1,354 1,354 IV región V región VI región Carmen de Andacollo Pelambres + Andina Teniente 500 484 490 483 489 480 471 465 465 460 460 454 454 449 445 440 436 431 427 423 419 414 2,068 2,042 2,114 2,078 2,018 1,945 1,988 1,974 2,118 2,216 2,340 2,466 2,311 2,611 2,768 2,961 3,198 3,486 3,800 4,180 4,640 5,196 1,789 1,728 1,745 1,707 1,674 1,676 1,627 1,618 1,491 1,265 1,090 915 747 912 857 806 757 712 669 629 591 556 Fuente: Elaboración propia Adicionalmente, agregamos al consumo de estos grandes clientes el de aquellos proyectos que hoy se encuentran en cartera. Para esto, seleccionamos todos los proyectos nuevos o de expansión en las regiones III-VI con inversión estimada en más de MMUS$500 y que presentan según COCHILCO una condición de “Base”, “Probable” o “Posible” (dejando fuera los proyectos “potenciales”, que poseen probabilidades aún muy bajas de materialización11). La Tabla 25 muestra el año estimado de puesta en marcha, la inversión, la condición del proyecto, su 11 Criterio utilizado por COCHILCO para dividir los en COCHILCO (2015) 58 capacidad productiva y su demanda eléctrica estimada, según figura en los respectivos Estudios de Impacto Ambiental presentados al Servicio de Evaluación de Impacto Ambiental. Año Tabla 25: Grandes proyectos, nuevos o de expansión, COCHILCO Inversión Cobre Oro Hierro Proyecto Operador Condición (Julio 2015 MMUS$) 2017 III 2018 2018 2018 IV 2017 2019 V 2023 VI - Pascua Cía. Minera Nevada Santo Domingo Diego de Almagro Cerro Maricunga El Espino Dominga Nueva Andina II - Santo Domingo SCM Compañía Minera Sierra Norte S.A Minera Atacama Pacific Gold Chile Pucobre Andes Iron Codelco Div. Andina - (Mt/año) (kg/año) (Mt/año) Demanda eléctrica (GWh/año) 4,250 Probable 80 19830 0 700 x 3 años, luego 964 1,700 Probable 250 0 4200 876 597 Probable 33 0 0 231 587 Posible 0 6840 0 300* 624 2,888 Posible Posible 40 150 0 0 0 11000 315 1417 6,524 Posible 350 0 0 1470 - - - - - - *: Cerro Maricunga no posee EIA. Su consumo fue estimado a partir del de las demás mineras en la tabla Fuente: Elaboración propia en base a datos COCHILCO y a Estudios de Impacto Ambiental de cada proyecto Siendo la capacidad máxima de producción de cobre en la Región de Atacama de 430 Mt/año en 2014, los proyectos de la Tabla 25 serán en general de alto impacto a nivel local, significando el menor de ellos un aumento en la capacidad de un 8%. En el caso del oro, en tanto, las inversiones en cartera podrían elevar la producción nacional de oro en un 58% respecto de la de 2014 (46 toneladas en el año). En la región de Coquimbo, en tanto, el proyecto más importante es Dominga, que aumentaría con su producción secundaria la capacidad de producción de cobre en la región (de 493 Mt/año en 2014) en un 20%, mientras que El Espino lo haría en un 8%. En cuanto a la producción de hierro, ésta podría elevarse a nivel nacional en un 58% (desde las 18,87 Mt/año del 2014) sólo con los aportes de Dominga. En la región de Valparaíso, por otra parte, el único proyecto de envergadura es la expansión de División Andina: éste más que duplicaría la capacidad de producción regional de cobre al 2014 (290 Mt/año). Finalmente, en la VI región no existen grandes proyectos mineros a considerar. El consumo estimado de estos proyectos se agrega a nuestras proyecciones de grandes clientes de la minería en su valor esperado, esto es, considerando que con una cierta probabilidad, mayor en aquellos que ostentan la condición de “probable” que en los “posible”, los proyectos serán efectivamente materializados y demandarán, por ende, electricidad en las fechas y magnitud que detalla la Tabla 25 anterior. Esta probabilidad se estima en 0,8 para el estado 59 “probable”, considerando que, como detalla COCHILCO en su documento “Inversión en la minería chilena – Cartera de proyectos 2015-2024”, se cataloga como tal a proyectos que en general tienen su Resolución de Calificación Ambiental (RCA) aprobada y se encuentran ya en etapa de estudios de factibilidad. Para los proyectos “posibles”, en tanto, se considera una probabilidad de materialización de 0,5, pues estos han alcanzado en general las etapas de estudios de factibilidad pero carecen aún de una RCA aprobada (ver Tabla 1 en COCHILCO, 2015). Como producto de lo anterior, las siguientes proyecciones de consumo eléctrico resultaron para los proyectos grandes de cada una de las regiones: Tabla 26: Consumo de proyectos mineros, GWh III región IV región V región VI región 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024-2035 560.0 1,595.6 1,595.6 1,806.8 1,806.8 1,806.8 1,806.8 1,806.8 157.5 157.5 866.0 866.0 866.0 866.0 866.0 866.0 735.0 735.0 - Fuente: Elaboración propia en base a datos COCHILCO y SEIA En consecuencia, las proyecciones de consumo regional resultado de la suma de las tres metodologías (econometría, grandes mineras operando y grandes proyectos), son como muestra la Figura 30. Como puede observarse, las regiones V y Metropolitana son las de mayor consumo, y continuarán siéndolo en el horizonte de proyección. 60 Figura 30: Proyecciones desagregadas de consumo eléctrico en el SIC (GWh) 100000 II-III IV V VI VII VIII IX X-XIV XIII 80000 60000 40000 20000 0 Fuente: Elaboración propia Las tablas 27-29, en tanto, muestra las tasas de crecimiento anual del consumo total, regulado y libre de cada región, respectivamente. En la primera de ellas se evidencia que el consumo proyectado decrecerá en el largo plazo en el norte del SIC (III región), mientras que en el resto aumentará, aunque de forma dispar, más pronunciadamente en regiones como la V y la X. Tabla 27: Proyecciones de consumo TOTAL por región 2015-2035 (tasas crecimiento) Total, incluyendo a mineras, GWh 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 II-III 4.9% 2.3% 9.0% 13.6% -3.6% 0.2% 0.5% 0.1% -4.5% 0.6% 0.6% 2.5% -2.9% -0.3% -0.6% -0.9% -1.4% -1.5% -1.9% -2.4% -3.0% IV -0.4% 2.4% 8.9% 1.5% 30.3% 2.4% 2.4% 2.5% 1.2% 2.6% 2.3% 2.7% 1.3% 1.9% 1.7% 1.6% 1.4% 1.3% 1.2% 1.1% 1.0% V 0.9% 2.4% -0.4% -1.5% -0.2% 3.7% 2.6% 4.4% 10.2% 3.9% 3.6% 1.5% 3.5% 3.0% 3.1% 3.1% 3.1% 3.0% 3.1% 3.3% 3.4% VI 0.6% 2.7% 0.2% 0.1% 1.8% 3.6% 4.1% 2.0% -0.9% 1.8% 1.6% 2.2% 5.3% 2.8% 2.7% 2.4% 2.2% 2.0% 1.8% 1.7% 1.5% VII 3.3% 2.7% 3.2% 3.1% 3.8% 4.2% 3.9% 4.0% 4.0% 4.1% 3.6% 3.4% 3.4% 3.3% 3.2% 3.0% 2.8% 2.6% 2.5% 2.5% 2.4% VIII 1.7% 1.8% 2.1% 2.1% 2.8% 3.3% 3.0% 3.0% 2.7% 2.9% 2.4% 2.2% 1.9% 1.8% 1.6% 1.3% 1.1% 0.9% 0.9% 1.0% 1.0% IX 8.2% 3.4% 2.9% 3.9% 3.4% 3.4% 3.6% 3.2% 3.0% 3.2% 3.3% 3.1% 3.1% 3.0% 2.9% 2.7% 2.6% 2.4% 2.3% 2.2% 2.1% X-XIV 2.3% 3.5% 3.5% 3.4% 4.2% 4.2% 4.4% 4.8% 4.0% 4.1% 4.0% 3.7% 3.9% 3.8% 3.6% 3.4% 3.2% 3.0% 2.9% 2.8% 2.7% XIII 0.9% 2.6% 2.3% 3.8% 3.0% 3.0% 3.1% 2.9% 2.8% 2.9% 3.0% 2.8% 2.8% 2.8% 2.7% 2.5% 2.4% 2.2% 2.1% 2.1% 2.0% Fuente: Elaboración propia 61 El consumo regulado, en cambio, muestra un comportamiento más parejo para la totalidad de las regiones, con tasas que comienzan en torno al 4% y luego decrecen. Tabla 28: Proyecciones de consumo REGULADO por región 2015-2035 (tasas crecimiento) Consumo regulado, GWh 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 II-III IV V VI VII VIII IX X-XIV XIII -3.0% 2.3% 3.1% 2.3% 3.7% 4.1% 3.6% 3.9% 4.1% 4.0% 3.5% 3.2% 3.4% 3.3% 3.1% 3.0% 2.9% 2.6% 2.5% 2.5% 2.4% 2.0% 2.9% 3.5% 3.8% 4.1% 4.2% 4.0% 4.0% 4.0% 4.0% 3.6% 3.4% 3.4% 3.3% 3.1% 2.9% 2.8% 2.5% 2.4% 2.4% 2.3% 1.8% 2.5% 2.9% 2.7% 3.5% 3.8% 3.4% 3.6% 3.7% 3.7% 3.3% 3.1% 3.2% 3.1% 3.0% 2.8% 2.7% 2.5% 2.4% 2.4% 2.3% 5.1% 2.9% 3.6% 3.7% 4.2% 4.4% 4.1% 4.2% 4.2% 4.2% 3.7% 3.5% 3.5% 3.4% 3.2% 3.0% 2.9% 2.7% 2.5% 2.5% 2.4% 3.8% 2.9% 3.7% 3.5% 4.3% 4.5% 4.2% 4.3% 4.4% 4.4% 3.9% 3.6% 3.7% 3.6% 3.4% 3.2% 3.0% 2.8% 2.7% 2.6% 2.6% 4.2% 4.9% 5.0% 4.2% 4.7% 4.6% 4.1% 4.0% 3.9% 3.6% 3.1% 2.7% 2.5% 2.2% 1.9% 1.6% 1.3% 1.1% 1.1% 1.0% 1.0% 4.9% 4.1% 3.0% 4.6% 3.5% 3.2% 3.6% 3.0% 2.9% 3.0% 3.3% 3.0% 3.2% 3.1% 2.9% 2.7% 2.6% 2.4% 2.3% 2.3% 2.2% 2.5% 3.6% 3.6% 3.5% 4.3% 4.2% 4.5% 4.9% 4.1% 4.2% 4.0% 3.8% 3.9% 3.8% 3.6% 3.4% 3.3% 3.0% 2.9% 2.9% 2.8% 3.3% 3.4% 3.2% 5.1% 4.0% 3.8% 3.9% 3.6% 3.5% 3.6% 3.6% 3.3% 3.5% 3.4% 3.2% 3.0% 2.9% 2.6% 2.5% 2.5% 2.4% Fuente: Elaboración propia El consumo libre, por último, es muy dispar y volátil, sobre todo en las regiones mineras. Éste se mantiene estancado además, con tasas en ocasiones a la baja, en las regiones X y Metropolitana. 62 Tabla 29: Proyecciones de consumo LIBRE por región 2015-2035 (tasas crecimiento) Consumo libre, GWh 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 II-III 6.7% 2.3% 10.3% 15.8% -4.9% -0.5% -0.1% -0.6% -6.4% -0.3% -0.1% 2.3% -4.5% -1.3% -1.7% -2.2% -2.8% -2.9% -3.5% -4.3% -5.2% IV -4.6% 1.6% 19.1% -2.1% 75.7% 0.6% 0.7% 0.7% -1.9% 1.0% 0.7% 1.9% -1.4% -0.1% -0.2% -0.4% -0.6% -0.6% -0.8% -1.0% -1.3% V 0.0% 2.4% -3.8% -5.9% -4.6% 3.6% 1.6% 5.4% 18.4% 4.1% 3.9% -0.3% 3.8% 2.8% 3.1% 3.3% 3.6% 3.6% 3.9% 4.2% 4.5% VI -3.4% 2.5% -3.1% -3.5% -0.8% 2.7% 4.0% -0.5% -7.1% -1.5% -1.5% 0.2% 8.2% 1.9% 1.8% 1.4% 1.1% 0.9% 0.7% 0.4% -0.1% VII 1.2% 1.8% 1.5% 1.7% 2.0% 2.9% 2.8% 2.7% 2.2% 2.8% 2.6% 2.7% 2.1% 2.3% 2.2% 2.1% 2.0% 1.8% 1.7% 1.7% 1.6% VIII -1.7% -2.7% -2.4% -1.4% -0.6% 0.8% 0.8% 0.9% 0.3% 1.3% 1.0% 1.2% 0.5% 1.0% 0.9% 0.7% 0.7% 0.6% 0.6% 0.8% 0.9% IX 20.6% 1.1% 2.4% 1.6% 3.0% 4.0% 3.4% 3.9% 3.7% 4.0% 3.2% 3.2% 2.7% 2.9% 2.7% 2.5% 2.4% 2.2% 2.1% 2.1% 2.0% X-XIV -5.8% -0.1% -0.5% -0.6% -0.5% 0.1% 0.0% 0.0% -0.4% 0.0% 0.0% 0.1% -0.3% -0.1% -0.1% -0.2% -0.2% -0.2% -0.2% -0.2% -0.3% XIII -6.0% -0.1% -0.5% -0.6% -0.5% 0.1% 0.0% 0.0% -0.4% 0.0% 0.0% 0.1% -0.3% -0.1% -0.1% -0.2% -0.2% -0.2% -0.2% -0.2% -0.3% Fuente: Elaboración propia Los detalles de las proyecciones mensuales y anuales por región, desagregadas por tipo de cliente y en cada una de las tres metodologías aquí presentadas, pueden revisarse en el Anexo 8. 63 9. EJERCICIOS DE PREVISIÓN AL 2050 Los métodos econométricos constituyen una buena herramienta de proyección mientras las dinámicas que consideran los mismos se mantengan vigentes. En efecto, dichos métodos son flexibles a la evaluación de múltiples historias futuras para los drivers de la demanda, en este caso, pero no lo son a cambios estructurales en la relación entre las variables, al menos no a cambios que no hayan ya ocurrido en los datos. Pero, sin duda, la relación entre las variables del modelo puede cambiar en el futuro, lo que ocurriría si, por ejemplo, emerge una nueva tecnología que haga más o menos atractivo a los consumidores el uso de la electricidad. Por lo anterior, una metodología quizás más ilustrativa que el uso exclusivo de métodos econométricos para proyectar al 2050, sea el planteamiento de escenarios (tecnológicos, ecológicos o algún otro) para el futuro. Dichos escenarios nos permitirían revisar qué implicancias podrían tener ciertos cambios probables sobre la demanda eléctrica. Parte del análisis con el que abordaremos los mundos posibles de consumo eléctrico hacia el 2050 incluyen cambios en eficiencia energética, penetración del auto eléctrico y autogeneración. 9.1 EFICIENCIA ENERGÉTICA Para abordar las posibilidades de observar una mayor eficiencia en el consumo a futuro resulta relevante la experiencia internacional que ya hemos observado en las previsiones hacia el 2035, en particular en el modelo panel estimado y desarrollado en la sección 3 de este Estudio. En efecto, al estimar una elasticidad consumo-producto con los países de mayor ingreso, sin controlar (incluir como regresores en la ecuación del panel) por períodos en los que se aplicaron políticas públicas pro-eficiencia en los distintos países, estamos también midiendo en la elasticidad consumo-producto el efecto de dichas políticas. Esto es efectivo si, como esperamos, existe una correlación positiva entre la preocupación por la eficiencia y el desarrollo de un país. En dicho caso, el coeficiente para ingreso estará también capturando de forma indirecta el efecto de dichas políticas, omitidas en el modelo pero correlacionadas con ingreso. En ese caso, parte de la explicación de por qué la elasticidad consumo-producto decrece con el tiempo sería que en países más desarrollados, la preocupación por la eficiencia energética es también mayor. 64 Para abordar este punto en las previsiones al 2050 entonces, simplemente extendemos la metodología utilizada en el horizonte 2015-2035, obteniendo ahora 1.000 simulaciones del consumo anual agregado (SIC más SING) extendidas en otros 15 años. Para ello continuamos hacia adelante en el tiempo con: 1) el ajuste de las tasas de crecimiento del producto (recordemos que en la sección 6 mostramos la necesidad de reducir las tasas a medida que el país logra un mayor desarrollo); y 2) el ajuste en la elasticidad consumo-producto. El resultado de este ejercicio se muestra en la Figura 31, en la que se presentan el promedio anual de las 1.000 simulaciones de consumo agregado expresado en GWh (barras verdes en el gráfico), así como el mismo expresado en términos per cápita, en kWh (línea gris en el gráfico). En azul, además, se muestran las cifras efectivas entre 2005 y 20014. 160.000 8.000 140.000 7.000 120.000 6.000 100.000 5.000 80.000 4.000 60.000 3.000 40.000 2.000 20.000 1.000 0 0 Efectivo Total Proyectado Total Efectivo Per Cápita Consumo per cápita, promedio (kWh) Consmo Total, promedio (GWh) Figura 31: Promedio anual de simulaciones para consumo total (GWh) y per cápita (kWh) Proyectado Per Cápita Fuente: Elaboración propia La figura anterior nos muestra una demanda que aumenta cada vez menos con el tiempo, a la forma de lo observado en los datos internaciones en la sección 3, al tiempo que muestra también una demanda per cápita con tasas aún menores de crecimiento. En efecto, la demanda proyectada comienza creciendo a tasas del 2,7% el 2015 y termina haciéndolo al 1,3% al 2050, con lo que alcanza a ese año los 137.107 GWh en total y un incremento de 113% desde el 2014. La demanda expresada en términos per cápita, en tanto, comienza en 3.633 kWh en 2014 y crece sólo un 87% al 2050, alcanzando los 6.786 kWh. La Tabla 30 muestra el promedio de las simulaciones realizadas hacia el 2050, junto con su tasa de crecimiento y la desviación estándar. Entre 2035 y 2050 las proyecciones aumentan otro 26%, pero también lo hace progresivamente la desviación estándar. En efecto, en necesario tener en 65 cuenta que, dado el extenso horizonte de previsión en el que nos situamos, los intervalos de confianza de nuestras proyecciones van abriéndose rápidamente, haciendo cada vez menos informativo el resultado que pueda arrojarnos el modelo. Las mismas simulaciones de crecimiento económico van divergiendo hacia escenarios radicalmente distintos, desde algunos tremendamente pesimistas hasta otros demasiado optimistas. Tabla 30: Proyecciones de consumo eléctrico al 2050, promedio simulaciones Año 2035 2036 2037 2038 2039 2040 2041 2042 Consumo total, GWh 108,918 110,865 112,832 114,838 116,798 118,750 120,635 122,460 Variación 1.82% 1.79% 1.77% 1.78% 1.71% 1.67% 1.59% 1.51% Desviación estándar simulaciones 12,280.2 12,654.3 13,084.4 13,513.9 13,943.1 14,396.3 14,827.1 15,224.6 Año 2043 2044 2045 2046 2047 2048 2049 2050 Consumo total, GWh 124,307 126,131 127,995 129,883 131,778 133,555 135,334 137,107 Variación 1.51% 1.47% 1.48% 1.47% 1.46% 1.35% 1.33% 1.31% Desviación estándar simulaciones 15,632.5 15,993.7 16,400.4 16,834.1 17,279.1 17,716.6 18,085.7 18,436.1 Fuente: Elaboración propia 9.2 AUTO ELÉCTRICO La creciente incorporación de autos eléctricos en el mercado es el factor más importante a considerar al proyectar el consumo de electricidad en el largo plazo. Las causas de dicho fenómeno son tanto económicas como idiosincráticas. Por un lado, los motores eléctricos se han vuelto crecientemente más eficientes, lo que ha redundado en una disminución en el costo variable de su utilización. Por otro, han disminuido los precios de los automóviles que poseen dicha tecnología. Ambos factores han hecho más atractiva, desde una perspectiva exclusivamente económica, la utilización de autos eléctricos en desmedro de autos que utilizan derivados del petróleo como combustible. Adicionalmente, cada vez es más notoria la preocupación de la sociedad (especialmente las de economías desarrolladas) por el cuidado del medio ambiente, hecho que hace más atractiva la utilización de autos eléctricos en vista de la menor contaminación provocada por ellos en relación con la generada por autos convencionales. En virtud de lo anterior, modelaremos la entrada de este tipo de automóviles al mercado chileno emulando el ingreso de ellos a mercados desarrollados, especialmente europeos. 66 Utilizaremos los siguientes supuestos para el cálculo: Supondremos que al año 2025 la proporción de autos eléctricos vendidos en Chile respecto del total de autos será equivalente a la de Europa en la actualidad, esto es, un 2% de las ventas totales de automóviles12. Supondremos un período de transición desde el 2015 al 2025 donde dicha tasa se acrecentará gradualmente hasta alcanzar el citado 2% (desde un 0% en 2015). Supondremos tres escenarios de crecimiento desde 2025 a 2050: acelerado, que considera una tasa de venta de autos eléctricos aumentando un 0,4% por año hasta 2035 y luego 0,6% por año hasta 2050, llegando a un 15% de las ventas totales de automóviles; medio, que contempla un aumento de 0,3% los primeros 10 años y de 0,5% los siguientes, alcanzando un 12,5% de las ventas en 2050; y bajo, que considera una tasa de crecimiento de 0,2% hasta 2035 y 0,3% desde ese año, que se traduce en una tasa de 8,5% de las ventas a 2050. Utilizaremos un rendimiento de 5,5 kilómetros por kWh, que es equivalente al promedio de rendimiento actual de los autos eléctricos Nissan Leaf, Renault Zoe, Opel Ampera y Tesla S. Supondremos que el recorrido promedio de cada auto alcanza los 29.000 kilómetros por año13. Utilizaremos una elasticidad demanda de autos-PIB decreciente: 1,4 desde 2015 a 2024 (estimada con un modelo econométrico simple reportado al final del Anexo 5), 1 desde 2025 a 2034 y 0,8 desde 2035 a 205014. Consideraremos una tasa de obsolescencia del 4% del parque automotriz total. La Figura 32 expone los distintos escenarios de participación de autos eléctricos en el parque automotriz nacional en vista de las alternativas de crecimiento en la demanda consideradas. Como puede observarse, proyectamos que la participación de los autos eléctricos fluctuará entre el 7% y el 11% del parque total. La Figura 33, en tanto, da cuenta del consumo eléctrico adicional por año como consecuencia de la incorporación de los autos eléctricos. Como puede apreciarse, el consumo eléctrico podría aumentar hasta los 7.600 GWh en el 2050 producto de European Market vehicles statistics (2014). Disponible en: http://www.theicct.org/sites/default/files/publications/EU_pocketbook_2014.pdf 13 Fuente: The Economist Pocket World in Figures 2015. 14 Para el cálculo de la elasticidad se utilizan datos anuales desde 1994 a 2014. 12 67 la incorporación al mercado de autos eléctricos lo que corresponde a un 5,5% de la demanda total proyectada para entonces. Figura 32: Participación de autos eléctricos en el parque automotriz chileno 12% Medio Bajo Acelerado 10% 8% 6% 4% 2% 2050 2048 2046 2044 2042 2040 2038 2036 2034 2032 2030 2028 2026 2024 2022 2020 2018 2016 2014 0% Fuente: Elaboración propia Figura 33: Consumo eléctrico de automóviles 2014-2050, MWh 10000000 Medio Bajo Acelerado 8000000 6000000 4000000 2000000 0 Fuente: Elaboración propia 9.3 AUTOGENERACIÓN En lo que a autogeneración refiere, no parece probable que adquiera una gran relevancia en Chile, a diferencia de lo que ha ido paulatinamente ocurriendo en otros países, como Alemania, que han incluso recurrido a incentivos subsidiarios para la expansión de la misma. En efecto, si asociamos el impulso de la autogeneración en un país, vía políticas de gobierno, con la 68 preocupación por diversificar y “limpiar” la matriz energética aumentando la generación solar (a nivel residencial, la gran mayoría de la autogeneración de produce vía paneles fotovoltaicos), entonces es razonable pensar que dicha preocupación en Chile ha sido cubierta por métodos alternativos, como lo es la rápida expansión de la tecnología solar en la generación solar a escala que hemos venido observando en el norte del país, esto tras la reducción de los costos del panel y los incentivos adicionales proporcionados por la Ley 20/25 15. En efecto, mientras algunos países de mayor ingreso asumieron la vanguardia en la preocupación del impacto medioambiental de la generación eléctrica hace ya tiempo (ver Anexo 7), Chile se ha sumado tardíamente a la misma pero aprovechando: 1) la gran necesidad de capacidad de generación adicional que enfrentan los dos grandes sistemas interconectados, y en particular el SIC, por la creciente demanda y la mayor judicialización de los proyectos de inversión; y 2) la caída en los costos de inversión de las ENRC, en particular de la generación solar. Así hoy, por ejemplo, tan sólo un 1,5% de la actual matriz energética en el SIC y SING es solar, pero se encuentra aumentando aceleradamente con los nuevos proyectos que se están materializando. En efecto, un importante 38% de la capacidad de generación que hoy se encuentra en construcción es de tecnología solar (CNE). De esta forma, no parece probable que en un escenario como el actual, el Estado chileno opte, por ejemplo, por subsidiar la compra de paneles solares, en circunstancias en que los inversionistas lo están haciendo a gran escala sin la necesidad de subsidio. Ahora bien, el aprovechamiento de las economías de escala del que gozan las centrales, a diferencia de los autogeneradores, hace que esta alternativa tampoco sea rentable de forma privada, a pesar de la caída en los precios del panel fotovoltaico. En efecto, la forma en que la autogeneración sería privadamente rentable es si los menores rendimientos a escala que ella posee, que elevan los costos de la inversión, logran ser compensados por el ahorro en el costo de transmisión y distribución que implica el no retirar la electricidad del sistema sino autogenerarla. Ahora bien, siendo estimados los costos de transmisión y distribución en 0,04 US$ por kWh, así como los mayores costos de la autogeneración en 0,11 US$ por kWh, el requerimiento anterior no es satisfecho. Por último, la brecha existente en el precio del panel a residenciales y utilities se ha mantenido estable en los últimos años aun habiendo disminuido considerablemente los mismos. No parece Ley de Fomento de las ERNC, Ley 20.698, que obliga a las empresas que retiran a contratar hacia el año 2025 un 20% de electricidad proveniente de estas fuentes 15 69 probable que, aun cuando los precios sigan cayendo, dicha brecha sea a futuro anulada, revirtiendo la situación antes descrita. Los detalles de los cálculos aquí referidos pueden revisarse en el Anexo 7 del Estudio. 70 10. SÍNTESIS Y CONCLUSIONES El presente estudio ha presentado una previsión de la demanda de energía eléctrica en Chile en sus dos grandes sistemas: el Interconectado Central y el Interconectado del Norte Grande. Dichas previsiones se realizaron en un horizonte de 20 años al futuro (hasta el 2035), con frecuencia mensual y distinguiendo por tipo de cliente (libre o regulado), así como por región. La metodología empleada para la proyección ha sido una de tipo econométrico: mediante un Modelo de Corrección de Errores, se realizó una proyección base hacia el futuro, la que fue luego ajustada de acuerdo a los resultados de un modelo panel estimado de forma paralela. Este último busca observar las sendas de crecimiento del consumo a nivel internacional, en distintos niveles de desarrollo económico, para luego aplicar a las proyecciones locales los resultados obtenidos. En particular, se estima en dicho modelo que la elasticidad consumoproducto es una función decreciente del ingreso per cápita nacional, de modo que a medida que el país crece, es de esperar que la demanda eléctrica lo haga en una menor medida. Los cambios estimados en la elasticidad son aplicados luego a modo de ajuste al modelo local. Como resultado de dicha metodología, el Estudio concluye que el consumo eléctrico del SIC podría aumentar de 49.288 GWh en el año 2015 a 81.863 GWh al año en 2035 (un incremento de 66%) y en el SING de 16.617 GWh al año en 2015 a 27.056 GWh al año en 2035 (+63%). En el primer caso, el mayor incremento provendría del consumo regulado, el que pasaría de representar un 64% del consumo total del sistema en 2015 a un 74% en 2035. En el SING, en cambio, el consumo seguiría siendo preponderantemente libre, aunque su participación se reduciría ligeramente de 90% a un 86% en igual período. En suma a lo anterior, el Estudio presenta una extensión de las previsiones con frecuencia anual hasta el año 2050. Para ello, se aborda la creciente incertidumbre en la previsión mediante el análisis de escenarios, en los que se revisa la posibilidad de que ocurran cambios de envergadura en la demanda. En particular, se revisan los casos de una mayor eficiencia energética en el consumo, un incremento sustantivo en la penetración del auto eléctrico y, por último, de una masificación de la autogeneración. Al respecto, se concluye que la eficiencia, entre otros factores, podría reducir el crecimiento anual del consumo desde el 2,7% en 2015 hasta apenas un 1,3% hacia el 2050. Adicionalmente, se estima que si el auto eléctrico alcanza hacia el 2050 una penetración del 11% en el parque automotriz, el consumo eléctrico total podría aumentar en 7.600 GWh hacia el 2050 (un 5,5%). Finalmente, las previsiones del Estudio suponen un escenario en que la autogeneración no se despliega de manera significativa, esto 71 por cuanto las condiciones que se observan en la experiencia comparada no concurren en el caso de Chile. 72 REFERENCIAS Avdaković, S., E. Becirovic, N. Hasanspahic, M., Music, A. Merzic, A., Tuhcic & J. Karadza, 2015, Long Term Forecasting of Energy, Electricity and Active Power Demand –Bosnia and Herzegovina case study, Balkan Journey of Electrical and Computer Engineering, 3 (1). Bhattacharyya, S. C. & G.R. Timilsina, 2009, Energy Demand Models for Policy Formulation, A Comparative Study of Energy Demand Models, Banco Mundial. Brown, M. A, M. D. Levine, W. Short and J. G. Koomey, 2001, Scenarios for a clean energy future, Energy Policy, 29, pp. 1179-96. CNE, 2014, Análisis de Consumo Eléctrico en el Corto, Mediano y Largo Plazo, Santiago. COCHILCO, 2015, Inversión en la Minería Chilena, Cartera de Proyectos 2015-2024, Comisión Chilena del Cobre, Santiago. EIA, 2009, The National Energy Modelling System: An Overview 2009, Energy Information Administration, Washington D.C. Fletcher, K., & M. Marshall, 1995, Forecasting regional industrial energy demand: The ENUSIM enduse model, Regional Studies, 29(8), pp. 801-11. Hainoun, A., M. K. Seif-Eldin & S. Almoustafa, 2006, Analysis of the Syrian long-term energy and electricity demand projection using the end-use methodology, Energy Policy, 34, pp. 1958-70. Hamilton, J, 1994, Time Series Analysis, Princeton. IAEA, 2006, Model for Analysis of Energy Demand, User’s Manual, International Atomic Energy Agency, Vienna. Jefferson, M., 2000, Long-term energy scenarios: the approach of the World Energy Council, Int J. of Global Energy Issues, 13 (1-3), pp. 277-84. Kichonge, B., J.R. Geoffrey, I.S.N. Mkilaha & S. Hameer, 2014, Modelling of Future Energy Demand for Tanzania, Journal of Energy Technologies and Policy, 4 (7). 73 MINMINAS, 2015, Proyección de Demanda de Energía Eléctrica en Colombia: Revisión marzo de 2015, Ministerio de Minas y Energía, Colombia. OEF, 2006, Research on output growth rates and Carbon Dioxide emissions of the industrial sectors of the EU-ETS, Oxford Economic Forecasting, Oxford. Ozlap, N. & B. Hyman, 2006, Energy end-use model of paper manufacturing in the US, Applied Thermal Engineering, 26 (5-6), pp. 540-48. Price et al (2001) Price, L., D. Phylipsen, & E. Worrel, 2001, Energy use and carbon dioxide emissions in the steel sector in key developing countries, LBNL – 46987, Lawrence Berkeley National Laboratory, California. Rabiner, 1989, A tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proceeding of the IEEE, 77(2). Transpower, 2011, Long-term Demand Forecast, Transpower, New Zealand. Wooldridge, J, 2010, Econometric Analysis of Cross Section and Panel Data, Massachussets Institute of Technology, 2nd ed. 74 ANEXO 1: ESTUDIOS DE PREVISIÓN DE DEMANDA Los estudios analizados a continuación constituyen aquellos solicitados por el propio CDEC SIC en las Bases del proceso de licitación (Anexo 12.4), así como otros escogidos por el consultor debido al tamaño y desarrollo del mercado eléctrico donde se utiliza y la relevancia de la institución de respaldo. NUEVA ZELANDA: LONG TERM DEMAND FORECAST, 2011 Este estudio fue realizado el año 2011 por Transpower, compañía estatal neozelandesa encargada de la transmisión de energía eléctrica en dicho país. Su objetivo era proyectar demanda de punta a nivel nacional, por isla y regional con frecuencia estacional hasta el año 2030. Ello, con el objeto de planificar la expansión de redes de transmisión considerando, no sólo crecimiento anual, sino también su ciclo en las distintas temporadas del año. Aunque el foco del estudio está, como antes se señaló, en la demanda de punta, el mismo elabora también una proyección anual de consumo en el mismo horizonte, el que utiliza en muchos casos como insumo en la proyección de demanda de punta. Para ello recurre a una proyección que se basa en los resultados de cuatro modelos distintos que son ponderados dando origen a un único resultado final que los autores denominan “modelo ensamblado”. Los modelos que utilizan los autores son: 1) Un modelo econométrico en logaritmos con población y PIB (Mínimos Cuadrados Ordinarios en sus valores coetáneos, sin rezagos). 2) Un modelo de tendencia determinística (tasa de crecimiento constante). 3) Criterio experto de Transpower. 4) Modelo ajustado de proyección utilizado por el Ministerio de Desarrollo Económico. En el modelo econométrico se utilizan proyecciones estocásticas de población y PIB, ambas correlacionadas positivamente (no habrían episodios de bajo crecimiento económico y demográfico a la vez)16. Luego, los resultados incluyen una trayectoria de consumo de carácter estocástico –esto es, una variable aleatoria con su distribución de probabilidades–, la que es Para ello se utiliza un modelo del tipo ARMA(2,1)𝑃𝐼𝐵𝑡 = 𝛼 + 𝛽𝑃𝐼𝐵𝑡−1 + 𝛾𝑃𝐼𝐵𝑡−2 + 𝛿𝜖𝑡−1 + 𝜖𝑡 , donde 𝜖 es un shock persistente en dos períodos. 16 75 simulada N veces y finalmente presentada en su valor esperado (media de la distribución), percentil 90 (escenario optimista) y una combinación de ambos, denominada “prudente” (percentil 90 para los primeros 5 años y de allí en adelante un crecimiento a igual tasa que el valor esperado). Este último escenario se justifica, según indican los mismos autores, por la necesidad de no subestimar las decisiones de inversión que deben tomarse en el presente y que son luego irrevocables (de allí que se use percentil 90 para los primeros 5 años), necesidad que hacia el largo plazo se diluye debido a la posibilidad de reevaluar el crecimiento efectivo de la demanda y las obras requeridas. La Figura A1.1 ejemplifica esta presentación de resultados para una serie proyectada desde el 2012: Figura A1.1: Metodología de previsión, Nueva Zelanda Real Esperado P90 Prudente 120 115 110 105 100 95 90 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Fuente: Elaboración propia En suma, la siguiente figura resume en términos generales la metodología expuesta, donde 𝑤1 , 𝑤2 , 𝑤3 y 𝑤4 son los ponderadores aplicados sobre cada uno de los modelos ensamblados. 76 Figura A1.2: Metodología de previsión, Nueva Zelanda Modelo econométrico Modelo tendencia PIB y población aleatorios Criterio Experto 𝑤2 Modelo MDE, Energy Outlook 𝑤3 𝑤4 𝑤1 Modelo ensamblado N simulaciones Valor esperado Percentil 90 Prudente Fuente: Elaboración propia Ahora bien, más allá de las previsiones de consumo hasta ahora caracterizadas, cabe resaltar de la metodología aplicada a demanda de punta lo siguiente: 1) Las proyecciones base son luego evaluadas en tres escenarios tecnológicos distintos. Estos son: 1) alto uso de bombas de calor (acondicionamiento del aire) a nivel residencial; 2) expansión del auto eléctrico; y 3) desmantelamiento anticipado de Tiwai (horno de fundición de aluminio que es por lejos el mayor demandante de punta en Nueva Zelanda). 2) A las proyecciones base se introducen posteriormente shocks de grandes clientes en distintas regiones del país, de modo de evaluar los requerimientos de la línea de transmisión en tales casos. Los shocks incluyen nueva demanda, reasignación entre regiones, entre otras cosas. En el corto plazo se utiliza la información disponible respecto de nuevas obras, asociándolas a demandas aleatorias con cierta distribución (p.ej. para Tiwai se utiliza una distribución uniforme con cota inferior en los 620 MW y percentil 90 en las proyecciones de la compañía). En el largo plazo, en cambio, se simulan shocks de distinto tamaño y frecuencia, como 3 nuevas cargas pequeñas al año (de 5MW cada 77 una) y un 25% de probabilidad de una carga grande, cuyo tamaño se distribuye lognormal con media de 50MW. COLOMBIA: PROYECCIÓN DE DEMANDA DE ENERGÍA ELÉCTRICA Y POTENCIA MÁXIMA, 2015 Este estudio del 2015 fue encomendado por el Ministerio de Minas y Energía de Colombia, Unidad de Planeación Minero Energética, para actualizar las proyecciones mensuales de demanda eléctrica y potencia máxima realizadas en noviembre de 2014 (actualizadas cada cuatro meses) con un horizonte de largo plazo, hasta el 2029. Dicha actualización se concentra mayoritariamente en la revisión de la coyuntura macroeconómica y la consecuente evaluación de las proyecciones de las variables utilizadas para la proyección, como PIB. Por lo mismo, parte importante del estudio está orientado a observar el comportamiento reciente del crecimiento económico, inflación, desempleo, tipo de cambio entre otras cosas. En cuanto a la metodología del estudio, ésta es la misma que en sus actualizaciones anteriores, y consiste, como en el caso de Nueva Zelanda, en un modelo ensamblado que pondera los resultados anuales de tres modelos distintos. Estos son: 1) Un modelo autorregresivo endógeno, en el que se utilizan rezagos del mismo consumo (ponderado en 20%) 2) Un modelo autorregresivo exógeno, que incluye como regresores la población, el PIB y la temperatura (ponderado en 60%) 3) Un modelo de corrección de errores, con variables como población y temperatura (ponderado en 20%) La ponderación de los modelos para su ensamblaje se realizó dando mayor peso a los que presentan mayores bondades en criterios de información, como Akaike y Schwartz. Además, el modelo final se evalúa en un escenario alto, uno medio y uno bajo. Estas proyecciones son realizadas para demanda eléctrica excluyendo a grandes consumidores, los que se tratan separadamente, considerando un análisis caso a caso y revisiones de las solicitudes pendientes de conexión al sistema de transmisión. Su demanda estimada es luego añadida al total proyectado por medio de los modelos econométricos. La mensualización de las proyecciones se lleva a cabo mediante el método de Denton, que estima por Mínimos Cuadrados Ordinarios una relación (correlación parcial) entre la variable de 78 frecuencia anual y otra de frecuencia mensual. Dicha relación es luego utilizada para desagregar la primera en frecuencia mensual, incorporando a ésta una variación estacional. Por último, un modelo MAED (Model for Analysis of Energy Demand) es ajustado paralelamente para realizar evaluaciones generales del mercado eléctrico hacia el 2050 considerando 5 escenarios: 1) escenario base, con crecimiento del PIB de 4,6% al 2030 y 3,5% en adelante; 2) Escenario tecnológico 1, caracterizado por mayor consumo de energías limpias (entre ellas electricidad) y eficiencia tecnológica; 3) Escenario tecnológico 3, de alto crecimiento en la ERNC (Energías Renovables No Convencionales) y penetración del auto eléctrico; 4) Escenario Mundo Eléctrico, en que el energético más usado es la electricidad, ya sea en transporte, calefacción, industria, etc.; y 5) Escenario Eficiencia Energética, en el que se cumplen metas de eficiencia de 30% de ahorro al 2050. El modelo econométrico final empleado para la proyección al 2030 tiene buen ajuste a los datos, y ha logrado predecir con cierta precisión el consumo de clientes regulados en sus versiones anteriores (ver figura de la página 53 en el estudio). En consumo libre éste ha tenido resultados algo peores en su actualización de julio 2014, probablemente producto de un quiebre estructural no predicho en la tendencia de crecimiento, pero nuevamente precisos en su actualización de noviembre 2014, una vez incorporado a la historia de datos este quiebre. La Figura A1.3 resume la metodología empleada por el estudio en mención. En el cuadro superior se sintetiza el modelo econométrico utilizado para las proyecciones hasta el 2030, mientras en el inferior, se sintetiza el modelo MAED empleado en las proyecciones al 2050. 79 Figura A1.3: Metodología de previsión, Colombia Modelo autorregresivo endógeno Modelo autorregresivo exógeno REVISIONES AL 2050 𝑤2 𝑤3 Modelo ensamblado Alto anual Medio anual Bajo anual Alto mensual Medio mensual Bajo mensual Consumo energético industrias Consumo energético residencial Crecimiento población … Consumo energético servicios N° habitantes por vivienda Método de Denton PROYECCIONES 2015-2030 𝑤1 Modelo de Corrección de Errores Consumo energético Tecnología transporte industrias Equipamiento hogares DATOS SUPUESTOS Política Crecimiento energética económico y de consumo Cambios tecnológicos Eficiencia energética Emisiones de carbono MAED calibrado Consumo de combustibles y electricidad Escenario base Cambios demográficos … Escenario tecnológico 1 Escenario tecnológico 2 Escenario mundo eléctrico Escenario eficiencia energética Fuente: Elaboración propia 80 EE.UU: NATIONAL ENERGY MODELLING SYSTEM, NEMS La Administración de Información de Energía (Energy Information Administration, EIA) de Estados Unidos ha elaborado este modelo, que actualiza anualmente en su Annual Energy Outlook, para evaluar los impactos energéticos económicos, medioambientales y de seguridad que tienen distintas políticas alternativas de gobierno, así como diferentes supuestos respecto del mercado eléctrico. El modelo es computacional de tipo híbrido, que combina proyecciones de orden econométrico con otras del tipo “uso-final”, como el MAED antes descrito. De esta forma reúne las bondades de ambas estructuras: con su parte econométrica consigue pronósticos confiables en algunas variables, así como validación para algunos de sus resultados, mientras que su parte de tipo “uso-final” agrega alta flexibilidad para la evaluación de cambios de tipo tecnológico, político, demográfico, de comportamiento de los usuarios, etc., que no serían capturados por un modelo exclusivamente econométrico. El NEMS arroja proyecciones anuales en un horizonte aproximado de 25 años al futuro para producción, importaciones, conversión de energía (a, por ejemplo, electricidad), consumo y precios. Para ello somete el modelo a restricciones de tipo macroeconómicas y financieras, así como a caracterizaciones de los mercados internacionales, disponibilidad de recursos y costos, comportamiento de los usuarios y decisiones tecnológicas, rendimiento de distintas tecnologías y demografía17 . El modelo busca capturar dinámicamente las interacciones entre oferta y demanda en los distintos mercados energéticos (petróleo, gas, electricidad, etc.), de modo de simular un equilibrio simultáneo en los mercados desde el cual obtener cantidades y precios para los distintos combustibles, así como para la electricidad. Para esto, desagrega la demanda en cuatro grandes sectores (residencial, comercial, industrial y transporte) y la oferta también en cuatro (oferta de petróleo y gas, transmisión y distribución de gas natural, carbón y combustibles renovables). A esto suma dos sectores de “conversión de la energía”, que son electricidad y conversión del petróleo. Cada sector de oferta, demanda y conversión constituye un “módulo” del modelo. Guiando las generalidades del modelo, un módulo de Actividad Macroeconómica y otro de Energía Internacional proyectan los drivers principales de los módulos de oferta, demanda y 17 EIA (2009). The National Energy Modeling Sys tem: An Over view 2009. 81 conversión. El primero aporta proyecciones de variables económicas, como crecimiento y empleo, tomando como dados los precios de los combustibles. El segundo, en cambio, toma el crecimiento como dado y en cambio estima las reacciones de los mercados internacionales a la oferta y demanda energética nacional, arrojando como resultado el nuevo equilibrio de mercado, esto es, cantidades y precio, junto con las importaciones a Estados Unidos. Finalmente, un módulo “integrador” extrae resultados de un módulo (por ejemplo, el precio del petróleo en Energía Internacional) y los introduce a modo de insumo en otro (por ejemplo, Producción de Petróleo en la oferta nacional), consiguiendo así, luego de algunas iteraciones, un equilibrio simultáneo en todos los mercados. El equilibrio es simulado de forma anual para todo el horizonte de proyección, a nivel nacional y regional, y estima además las emisiones de carbono resultantes del mismo. La Figura A1.4 ilustra la relación entre los módulos del modelo NEMS. Figura A1.4: Módulos del modelo NEMS Actividad Macroeconómica Energía Internacional Oferta de petróleo y gas Demanda residencial Transmisión y distribución de gas Demanda comercial Mercado del carbón Módulo Integrador Demanda de transportes Combustibles renovables Demanda industrial OFERTA DEMANDA Mercado eléctrico Mercado del petróleo CONVERSIÓN Fuente: Elaboración propia en base a EIA (2009) 82 REINO UNIDO: DTI ENERGY MODEL El antiguo “Departamento de Comercio e Industria” del Reino Unido (Department of Trade and Industry, DTI), elaboró un modelo econométrico de equilibrio parcial para sus proyecciones energéticas de combustibles y electricidad (modelo que pasó posteriormente a manos del Departamento de Energía y Cambio Climático). El modelo estima tanto oferta como demanda a través de un Modelo de Corrección de Errores basado en precios y actividad económica. Las estimaciones de demanda se realizan sobre 13 usuarios finales, los que son agregados a 4 sectores (residencial, servicios, transporte e industria). En cuanto a la oferta eléctrica, el modelo toma la capacidad dada en el corto plazo, de modo que la curva queda determinada por los precios de los combustibles, que alteran los costos variables de cada tecnología de generación. En el largo plazo, en cambio, se libera la capacidad instalada, proyectándose también ésta en base a costos de construcción y operación de las plantas, así como algunas restricciones exógenas (tales como lograr un cierto objetivo en emisiones de carbono). Los insumos del modelo son supuestos sobre precios, actividad económica y demografía. La Figura A1.5 sintetiza la metodología para el caso particular del mercado eléctrico. Figura A1.5: Modelo de proyección de electricidad, Reino Unido Actividad económica Precios Demografía EQUILIBRIO DE MERCADO DEMANDA Modelo Corrección de Errores Precio SUPUESTOS OFERTA 1) Capacidad de generación 2) Ordenamiento por mérito MWh Fuente: Elaboración propia 83 CHILE: ESTUDIO CNE 2014 El estudio encomendado por la Comisión Nacional de energía el año 2014, realizado por Mercados Energéticos Consultores, propone un modelo econométrico para proyectar demanda libre y regulada en los sistemas SIC y SING en lo que el mismo trabajo denomina “mediano plazo”, esto es desde el 2014 hasta el 2028. Adicionalmente, el estudio estima un cierto porcentaje de ahorro energético esperado para el largo plazo, esto en relación al “consumo tendencial”. Proyección de Mediano Plazo (2014-2028) Se estiman 19 modelos distintos en logaritmos, 17 de frecuencia anual, uno de frecuencia trimestral y uno de frecuencia mensual. Estos son modelos de tipo AR(1) (autorregresivo con un rezago), con uno o varios regresores adicionales, los que puede ser PIB agregado de las regiones del sistema, producto minero o manufacturero, población, precio de la electricidad o precio del cobre. El modelo más general que puede ser obtenido de esta estructura es el siguiente: 6 𝑙𝑛(𝐺𝐸𝑁𝑡 ) = 𝛼 + 𝛽 𝑙𝑛(𝐺𝐸𝑁𝑡−1 ) + ∑ 𝛾 𝑖 𝑙𝑛(𝑋𝑖,𝑡 ) + 𝜇𝑡 𝑖=1 Donde 𝑙𝑛(𝐺𝐸𝑁𝑡 ) es el logaritmo natural del total de generación en el sistema, ya sea SIC o SING, en el período 𝑡, 𝑙𝑛(𝐺𝐸𝑁𝑡−1 ) es el rezago de la misma variable, esto es, el componente AR(1) de la ecuación, 𝑙𝑛(𝑋𝑖,𝑡 ) es el regresor 𝑖 dentro de los 6 totales, también expresado en logaritmo natural, y finalmente 𝜇𝑡 es el residuo de la regresión. Dentro de los 19 modelos estimados, se escogen finalmente los que cumplen con las siguientes características: i) presentan buen ajuste, medido por el 𝑅2 − 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 de la regresión (superior a 0,97); ii) presentan bajos criterios de información (Akaike y Schwartz por bajo -4,9 para el SIC y 4,0 para el SING); iii) presentan coherencia en los signos de los coeficientes; y por último iv) no incluyen ningún precio entre sus regresores, ni del cobre ni de la electricidad (se excluyen debido al alto error de predicción que tienen las variables de precio en general). Como resultado de dicha metodología, se obtuvieron tres modelos anuales seleccionados en el SIC y uno en el SING, así como uno mensual y uno trimestral en cada sistema. Los modelos seleccionados, con los coeficientes estimados y el grado de significancia estadística de las variables, se muestran a continuación en la Tabla A1.1 para el SIC y en la A1.2 para el SING. 84 Tabla A1.1: Modelos seleccionados, SIC Anual Modelos constante ln(PIB) ln(población) ln(Producto Manuf) ln(Producto Minero) AR(1) R2 Adjusted Akaike Scwharz Trimestral mensual MINPOB -16.464** 1.11** 0.14** MINMAN -2.594*** 0.24*** 0.16** MINMANPOB -11.584 0.65 0.19** 0.16** TRIM -1.24*** 0.19*** - MEN 0.19*** 0.11*** - 0.66*** 0.74*** 0.63*** 0.83*** 0.90*** 0.997 -5.162 -4.964 0.998 -5.304 -5.107 0.998 -5.297 -5.050 0.996 -4.044 -3.900 0.997 -4.712 -4.546 *: significativa al 1%. , **: significativa al 5% , ***: significativa al 10% Fuente: Elaboración propia Tabla A1.2: Modelos seleccionados, SING Modelos constante TENDENCIA ln(población) ln(Producto Minero) AR(1) R2 Adjusted Akaike Scwharz ANUAL Trimestral Mensual MINPOB -43.23*** - MINPOB 1.24** 0.001* MENS 0.15** 0.001*** 3.34*** 0.42*** - - 0.09 0.84*** 0.80*** 0.997 -4.403 -4.204 0.991 -4.897 -4.689 0.986 -4.492 -4.249 *: significativa al 1%. , **: significativa al 5% , ***: significativa al 10% Fuente: Elaboración propia 1) Proyecciones base Los modelos seleccionados, arriba resumidos, dieron paso a proyecciones de consumo en base a las cuales se crean tres escenarios para cada sistema: uno alto, uno medio y uno bajo. En cada caso se toma uno de los modelos seleccionados (ya sea anual, trimestral o mensual) o un promedio de dos similares. La Figura A1.6 resume la metodología de proyección de mediano plazo 85 Figura A1.6: Ejemplo metodología Estudio CNE, proyección mediano plazo (2014-2028) Modelo Modelo Modelo 17 anual 8 anual 15 anual anual anual Modelo Modelo Modelo anual 11 anual Modelo 4 anual Modelo 16 anual Modelo anual 13 anual anual Modelo 3 anual 7 anual anual Modelo Modelo Modelo 10 anual 5 anual 9 anual anual Modelo 14 anual 12 anual anual anual anual Modelo 1 anual Modelo 2 anual Modelo trimestral anual Modelo 6 anual Modelo mensual Proyección base Alto (Modelo 2 anual) Medio (Promedio anual 10 y mensual) Bajo (Promedio anual 16 y trimestral) Fuente: Elaboración propia Ahorro energético al 2029 La metodología propuesta para proyectar demanda eléctrica en el largo plazo puede sintetizarse como sigue: 1) Elaboración de escenarios de ahorro energético En su segundo tomo, el estudio de Mercados Energéticos Consultores reconoce la importancia del desarrollo económico en la demanda energética. Entre otras cosas, menciona la posibilidad de una denominada “desmaterialización de las economías”, proceso en el cual el desarrollo se “desvincularía” del consumo eléctrico. Esto ocurriría, según indican los autores, por un cambio progresivo hacia tecnologías más eficientes, por un cambio de comportamiento en los usuarios, un aumento en las regulaciones que fuerzan estos cambios, así como también por probables giros en la sectorización de la economía, la que pasaría de concentrarse en industrias altamente demandantes de energía a otros sectores menos intensivos, tales como servicios. Adicionalmente, las economías pasarían a importar de países con leyes medioambientales más laxas. Para hacerse cargo de esto el estudio incorpora al modelo escenarios de posibles niveles de ahorro de electricidad. Para busca en experiencias internacionales, en particular de 86 México, Brasil, Holanda y Estados Unidos, magnitudes posibles de dicho ahorro para proyectar a futuro. En base a estas experiencias se crean 4 escenarios hacia el 2029, a los que se suman un escenario denominado “constante”, en que el consumo eléctrico disminuye siempre a la misma tasa, igual a la observada, y uno “Agenda”, en que se hacen efectivos los objetivos de la agenda energética del gobierno de la presidenta Michelle Bachelet, según la cual un ahorro de 12% sería logrado al año 2020. Tomando luego una probabilidad de ocurrencia de cada escenario estiman el ahorro esperado al 2029. La Figura A1.7 ilustra el procedimiento y los resultados. Figura A1.7: Estimación de ahorro esperado al 2029 Probabilidad de ocurrencia 11,9% (Constante) 5% 14% (Agenda) % de ahorro al 2029 Ahorro esperado 2029 (22,9%) 50% 21% (Emergente bajo) 8% 34,7% (Desarrollado bajo) 12% 35,2% (Emergente alto) 10% 41,7% (Desarrollado alto) 15% Consumo proyectado 2029 Fuente: Elaboración propia Finalmente, el estudio asume que a partir del año 2014 el nivel de ahorro aumenta linealmente, hasta alcanzar el 22,9% el 2029. La Tabla A1.3 muestra las tasas de ahorro. Tabla A1.3: Porcentaje estimado de ahorro anual 2014 2015 2016 2017 2018 2019 2020 2021 12.5% 13.2% 13.9% 14.6% 15.3% 16.0% 16.7% 17.3% 2022 2023 2024 2025 2026 2027 2028 2029 18.0% 18.7% 19.4% 20.1% 20.8% 21.5% 22.2% 22.9% Fuente: Elaboración propia 87 2) Proyección de consumo de largo plazo Para proyectar consumo eléctrico al 2044 se toma como base la proyección realizada para el año 2028, según la metodología de mediano plazo, y se hace esta crecer a una tasa constante anual. Para dicha tasa: 1) primero se estiman “ventas tendenciales” al 2025 de electricidad en caso de que ninguna política de ahorro energético sea implementada (Tabla 60 en el estudio); 2) a estas cifras se descuentan los porcentajes de ahorro esperado en cada año; 3) a las “ventas tendenciales” se suman estimaciones de “ventas extra-tendenciales”, que corresponden al consumo de grandes clientes proyectado en base a datos de Cochilco, así como a proyecciones entregadas por las mismas empresas ; y 4) finalmente, sobre la suma de las ventas tendenciales y extratendenciales, considerando ahorro energético, se calcula la tasa de crecimiento anual promedio (geométrico) de los años 2022-2025, la que es utilizada para hacer crecer la proyección 2028 hasta el 2044. 88 ANEXO 2: EFECTOS FIJOS Y EFECTOS ALEATORIOS Los modelos de Efectos Fijos y Efectos Aleatorios son atingentes en aquellos casos en que queremos modelar el comportamiento de un agente que responde, no sólo a algunas variables que se pueden medir, como ingreso, edad, país, etc., sino también a características no observables, o al menos no medibles, que son fundamentales para explicar las diferencias entre individuos. A modo de ejemplo, podemos decir que las preferencias de los consumidores por una marca de yogur dependerán del precio del mismo, de su ingreso, de algunos observables como si tiene o no fragmentos de fruta, entre otros, pero dependerá también de preferencias personales que harán a un individuo valorar más un yogur que otro, aunque ambos tengan las mismas características. Llamamos “efecto no-observable” al factor anterior, y para lidiar con él es frecuente utilizar uno de dos enfoques: 1) Efectos Fijos: asume que este efecto es constante a través del tiempo para cada individuo, pero distinto para todos ellos. Modela dicho efecto como un parámetro adicional en el modelo, de la forma: 𝑦𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝑐𝑖 + 𝑢𝑖𝑡 (𝐴2.1) En la ecuación, la variable a explicar es 𝑦𝑖𝑡 , que es medida para distinto individuos 𝑖 = 1, … , 𝑁 en distintos períodos 𝑡 = 1, … . 𝑇 . 𝑋𝑖𝑡 es la matriz de datos que mide aquellas características observables, 𝛼 y 𝛽 son los parámetros del modelo comunes a todas las observaciones, 𝑐𝑖 es el efecto fijo (que depende sólo de 𝑖 porque es constante en el tiempo) y 𝑢𝑖𝑡 es el residuo del modelo. Dado que a menudo la muestra incluye una gran cantidad 𝑁 de individuos, la estimación de (𝐴2.1) incluyendo variables binarias por individuo para estimar 𝑐𝑖 puede ser altamente ineficiente. Por lo mismo, es común recurrir al “Estimador de Efectos Fijos”, en el que se reescribe el modelo de la siguiente forma: 𝑦𝑖𝑡 − 𝑦̅𝑖 = 𝛽(𝑋𝑖𝑡 − 𝑋̅𝑖 ) + 𝜖𝑖𝑡 (𝐴2.2) Donde 𝑧̅𝑖 es el promedio de las observaciones de 𝑧𝑖𝑡 en el tiempo (un promedio por individuo), y 𝜖𝑖𝑡 es el nuevo residuo, que es igual a 𝑢𝑖𝑡 − 𝑢̅𝑖𝑡 . Este modelo se logra simplemente promediando (𝐴2.1) en el tiempo y sustrayendo el resultado sobre la misma ecuación. Ya que la constante 𝛼 y el efecto 𝑐𝑖 son constantes en el tiempo, su promedio es igual a sí mismos, por lo que al restar desaparecen del modelo. 89 Con este estimador es posible entonces obtener un 𝛽̂ consistente incluso cuando la cantidad de períodos de la muestra es pequeña. Para estimar los parámetros faltantes, 𝛼 y 𝑐𝑖 , se utilizan las diferencias entre los datos reales y los predichos, es decir, 𝑦𝑖𝑡 − 𝛽̂𝑋𝑖𝑡 = 𝛼 + 𝑐𝑖 + 𝑢𝑖𝑡 , esto considerando que 𝐸(𝑢𝑖𝑡 ) = 0 y 𝐸(𝑐𝑖 ) = 0 . En efecto, si tomamos el promedio como un buen estimador de la media, entonces podemos obtener 𝛼̂ = 1 𝑁𝑇 𝑇 ̂ ∑𝑁 ̂𝑖 = 𝑖=1 ∑𝑡=1(𝑦𝑖𝑡 − 𝛽 𝑋𝑖𝑡 ) y 𝑐 1 𝑇 ∑𝑇𝑡=1(𝑦𝑖𝑡 − 𝛽̂ 𝑋𝑖𝑡 ) − 𝛼̂. Para más información al respecto, revisar Wooldridge (2010). 2) Efectos Aleatorios: En este segundo modelo el efecto no observable se considera una variable aleatoria con una distribución de probabilidad dada. En ese caso no caracterizamos el efecto no observable como un parámetro, sino como un residuo del modelo, a la forma: 𝑦𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝜇𝑖𝑡 (𝐴2.3) Donde 𝜇𝑖𝑡 = 𝑢𝑖𝑡 + 𝑒𝑖 es ahora el residuo, siendo 𝑒𝑖 el efecto aleatorio. Estos residuos ya no serán independientes (no correlacionados), como en el clásico modelo de Mínimos Cuadrados Ordinarios, pues el componente 𝑒𝑖 hará correlacionar todos los residuos de observaciones correspondientes a un mismo individuo. Por ello, el estimador eficiente será el de Mínimos Cuadrados Generalizados, que adopta la forma corregida 𝛽̂ = (𝑋 ′ Ω−1 𝑋)−1 𝑋 ′ Ω−1 𝑌, donde Ω es la matriz de varianza y covarianza de los residuos correlacionados 𝜇𝑖𝑡 . En la práctica, dicha matriz se estima en una primera etapa, para luego proceder a estimar 𝛽 . Para ello es frecuente utilizar estimadores de la varianza de 𝑢𝑖𝑡 y de 𝑒𝑖 obtenidos mediante el Estimador de Efectos Fijos o algún otro, para luego construir con ellos la matriz Ω. El estimador anterior será eficiente pero no consistente, sin embargo, si el efecto no observado, 𝑒𝑖 , está correlacionado con los regresores 𝑋𝑖𝑡 . En ese caso la estimación de 𝛽 incluirá un sesgo de variable omitida, pues no sólo capturará el efecto de 𝑋𝑖𝑡 sobre 𝑦𝑖𝑡 , sino también parte del efecto de 𝑒𝑖 . Para más información al respecto, revisar Wooldridge (2010). 90 ANEXO 3: MODELO PANEL: OUTPUTS DE EVIEWS El anexo contiene las estimaciones del panel realizadas en Eviews, tal como arrojadas por este software. Tabla A3.1: Regresión de consumo total, modelo Efectos Fijos Dependent Variable: LOG(CONS_T/POB) Method: Panel Least Squares Sample: 1980 2013 Periods included: 34 Cross-sections included: 31 Total panel (unbalanced) observations: 915 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IN_R) LOG(IN_R)^2 LOG(PRE_IR) LOG(PRE_RR) -20.17495 2.855172 -0.108073 -0.153175 -0.401455 0.932980 0.189714 0.009446 0.025203 0.026377 -21.62420 15.04988 -11.44081 -6.077756 -15.21971 0.0000 0.0000 0.0000 0.0000 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.964765 0.963404 0.131237 15.15628 577.6540 708.6789 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -5.164368 0.686018 -1.186129 -1.001799 -1.115769 0.209929 Tabla A3.2: Regresión de consumo total, modelo Efectos Aleatorios Dependent Variable: LOG(CONS_T/POB) Method: Panel EGLS (Cross-section random effects) Sample: 1980 2013 Periods included: 34 Cross-sections included: 31 Total panel (unbalanced) observations: 915 Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. C LOG(IN_R) LOG(IN_R)^2 LOG(PRE_IR) LOG(PRE_RR) -20.17844 2.859866 -0.107978 -0.154752 -0.405704 0.931466 0.189165 0.009421 0.025111 0.026262 -21.66311 15.11840 -11.46151 -6.162686 -15.44847 0.0000 0.0000 0.0000 0.0000 0.0000 91 Effects Specification S.D. Cross-section random Idiosyncratic random 0.284458 0.131237 Rho 0.8245 0.1755 Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.727936 0.726740 0.131617 608.7009 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat -0.433496 0.254585 15.76399 0.204722 Unweighted Statistics R-squared Sum squared resid 0.766326 100.5144 Mean dependent var Durbin-Watson stat -5.164368 0.032107 Tabla A3.3: Regresión de consumo residencial, modelo Efectos Fijos Dependent Variable: LOG(CONS_R/POB) Method: Panel Least Squares Sample: 1980 2013 Periods included: 34 Cross-sections included: 31 Total panel (unbalanced) observations: 915 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IN_R) LOG(IN_R)^2 LOG(PRE_RR) LOG(PRE_IR) -25.43978 3.624127 -0.147457 -0.365881 -0.160642 1.182161 0.240383 0.011969 0.033422 0.031934 -21.51972 15.07647 -12.31975 -10.94725 -5.030473 0.0000 0.0000 0.0000 0.0000 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.959615 0.958055 0.166287 24.33332 361.0591 615.0143 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -6.556051 0.811932 -0.712698 -0.528367 -0.642338 0.179540 Tabla A3.4: Regresión de consumo industrial, modelo Efectos Fijos Dependent Variable: LOG(CONS_I/POB) 92 Method: Panel Least Squares Sample: 1980 2013 Periods included: 34 Cross-sections included: 31 Total panel (unbalanced) observations: 915 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IN_R) LOG(IN_R)^2 LOG(PRE_IR) LOG(PRE_RR) -21.03913 2.956330 -0.124327 -0.079437 -0.360500 1.000866 0.203518 0.010134 0.027036 0.028297 -21.02092 14.52613 -12.26875 -2.938144 -12.74006 0.0000 0.0000 0.0000 0.0034 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.956740 0.955068 0.140786 17.44215 513.3870 572.4128 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -6.130549 0.664175 -1.045655 -0.861324 -0.975295 0.215282 Tabla A3.5: Regresión de consumo comercial y fiscal, modelo Efectos Fijos Dependent Variable: LOG(CONS_O/POB) Method: Panel Least Squares Periods included: 34 Cross-sections included: 31 Total panel (unbalanced) observations: 915 Sample: 1980 2013 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IN_R) LOG(IN_R)^2 LOG(PRE_RR) LOG(PRE_IR) -19.44190 2.356638 -0.068863 -0.450286 -0.271068 1.302343 0.264821 0.013186 0.036820 0.035180 -14.92840 8.898985 -5.222438 -12.22941 -7.705106 0.0000 0.0000 0.0000 0.0000 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.940773 0.938485 0.183193 29.53240 272.4682 411.1209 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -6.230638 0.738613 -0.519056 -0.334726 -0.448696 0.250787 93 ANEXO 4: MODELO DE CORRECCIÓN DE ERRORES Econométricamente, un proceso de ajuste dinámico como el que sigue la demanda por energía puede ser estimado a través de un Modelo de Corrección de Errores. En este tipo de modelos el proceso de ajuste de la variable dependiente (en este caso la demanda por energía) es caracterizado por dos ecuaciones. La primera corresponde a una ecuación de largo plazo, que recoge la relación de largo plazo entre la demanda por energía y sus determinantes. Agrupando a los determinantes de largo plazo en un vector 𝑋𝑡 , donde el subíndice t indica el mes de que se trata, y denotando por 𝑦𝑡 el nivel de energía eléctrica demandada por el sector industrial, se postula entonces una relación de largo plazo entre ambas: 𝑦𝑡 = 𝛼 ′ 𝑋𝑡 + 𝜖𝑡 (𝐴4.1) Donde 𝛼 es un vector de parámetros de igual dimensión que 𝑋𝑡 , 𝜖𝑡 es un error aleatorio que se supone estacionario con respecto al tiempo (de no ser estacionario la relación (A4.1) es espuria en los niveles), y como es usual, todas las variables se expresan transformadas por el logaritmo natural. La relación (A4.1) se llama de largo plazo puesto que establece que en el largo plazo no puede haber diferencias relevantes y crecientes entre la variable 𝑦 y los determinantes de largo plazo resumidos en X. La ecuación (A4.1) se estima usualmente por Mínimos Cuadrados Ordinarios. Para efectos de realizar predicciones sin embargo, ésta no es suficiente puesto que típicamente el error 𝜖𝑡 contiene todavía información sistemática que puede ser explotada: se trata de un error estacionario pero no de una innovación, estadísticamente hablando. A efectos de derivar un modelo predictivo eficiente sobre la base de (A1.1), lo que se hace usualmente es complementar con un Modelo de Corrección de Errores18, el cual toma la forma: 𝑛 𝑚 Δ𝑦𝑡 = 𝑐 + ∑ Δ𝑋𝑡−𝑗 𝛽𝑗 + ∑ Δ𝑦𝑡−𝑖 𝛿𝑖 + 𝜏𝜖𝑡−1 + 𝜈𝑡 𝑗=0 18 (𝐴4.2) 𝑗=1 Para mas detalles ver Hamilton (1994). 94 La ecuación (A4.2) establece que los cambios porcentuales en la variable dependiente (notar que el cambio pequeño del logaritmo natural es aproximadamente un cambio porcentual 19), dependen de la secuencia de cambios pasados de los determinantes de largo plazo y de la variable dependiente, “más una corrección de errores” representada por el término 𝜏𝜖𝑡−1 . Si 𝜏 < 0 y es significativo, habrá cointegración entre 𝑦 y 𝑋, pues los “errores” o distancias de corto plazo respecto del largo plazo serán anuladas en una cantidad finita de períodos. A modo de ejemplo, 𝜏 < 0 implica que si en el período 𝑡 − 1 los determinantes en la ecuación de largo plazo sugerían un mayor nivel de demanda que el que efectivamente hubo, esto es 𝜖𝑡−1 < 0, generando un “error” de corto plazo distinto de 0, entonces en el período 𝑡 se producirá una aceleración de la demanda en dicha dirección (dada por 𝜏𝜖𝑡−1 > 0) que hará retornar la serie a su equilibrio de largo plazo. Se puede demostrar que el modelo dado por (A4.1) y (A4.2) es el modelo lineal dinámico más general posible entre la variable dependiente y los indicadores líderes. A partir de éste, luego, se retiran del modelo las variables que resultan ser no significativas, bajo un criterio estricto de significancia estadística (test mayor a 2,5). A modo de ventajas, hemos de mencionar que su notación en diferencias, más que en niveles, reduce considerablemente eventuales problemas de colinealidad que puedan existir entre regresores, pues aunque dos variables tengan igual tendencia (y sean por ello altamente colineales o “similares”), sus variaciones de período en período presentan seguramente una correlación menor. Finalmente, un modelo bien formulado debe arrojar un error 𝜈𝑡 que sea una innovación (la esperanza de dicho error, condicional a la información disponible anterior a 𝑡 es 0) y un valor de 𝜏 negativo y estadísticamente significativo, entre otras propiedades20. 19 Recordar, quienes se familiaricen con las matemáticas, que: 𝜕log(𝑋) 𝜕𝑥 1 dX 𝑥 X = , lo que implica que dlogX = , esto es, que una diferencia simple en logaritmos es equivalente a la diferencia porcentual en niveles de la misma variable. 20La capacidad predictiva del modelo (A4.1)-(A4.2) se mide por diversos indicadores, los que incluyen, dentro de los más comunes, el R 2 ajustado (con un valor de 1 para un ajuste “perfecto”), el estadístico de Akaike (mejor predicción cuanto más negativo sea), y el error estándar de la ecuación, entre otros. 95 ANEXO 5: MODELO DE CORRECCIÓN DE ERRORES 2: OUTPUTS DE EVIEWS En este anexo presentamos los outputs de Eviews para las ecuaciones de largo plazo resumidas en las Tablas 6-8 y sus respectivas ecuaciones de corto plazo, en caso de que el Durbin-Watson de la primera no permita concluir sobre cointegración. 1) TOTAL Tabla A5.1: Ecuación de largo plazo, modelo TOTAL Dependent Variable: LOG(TOTAL_Q/TOTAL_POB) Method: Least Squares Sample: 2005M01 2015M08 Included observations: 128 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA/TOTAL_POB) @SEAS(1) @SEAS(2) @SEAS(6) @SEAS(7) LOG(SING_CMG) @SEAS(3) @SEAS(5) @SEAS(8) @SEAS(10) DU1015*LOG(IMA) 2.310015 0.873276 0.082207 0.041501 0.043585 0.062931 -0.015872 0.027939 0.037974 0.057287 0.021896 -0.003545 0.355979 0.029284 0.005828 0.006416 0.005728 0.005720 0.002624 0.005621 0.005644 0.005687 0.005829 0.001142 6.489189 29.82137 14.10579 6.468739 7.608720 11.00145 -6.048035 4.970421 6.727697 10.07398 3.756236 -3.105453 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0024 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.960585 0.956847 0.016524 0.031673 349.8514 257.0024 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -8.211333 0.079545 -5.278929 -5.011551 -5.170292 0.797278 Tabla A5.2: Ecuación de corto plazo, modelo TOTAL Dependent Variable: DLOG(TOTAL_Q/TOTAL_POB) Method: Least Squares Sample (adjusted): 2006M03 2015M08 Included observations: 114 after adjustments Variable Coefficient Std. Error t-Statistic Prob. 96 C DLOG(TOTAL_Q(-1)/TOTAL_POB(-1)) DLOG(TOTAL_Q(-12)/TOTAL_POB(-12)) DLOG(IMA(-3)/TOTAL_POB(-3)) DLOG(IMA(-4)/TOTAL_POB(-4)) DLOG(IMA(-6)/TOTAL_POB(-6)) DLOG(IMA(-13)/TOTAL_POB(-13)) R_TOT(-1) 0.001845 -0.459749 0.505500 0.145418 -0.111603 -0.221588 0.338097 -0.365102 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.854548 0.844943 0.020308 0.043716 286.6162 88.96615 0.000000 0.001928 0.066423 0.060256 0.044120 0.043696 0.050123 0.059935 0.125683 0.956695 -6.921527 8.389229 3.295966 -2.554072 -4.420888 5.641062 -2.904930 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.3409 0.0000 0.0000 0.0013 0.0121 0.0000 0.0000 0.0045 0.002504 0.051573 -4.888003 -4.695989 -4.810075 1.971393 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. 2) SIC Tabla A5.3: Ecuación de largo plazo, modelo SIC Dependent Variable: LOG(SIC_Q/SIC_POB) Method: Least Squares Sample: 2005M01 2015M08 Included observations: 128 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA/SIC_POB) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) DU2 LOG(SIC_CMG) 8.185218 0.811635 0.088536 0.047442 0.053264 0.040288 0.043633 0.070765 0.057545 -0.109743 -0.012642 0.265374 0.021724 0.006732 0.007184 0.007037 0.006833 0.006742 0.006696 0.006662 0.021018 0.002938 30.84413 37.36106 13.15224 6.603716 7.569571 5.895796 6.472170 10.56854 8.638064 -5.221375 -4.303168 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.942048 0.937095 0.019985 0.046731 324.9601 190.1912 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -1.521717 0.079683 -4.905627 -4.660530 -4.806043 1.077265 97 Tabla A5.4: Ecuación de corto plazo, modelo SIC Dependent Variable: DLOG(SIC_Q/SIC_POB) Method: Least Squares Sample (adjusted): 2006M02 2015M08 Included observations: 115 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(SIC_Q(-1)/SIC_POB(-1)) DLOG(SIC_Q(-12)/SIC_POB(-12)) DLOG(IMA(-2)/SIC_POB(-2)) DLOG(IMA(-4)/SIC_POB(-4)) DLOG(IMA(-5)/SIC_POB(-5)) DLOG(IMA(-6)/SIC_POB(-6)) R_REGSIC(-1) 0.003615 -0.301498 0.477675 -0.199995 -0.321160 -0.181117 -0.390322 -0.284541 0.002501 0.053875 0.067871 0.056593 0.069153 0.057197 0.075045 0.102415 1.445503 -5.596214 7.038024 -3.533895 -4.644204 -3.166547 -5.201176 -2.778307 0.1512 0.0000 0.0000 0.0006 0.0000 0.0020 0.0000 0.0065 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.805692 0.792980 0.026076 0.072754 260.3446 63.38178 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.001543 0.057310 -4.388602 -4.197650 -4.311096 2.273928 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. 3) SING Tabla A5.5: Ecuación de largo plazo, modelo SING Dependent Variable: LOG(SING_Q/SING_POB) Method: Least Squares Sample: 2005M01 2015M08 Included observations: 128 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA/SING_POB) @SEAS(1) @SEAS(2) @SEAS(4) @SEAS(11) DU15 DU1503 5.932694 0.635661 0.018495 -0.036047 -0.021771 -0.025520 0.055805 -0.062461 0.337403 0.036495 0.008937 0.009463 0.008825 0.009241 0.011268 0.029487 17.58341 17.41761 2.069406 -3.809485 -2.467055 -2.761495 4.952584 -2.118260 0.0000 0.0000 0.0407 0.0002 0.0150 0.0067 0.0000 0.0362 R-squared Adjusted R-squared S.E. of regression 0.817062 0.806391 0.027466 Mean dependent var S.D. dependent var Akaike info criterion 0.051058 0.062422 -4.291240 98 Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.090529 282.6394 76.56593 0.000000 Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -4.112988 -4.218816 1.088579 Tabla A5.6: Ecuación de corto plazo, modelo SING Dependent Variable: DLOG(SING_Q/SING_POB) Method: Least Squares Sample (adjusted): 2006M03 2014M12 Included observations: 106 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(SING_Q(-1)/SING_POB(-1)) DLOG(SING_Q(-9)/SING_POB(-9)) DLOG(SING_Q(-10)/SING_POB(-10)) DLOG(SING_Q(-12)/SING_POB(-12)) DLOG(IMA/SING_POB) DLOG(IMA(-4)/SING_POB(-4)) DLOG(IMA(-13)/SING_POB(-13)) R_SING(-1) 0.000721 -0.218087 0.248035 0.214217 0.176731 0.633820 -0.173641 0.287672 -0.412532 0.002370 0.085313 0.055585 0.055912 0.069221 0.084096 0.048691 0.076408 0.098187 0.304109 -2.556317 4.462258 3.831316 2.553131 7.536859 -3.566169 3.764955 -4.201485 0.7617 0.0121 0.0000 0.0002 0.0122 0.0000 0.0006 0.0003 0.0001 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.809052 0.793303 0.024028 0.056002 249.5205 51.37389 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.002672 0.052850 -4.538123 -4.311982 -4.446467 2.021438 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. 4) SIC libre Tabla A5.7: Ecuación de largo plazo, modelo SIC libre Dependent Variable: LOG(SIC_QL/SIC_POB) Method: Least Squares Sample: 2005M01 2015M08 Included observations: 128 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA/SIC_POB) @SEAS(2) -0.337198 0.205656 -0.044618 0.730445 0.060881 0.012856 -0.461633 3.377988 -3.470596 0.6452 0.0010 0.0007 99 @SEAS(7) @SEAS(8) @SEAS(10) DU10*LOG(IMA/SIC_POB) DU2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.024796 0.037590 0.044885 -0.029903 -0.247842 0.968265 0.966414 0.036229 0.157505 247.1967 523.0442 0.000000 0.011730 0.011683 0.012141 0.000976 0.022906 2.113842 3.217473 3.696928 -30.64634 -10.82007 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0366 0.0017 0.0003 0.0000 0.0000 -2.602582 0.197686 -3.737449 -3.559197 -3.665024 1.409768 Tabla A5.8: Ecuación de corto plazo, modelo SIC libre Dependent Variable: DLOG(SIC_QL/SIC_POB) Method: Least Squares Sample (adjusted): 2005M04 2014M12 Included observations: 117 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(SIC_QL(-1)/SIC_POB(-1)) DLOG(SIC_QL(-2)/SIC_POB(-2)) DLOG(IMA) DLOG(IMA(-1)/SIC_POB(-1)) DLOG(IMA(-2)/SIC_POB(-2)) R_LIBSIC(-1) 0.002784 -0.298813 -0.253439 0.575182 0.267856 0.382487 -0.292208 0.004742 0.095364 0.096848 0.116717 0.114606 0.117931 0.140426 0.587227 -3.133386 -2.616875 4.927997 2.337192 3.243323 -2.080867 0.5583 0.0022 0.0101 0.0000 0.0212 0.0016 0.0398 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.368525 0.334081 0.049965 0.274616 188.1756 10.69923 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.003653 0.061229 -3.097019 -2.931761 -3.029926 2.051671 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. 5) SIC regulado Tabla A5.9: Ecuación de largo plazo, modelo SIC regulado Dependent Variable: LOG(SIC_QR/SIC_POB) Method: Least Squares Sample: 2005M01 2015M08 Included observations: 128 100 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA/SIC_POB) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) DU10*LOG(IMA/SIC_POB) @SEAS(4) LOG(SIC_CMG) 12.42091 1.191112 0.148092 0.129807 0.099094 0.074084 0.094116 0.111387 0.083121 0.016039 0.048863 -0.026330 0.551194 0.045543 0.009185 0.010524 0.008993 0.009167 0.009080 0.008996 0.008864 0.000673 0.009142 0.003906 22.53456 26.15382 16.12333 12.33473 11.01884 8.081514 10.36496 12.38159 9.377588 23.83958 5.344710 -6.741638 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.885305 0.874429 0.025524 0.075569 294.1990 81.39796 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -1.943911 0.072028 -4.409359 -4.141981 -4.300722 0.881244 Tabla A5.10: Ecuación de corto plazo, modelo SIC regulado Dependent Variable: DLOG(SIC_QR/SIC_POB) Method: Least Squares Sample (adjusted): 2006M02 2015M08 Included observations: 115 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(SIC_QR(-1)/SIC_POB(-1)) DLOG(SIC_QR(-12)/SIC_POB(-12)) DLOG(IMA(-2)/SIC_POB(-2)) DLOG(IMA(-4)/SIC_POB(-4)) DLOG(IMA(-5)/SIC_POB(-5)) DLOG(IMA(-6)/SIC_POB(-6)) R_REGSIC(-1) 0.003524 -0.328701 0.459463 -0.227715 -0.322270 -0.250649 -0.441847 -0.348471 0.003237 0.058188 0.072465 0.075108 0.092581 0.076175 0.097868 0.134166 1.088769 -5.648974 6.340479 -3.031849 -3.480969 -3.290448 -4.514733 -2.597307 0.2787 0.0000 0.0000 0.0030 0.0007 0.0014 0.0000 0.0107 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.753150 0.737001 0.033948 0.123315 230.0039 46.63745 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.000739 0.066197 -3.860937 -3.669985 -3.783431 2.263590 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. 101 6) SING libre Tabla A5.11: Ecuación de largo plazo, modelo SING libre Dependent Variable: LOG(SING_QL/SING_POB) Method: Least Squares Sample: 2005M01 2015M08 Included observations: 128 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA/SING_POB) @SEAS(2) @SEAS(4) @SEAS(11) DU DU15 DU1503 5.156412 0.564070 -0.045818 -0.024155 -0.023172 0.063773 0.061112 -0.073927 0.362118 0.039149 0.010142 0.009524 0.010008 0.030023 0.012191 0.032014 14.23960 14.40827 -4.517824 -2.536256 -2.315271 2.124127 5.012910 -2.309212 0.0000 0.0000 0.0000 0.0125 0.0223 0.0357 0.0000 0.0226 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.772220 0.758933 0.029851 0.106932 271.9816 58.11774 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -0.064786 0.060799 -4.124713 -3.946461 -4.052289 1.223476 Tabla A5.12: Ecuación de corto plazo, modelo SING libre Dependent Variable: DLOG(SING_QL/SING_POB) Method: Least Squares Sample (adjusted): 2006M03 2014M12 Included observations: 106 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(SING_QL(-1)/SING_POB(-1)) DLOG(SING_QL(-9)/SING_POB(-9)) DLOG(SING_QL(-10)/SING_POB(-10)) DLOG(SING_QL(-13)/SING_POB(-13)) DLOG(IMA/SING_POB) DLOG(IMA(-4)/SING_POB(-4)) DLOG(IMA(-13)/SING_POB(-13)) R_LIBSING(-1) 0.000665 -0.158424 0.253811 0.214837 -0.172146 0.737802 -0.213790 0.382198 -0.460739 0.002485 0.084549 0.053412 0.053653 0.076405 0.069476 0.049977 0.092530 0.095214 0.267521 -1.873765 4.751936 4.004208 -2.253067 10.61945 -4.277766 4.130529 -4.838998 0.7896 0.0640 0.0000 0.0001 0.0265 0.0000 0.0000 0.0001 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.805065 0.788988 0.025256 0.061872 244.2373 50.07521 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.002689 0.054980 -4.438440 -4.212299 -4.346784 1.978554 102 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. 7) SING regulado Tabla A5.13: Ecuación de largo plazo, modelo SING regulado Dependent Variable: LOG(SING_QR/SING_POB) Method: Least Squares Sample: 2009M01 2015M08 Included observations: 80 Variable Coefficient Std. Error t-Statistic Prob. C @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) @SEAS(10) LOG(IMA/SING_POB) 8.428609 0.066619 0.051221 0.048246 0.051081 0.062089 0.102271 0.072423 0.032984 1.148677 0.508477 0.012318 0.013438 0.012055 0.012105 0.012209 0.012210 0.012161 0.012820 0.055329 16.57619 5.408422 3.811780 4.002016 4.219804 5.085323 8.375889 5.955402 2.572931 20.76068 0.0000 0.0000 0.0003 0.0002 0.0001 0.0000 0.0000 0.0000 0.0122 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.885950 0.871286 0.028190 0.055627 177.3296 60.41837 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -2.112500 0.078574 -4.183239 -3.885486 -4.063861 1.131254 Tabla A5.14: Ecuación de corto plazo, modelo SING regulado Dependent Variable: DLOG(SING_QR/SING_POB) Method: Least Squares Sample (adjusted): 2009M02 2015M01 Included observations: 72 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(SING_QR(-1)/SING_POB(-1)) DLOG(SING_QR(-12)/SING_POB(-12)) DLOG(IMA(-2)/SING_POB(-2)) DLOG(IMA(-3)/SING_POB(-3)) DLOG(IMA(-4)/SING_POB(-4)) DLOG(IMA(-5)/SING_POB(-5)) DLOG(IMA(-6)/SING_POB(-6)) R_REGSING(-1) 0.003988 -0.315872 0.716709 -0.290109 -0.238374 -0.347281 -0.252856 -0.312051 -0.461150 0.002629 0.061469 0.078887 0.081564 0.076243 0.091592 0.074709 0.080164 0.113107 1.517364 -5.138721 9.085209 -3.556838 -3.126499 -3.791624 -3.384535 -3.892673 -4.077100 0.1342 0.0000 0.0000 0.0007 0.0027 0.0003 0.0012 0.0002 0.0001 R-squared 0.890314 Mean dependent var 0.002911 103 Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.876386 0.021241 0.028424 179.9748 63.92093 0.000000 S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.060414 -4.749300 -4.464717 -4.636007 1.937730 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. 8) Modelos regionales de consumo total (o libre, si corresponde) Tabla A5.15: Ecuación de largo plazo, modelo regiones 2 y 3 total Dependent Variable: LOG(Q23) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(3) @SEAS(4) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) 1.524839 0.766040 -0.063567 -0.106804 -0.063741 -0.066179 -0.060524 -0.038573 0.162132 0.034789 0.016193 0.016159 0.016161 0.016158 0.016159 0.016158 9.404921 22.01978 -3.925623 -6.609370 -3.944075 -4.095691 -3.745626 -2.387280 0.0000 0.0000 0.0001 0.0000 0.0001 0.0001 0.0003 0.0185 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.820017 0.809518 0.049387 0.292683 207.5403 78.10429 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.060620 0.113157 -3.117817 -2.939565 -3.045393 1.466061 Tabla A5.16: Ecuación de corto plazo, modelo regiones 2 y 3 total Dependent Variable: DLOG(Q23) Method: Least Squares Sample (adjusted): 2005M02 2014M12 Included observations: 119 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C 0.002326 0.004579 0.507919 0.6125 104 DLOG(IMA) R3(-1) 0.498931 -0.728835 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.441545 0.431916 0.049750 0.287108 189.7541 45.85795 0.000000 0.091463 0.097608 5.454990 -7.466971 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0000 0.0000 0.003426 0.066007 -3.138724 -3.068662 -3.110274 1.938125 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.17: Ecuación de largo plazo, modelo región 4 total Dependent Variable: LOG(Q4) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(4) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) @SEAS(9) -1.019486 1.208667 0.129529 0.117447 -0.043278 -0.045783 -0.073227 -0.040050 -0.050542 -0.047197 0.117789 0.025040 0.011754 0.012024 0.011654 0.011649 0.011678 0.011681 0.011664 0.012166 -8.655210 48.26927 11.02015 9.767541 -3.713511 -3.930048 -6.270453 -3.428643 -4.333223 -3.879253 0.0000 0.0000 0.0000 0.0000 0.0003 0.0001 0.0000 0.0008 0.0000 0.0002 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.957717 0.954492 0.034224 0.138208 255.5614 296.9666 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 4.609268 0.160428 -3.836896 -3.614082 -3.746366 0.697531 Tabla A5.18: Ecuación de corto plazo, modelo región 4 total Dependent Variable: DLOG(Q4) Method: Least Squares Sample (adjusted): 2006M02 2014M12 Included observations: 107 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C -0.000252 0.002921 -0.086421 0.9313 105 DLOG(Q4(-5)) DLOG(Q4(-6)) DLOG(Q4(-7)) DLOG(Q4(-12)) DLOG(IMA) DLOG(IMA(-2)) DLOG(IMA(-7)) DLOG(IMA(-8)) DLOG(IMA(-9)) DLOG(IMA(-10)) R4(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) -0.159581 -0.246400 -0.253709 0.298094 0.507267 0.182227 0.427250 0.284292 0.329668 0.501599 -0.403996 0.795794 0.772149 0.028152 0.075289 236.5435 33.65597 0.000000 0.059488 0.074603 0.074320 0.082882 0.104299 0.079842 0.099821 0.084475 0.093092 0.096790 0.092482 -2.682549 -3.302836 -3.413738 3.596590 4.863608 2.282357 4.280168 3.365412 3.541322 5.182348 -4.368389 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0086 0.0014 0.0009 0.0005 0.0000 0.0247 0.0000 0.0011 0.0006 0.0000 0.0000 0.003280 0.058976 -4.197074 -3.897317 -4.075557 2.237402 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.19: Ecuación de largo plazo, modelo región 5 total Dependent Variable: LOG(Q5) Method: Least Squares Sample (adjusted): 2009M08 2015M08 Included observations: 73 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(7) 1.312026 0.973178 0.127085 0.115037 0.045329 0.043522 0.210991 0.044361 0.012915 0.013416 0.012918 0.012873 6.218408 21.93760 9.839911 8.574900 3.508852 3.380735 0.0000 0.0000 0.0000 0.0000 0.0008 0.0012 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.894887 0.887043 0.029757 0.059326 156.1212 114.0824 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.959653 0.088538 -4.112911 -3.924654 -4.037887 0.812351 Tabla A5.20: Ecuación de corto plazo, modelo región 5 total Dependent Variable: DLOG(Q5) Method: Least Squares Sample (adjusted): 2009M09 2015M08 106 Included observations: 72 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(Q5(-1)) DLOG(IMA(-6)) DLOG(IMA(-11)) R5(-1) 0.008087 -0.304570 -0.373006 -0.455868 -0.238463 0.003721 0.074709 0.076439 0.075359 0.136058 2.173203 -4.076723 -4.879765 -6.049262 -1.752660 0.0333 0.0001 0.0000 0.0000 0.0842 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.645670 0.624516 0.031338 0.065797 149.7590 30.52234 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.004217 0.051141 -4.021084 -3.862982 -3.958143 1.575521 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.21: Ecuación de largo plazo, modelo región 6 total Dependent Variable: LOG(Q6) Method: Least Squares Sample: 2005M01 2015M08 Included observations: 128 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(4) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(9) @SEAS(10) -2.579692 1.663384 0.203104 0.268621 0.165317 0.054441 0.043856 0.032828 0.056775 -0.065070 -0.034751 0.145930 0.031038 0.015077 0.015388 0.014937 0.014967 0.014962 0.014992 0.014996 0.015577 0.015484 -17.67762 53.59265 13.47110 17.45623 11.06769 3.637466 2.931217 2.189641 3.786099 -4.177196 -2.244337 0.0000 0.0000 0.0000 0.0000 0.0000 0.0004 0.0041 0.0305 0.0002 0.0001 0.0267 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.965407 0.962450 0.042556 0.211887 228.2147 326.5176 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.235541 0.219612 -3.393980 -3.148884 -3.294396 0.730669 107 Tabla A5.22: Ecuación de corto plazo, modelo región 6 total Dependent Variable: DLOG(Q6) Method: Least Squares Sample (adjusted): 2005M08 2014M12 Included observations: 113 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(Q6(-6)) DLOG(IMA) DLOG(IMA(-2)) DLOG(IMA(-3)) R6(-1) 0.003176 -0.417337 0.511001 0.544023 0.583571 -0.355804 0.005256 0.071799 0.123819 0.114881 0.109763 0.123473 0.604174 -5.812597 4.127014 4.735543 5.316645 -2.881641 0.5470 0.0000 0.0001 0.0000 0.0000 0.0048 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.581710 0.562164 0.054731 0.320512 171.0452 29.76069 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.006352 0.082713 -2.921153 -2.776336 -2.862388 2.214944 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.23: Ecuación de largo plazo, modelo región 7 total Dependent Variable: LOG(Q7) Method: Least Squares Sample: 2005M01 2014M12 Included observations: 120 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(4) @SEAS(8) @SEAS(9) @SEAS(10) @SEAS(11) DU0508 -0.036464 1.105420 0.127024 0.169499 0.125106 0.041500 -0.048141 -0.131059 -0.097291 -0.077951 -0.284649 0.167465 0.035863 0.016214 0.016551 0.016087 0.016101 0.016787 0.016116 0.016095 0.016109 0.048421 -0.217744 30.82381 7.834041 10.24107 7.776764 2.577422 -2.867834 -8.132292 -6.044822 -4.839006 -5.878565 0.8280 0.0000 0.0000 0.0000 0.0000 0.0113 0.0050 0.0000 0.0000 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic 0.926873 0.920164 0.045500 0.225653 206.3022 138.1558 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.109729 0.161031 -3.255037 -2.999517 -3.151269 0.999462 108 Prob(F-statistic) 0.000000 Tabla A5.24: Ecuación de corto plazo, modelo región 7 total Dependent Variable: DLOG(Q7) Method: Least Squares Sample (adjusted): 2005M08 2014M12 Included observations: 113 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(Q7(-6)) DLOG(IMA) DLOG(IMA(-1)) DLOG(IMA(-2)) DLOG(IMA(-3)) DLOG(IMA(-4)) R7(-1) -0.008868 -0.289084 1.088574 0.681210 1.099926 1.074459 0.575016 -0.419813 0.005939 0.072301 0.146777 0.159339 0.178169 0.158608 0.144777 0.127196 -1.493346 -3.998326 7.416519 4.275225 6.173483 6.774318 3.971736 -3.300523 0.1383 0.0001 0.0000 0.0000 0.0000 0.0000 0.0001 0.0013 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.554026 0.524294 0.059005 0.365567 163.6137 18.63423 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.005321 0.085550 -2.754224 -2.561135 -2.675870 1.902486 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.25: Ecuación de largo plazo, modelo región 8 libre Dependent Variable: LOG(QL8) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(7) @SEAS(8) @SEAS(9) @SEAS(10) @SEAS(11) DU3 @TREND @TREND^2 -4.022158 2.139844 0.185853 0.187339 0.157306 0.170275 0.142476 0.135440 0.104293 -1.563656 -0.009168 9.24E-06 1.135639 0.253331 0.028196 0.036898 0.027659 0.027233 0.028691 0.026152 0.026074 0.077260 0.001218 7.94E-06 -3.541757 8.446828 6.591552 5.077168 5.687380 6.252537 4.965832 5.178972 3.999929 -20.23896 -7.526644 1.164322 0.0006 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000 0.2467 109 DU1314 @SEAS(6) -0.197917 0.081814 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.894922 0.882939 0.073944 0.623316 159.1587 74.68511 0.000000 0.033833 0.027215 -5.849768 3.006193 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0000 0.0033 5.453676 0.216120 -2.268105 -1.956164 -2.141362 1.018928 Tabla A5.26: Ecuación de corto plazo, modelo región 8 libre Dependent Variable: DLOG(QL8) Method: Least Squares Sample (adjusted): 2005M04 2015M08 Included observations: 125 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QL8(-1)) DLOG(IMA(-1)) DLOG(IMA(-2)) R8L(-1) -0.008477 -0.392470 0.813317 0.687430 -0.595118 0.016231 0.083806 0.337361 0.339139 0.233329 -0.522270 -4.683072 2.410820 2.026987 -2.550556 0.6024 0.0000 0.0174 0.0449 0.0120 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.204516 0.178000 0.180148 3.894414 39.43084 7.712893 0.000014 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -0.002261 0.198698 -0.550893 -0.437761 -0.504934 2.083233 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.27: Ecuación de largo plazo, modelo región 9 total Dependent Variable: LOG(Q9) Method: Least Squares Sample: 2005M01 2013M11 Included observations: 107 Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) LOG(PER9) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(4) -0.359916 1.048006 -0.039593 0.113239 0.110189 0.062533 0.060104 0.142429 0.038395 0.013584 0.011884 0.012485 0.011594 0.011650 -2.526977 27.29568 -2.914776 9.528870 8.825880 5.393593 5.158988 0.0132 0.0000 0.0044 0.0000 0.0000 0.0000 0.0000 110 @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) @SEAS(9) @SEAS(10) 0.117757 0.136652 0.175666 0.154891 0.067830 0.063451 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.944967 0.937942 0.028004 0.073716 237.6728 134.5060 0.000000 0.011640 0.011744 0.011760 0.011699 0.011728 0.011585 10.11669 11.63602 14.93698 13.23981 5.783520 5.476968 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 4.409053 0.112413 -4.199492 -3.874756 -4.067849 0.608276 Tabla A5.28: Ecuación de corto plazo, modelo región 9 total Dependent Variable: DLOG(Q9) Method: Least Squares Sample (adjusted): 2006M02 2013M12 Included observations: 95 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(Q9(-5)) DLOG(Q9(-12)) DLOG(IMA) DLOG(IMA(-4)) DLOG(IMA(-5)) DLOG(IMA(-7)) DLOG(IMA(-8)) DLOG(IMA(-9)) DLOG(IMA(-10)) R9(-1) -0.005565 -0.207434 0.349699 0.454200 -0.193186 0.143569 0.567608 0.507981 0.451985 0.554448 -0.321414 0.002459 0.079455 0.082585 0.075778 0.063560 0.057916 0.088120 0.079899 0.074138 0.081253 0.085331 -2.262802 -2.610704 4.234427 5.993819 -3.039438 2.478937 6.441338 6.357825 6.096533 6.823727 -3.766667 0.0262 0.0107 0.0001 0.0000 0.0032 0.0152 0.0000 0.0000 0.0000 0.0000 0.0003 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.851610 0.833945 0.022258 0.041614 232.5279 48.20766 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.003379 0.054620 -4.663745 -4.368033 -4.544255 1.976026 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.29: Ecuación de largo plazo, modelo región 10 libre Dependent Variable: LOG(QL10) Method: Least Squares Date: 10/27/15 Time: 12:15 111 Sample (adjusted): 2008M01 2015M08 Included observations: 92 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C @SEAS(2) 1.684600 -0.114341 0.010319 0.034995 163.2446 -3.267335 0.0000 0.0015 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.106039 0.096106 0.094580 0.805078 87.43347 10.67548 0.001538 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 1.674658 0.099481 -1.857249 -1.802428 -1.835123 1.917226 No se presenta ecuación de corto plazo, por indicar el Durbin-Watson cointegración. Tabla A5.30: Ecuación de largo plazo, modelo región 13 total Dependent Variable: LOG(Q13) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) LOG(CMG13) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) 3.142301 0.906436 -0.038906 0.093104 0.041399 0.060905 0.054348 0.078088 0.110624 0.092734 0.137947 0.031754 0.005597 0.012814 0.013423 0.012958 0.013035 0.012836 0.012755 0.012715 22.77906 28.54581 -6.951246 7.266096 3.084209 4.700116 4.169319 6.083441 8.673158 7.293208 0.0000 0.0000 0.0000 0.0000 0.0025 0.0000 0.0001 0.0000 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.895748 0.887796 0.038198 0.172174 241.4978 112.6521 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 7.227069 0.114035 -3.617154 -3.394339 -3.526623 0.632652 Tabla A5.31: Ecuación de corto plazo, modelo región 13 total Dependent Variable: DLOG(Q13) Method: Least Squares Sample (adjusted): 2006M02 2015M08 Included observations: 115 after adjustments Variable Coefficient Std. Error t-Statistic Prob. 112 C DLOG(Q13(-1)) DLOG(Q13(-12)) DLOG(IMA) DLOG(IMA(-2)) DLOG(IMA(-4)) DLOG(IMA(-5)) DLOG(IMA(-6)) DLOG(IMA(-11)) DLOG(IMA(-12)) R13(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.005711 -0.167768 0.501455 0.917697 -0.214441 -0.269456 -0.199772 -0.395618 -0.195066 -0.845425 -0.236708 0.871940 0.859627 0.025938 0.069971 262.5866 70.81201 0.000000 0.002638 0.059687 0.077754 0.157579 0.067036 0.072231 0.061135 0.081348 0.067732 0.151194 0.070988 2.164966 -2.810822 6.449274 5.823745 -3.198872 -3.730452 -3.267720 -4.863276 -2.879981 -5.591647 -3.334465 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0327 0.0059 0.0000 0.0000 0.0018 0.0003 0.0015 0.0000 0.0048 0.0000 0.0012 0.002438 0.069231 -4.375419 -4.112860 -4.268847 1.960989 Tabla A5.32: Ecuación de largo plazo, modelo región 13 libre Dependent Variable: LOG(QL13) Method: Least Squares Sample (adjusted): 2005M01 2014M12 Included observations: 120 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DU1014 5.008579 1.007834 0.019581 0.028664 255.7853 35.16038 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.912867 0.912129 0.156649 2.895607 53.18519 1236.252 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.478901 0.528452 -0.853086 -0.806628 -0.834220 0.792448 Tabla A5.33: Ecuación de corto plazo, modelo región 13 libre Dependent Variable: DLOG(QL13) Method: Least Squares Sample (adjusted): 2005M06 2015M08 Included observations: 123 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QL13(-4)) R13L(-1) 0.006220 0.265113 -0.283812 0.012126 0.086710 0.080541 0.512974 3.057483 -3.523803 0.6089 0.0028 0.0006 113 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.133037 0.118587 0.134204 2.161273 74.02201 9.207095 0.000191 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.008627 0.142947 -1.154829 -1.086240 -1.126968 2.233551 9) Modelos regionales de consumo regulado Tabla A5.34: Ecuación de largo plazo, modelo región 2-3 regulados Dependent Variable: LOG(Q23R) Method: Least Squares Sample (adjusted): 2010M05 2015M08 Included observations: 64 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(3) @SEAS(4) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) @SEAS(9) -0.619464 0.990446 -0.085628 -0.224502 -0.197582 -0.190441 -0.144847 -0.149349 -0.127804 0.407080 0.085265 0.022077 0.021833 0.020264 0.020360 0.020349 0.020295 0.022093 -1.521726 11.61612 -3.878598 -10.28252 -9.750242 -9.353736 -7.118246 -7.358895 -5.784749 0.1338 0.0000 0.0003 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.883192 0.866202 0.044529 0.109057 113.1806 51.98219 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 4.003434 0.121736 -3.255645 -2.952052 -3.136044 0.883264 Tabla A5.35: Ecuación de corto plazo, modelo región 2-3 regulados Dependent Variable: DLOG(Q23R) Method: Least Squares Sample (adjusted): 2010M06 2014M12 Included observations: 55 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(Q23R(-6)) DLOG(Q23R(-8)) DLOG(Q23R(-13)) DLOG(IMA) 0.008517 -0.251159 -0.349648 0.196040 1.030877 0.003828 0.059911 0.066757 0.070248 0.104280 2.225126 -4.192220 -5.237668 2.790684 9.885677 0.0314 0.0001 0.0000 0.0078 0.0000 114 DLOG(IMA(-1)) DLOG(IMA(-3)) DLOG(IMA(-4)) DLOG(IMA(-5)) DLOG(IMA(-8)) DLOG(IMA(-10)) R23R(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) -0.518805 -0.586574 -0.513306 -0.841713 0.483359 0.853230 -0.410146 0.906472 0.882546 0.025442 0.027833 130.6519 37.88676 0.000000 0.143132 0.130014 0.082195 0.103270 0.136461 0.131058 0.149221 -3.624651 -4.511636 -6.244952 -8.150625 3.542104 6.510343 -2.748584 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0008 0.0000 0.0000 0.0000 0.0010 0.0000 0.0087 0.009642 0.074236 -4.314616 -3.876652 -4.145251 1.898493 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.36: Ecuación de largo plazo, modelo región 4 regulados Dependent Variable: LOG(QR4) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(4) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) @SEAS(9) @SEAS(10) -1.011317 1.171124 0.143054 0.131949 -0.039027 -0.054753 -0.083464 -0.051800 -0.065146 -0.070624 -0.021033 0.117163 0.024866 0.012063 0.012340 0.011956 0.011951 0.011983 0.011986 0.011967 0.012456 0.012360 -8.631702 47.09729 11.85884 10.69318 -3.264214 -4.581576 -6.965511 -4.321786 -5.443863 -5.669898 -1.701739 0.0000 0.0000 0.0000 0.0000 0.0014 0.0000 0.0000 0.0000 0.0000 0.0000 0.0915 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.958108 0.954528 0.033941 0.134783 257.1677 267.5901 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 4.437856 0.159166 -3.846370 -3.601274 -3.746786 0.658434 115 Tabla A5.37: Ecuación de corto plazo, modelo región 4 regulados Dependent Variable: DLOG(QR4) Method: Least Squares Sample (adjusted): 2005M08 2014M12 Included observations: 113 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QR4(-2)) DLOG(QR4(-4)) DLOG(QR4(-6)) DLOG(IMA) DLOG(IMA(-1)) DLOG(IMA(-5)) R4R(-1) 0.004867 0.321066 -0.247902 -0.502844 0.265344 0.278453 -0.317996 -0.309306 0.003743 0.083767 0.077110 0.086026 0.081729 0.087113 0.083522 0.123303 1.300495 3.832855 -3.214900 -5.845279 3.246621 3.196459 -3.807316 -2.508506 0.1963 0.0002 0.0017 0.0000 0.0016 0.0018 0.0002 0.0137 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.610093 0.584099 0.038794 0.158019 211.0023 23.47070 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.005416 0.060154 -3.592961 -3.399872 -3.514607 2.784970 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.38: Ecuación de largo plazo, modelo región 5 regulados Dependent Variable: LOG(QR5) Method: Least Squares Sample (adjusted): 2009M09 2015M08 Included observations: 72 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) LOG(CMG5) @SEAS(1) @SEAS(2) @SEAS(4) @SEAS(8) @SEAS(9) @SEAS(10) 1.083195 0.962289 -0.014795 0.147828 0.126008 -0.025756 -0.015274 -0.057022 -0.021333 0.245804 0.048845 0.011024 0.013758 0.014431 0.013645 0.013606 0.014439 0.014027 4.406748 19.70092 -1.342098 10.74468 8.731998 -1.887545 -1.122517 -3.949085 -1.520873 0.0000 0.0000 0.1844 0.0000 0.0000 0.0637 0.2659 0.0002 0.1333 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.902510 0.890130 0.030787 0.059712 153.2522 72.90243 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.593729 0.092880 -4.007005 -3.722422 -3.893712 1.314022 116 Tabla A5.39: Ecuación de corto plazo, modelo región 5 regulados Dependent Variable: DLOG(QR5) Method: Least Squares Sample (adjusted): 2009M10 2015M08 Included observations: 71 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QR5(-5)) DLOG(QR5(-7)) DLOG(QR5(-12)) DLOG(IMA) DLOG(IMA(-2)) DLOG(IMA(-3)) DLOG(IMA(-6)) DLOG(IMA(-8)) DLOG(IMA(-9)) DLOG(IMA(-11)) DLOG(IMA(-12)) R5R(-1) 0.006871 -0.179713 -0.122098 0.149529 0.743297 0.342214 0.250377 -0.442479 -0.267282 -0.419580 -0.637159 -0.443755 -0.396653 0.002443 0.032945 0.035668 0.032114 0.138564 0.065303 0.061180 0.062668 0.055394 0.064286 0.063347 0.140102 0.120051 2.812774 -5.454868 -3.423175 4.656256 5.364269 5.240386 4.092453 -7.060730 -4.825105 -6.526746 -10.05817 -3.167361 -3.304031 0.0067 0.0000 0.0011 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000 0.0000 0.0000 0.0025 0.0016 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.910025 0.891410 0.019825 0.022796 184.8114 48.88542 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.003646 0.060162 -4.839756 -4.425463 -4.675005 2.319677 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.40: Ecuación de largo plazo, modelo región 6 regulados Dependent Variable: LOG(QR6) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(8) @SEAS(9) @SEAS(10) @SEAS(11) -0.579477 1.195712 0.157811 0.199103 0.160717 -0.042252 -0.142344 -0.103690 -0.065695 0.161232 0.034467 0.015799 0.016082 0.015728 0.015730 0.016408 0.016362 0.016369 -3.594046 34.69155 9.988869 12.38047 10.21847 -2.686153 -8.675305 -6.337132 -4.013359 0.0005 0.0000 0.0000 0.0000 0.0000 0.0083 0.0000 0.0000 0.0001 117 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.933182 0.928691 0.047525 0.268775 212.9941 207.7461 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.009594 0.177970 -3.187408 -2.986875 -3.105930 0.626027 Tabla A5.41: Ecuación de corto plazo, modelo región 6 regulados Dependent Variable: DLOG(QR6) Method: Least Squares Date: 11/09/15 Time: 16:36 Sample (adjusted): 2005M08 2014M12 Included observations: 113 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QR6(-6)) DLOG(IMA) DLOG(IMA(-1)) DLOG(IMA(-2)) DLOG(IMA(-3)) DLOG(IMA(-5)) DLOG(IMA(-6)) R6R(-1) -0.000208 -0.413022 0.703080 0.457858 0.774508 0.867715 -0.311072 -0.548899 -0.280708 0.004756 0.066313 0.114722 0.121296 0.118128 0.116094 0.105188 0.100789 0.099212 -0.043631 -6.228343 6.128543 3.774710 6.556534 7.474249 -2.957289 -5.446007 -2.829379 0.9653 0.0000 0.0000 0.0003 0.0000 0.0000 0.0038 0.0000 0.0056 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.729514 0.708707 0.048205 0.241662 186.9995 35.06157 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.005386 0.089315 -3.150434 -2.933208 -3.062286 2.019957 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.42: Ecuación de largo plazo, modelo región 7 regulados Dependent Variable: LOG(QR7) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(4) -0.799782 1.205336 0.148124 0.220325 0.177041 0.072966 0.213709 0.045650 0.021336 0.021950 0.021515 0.021507 -3.742391 26.40368 6.942390 10.03779 8.228766 3.392722 0.0003 0.0000 0.0000 0.0000 0.0000 0.0009 118 @SEAS(8) @SEAS(9) @SEAS(10) @SEAS(11) DU2 -0.066689 -0.168531 -0.134971 -0.089315 -0.348301 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.904759 0.896619 0.062813 0.461624 178.3781 111.1464 0.000000 0.021239 0.022122 0.022053 0.022059 0.038101 -3.140002 -7.618123 -6.120341 -4.048852 -9.141565 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0021 0.0000 0.0000 0.0001 0.0000 4.826205 0.195358 -2.615283 -2.370187 -2.515700 0.921556 Tabla A5.43: Ecuación de corto plazo, modelo región 7 regulados Dependent Variable: DLOG(QR7) Method: Least Squares Sample (adjusted): 2005M04 2014M12 Included observations: 117 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QR7(-1)) DLOG(IMA) DLOG(IMA(-2)) R7R(-1) -0.006982 0.438955 1.461675 0.673965 -0.455651 0.008031 0.092035 0.189499 0.176033 0.139886 -0.869362 4.769455 7.713350 3.828635 -3.257307 0.3865 0.0000 0.0000 0.0002 0.0015 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.365158 0.342485 0.085503 0.818799 124.2665 16.10546 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.003393 0.105445 -2.038743 -1.920702 -1.990820 1.871093 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.44: Ecuación de largo plazo, modelo región 8 regulados Dependent Variable: LOG(QR8) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) @SEAS(3) @SEAS(4) 3.617150 0.395637 0.066452 0.022212 0.300040 0.066539 0.011539 0.010993 12.05555 5.945980 5.758948 2.020673 0.0000 0.0000 0.0000 0.0456 119 @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) DU1014 DU2 DU3 DU1014*@TREND @TREND^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.076090 0.085159 0.110145 0.077989 -0.565998 -0.256212 -0.281003 0.005616 -8.18E-06 0.909579 0.900144 0.033034 0.125493 261.7383 96.40237 0.000000 0.010821 0.010876 0.010906 0.010875 0.047643 0.026534 0.042155 0.000794 4.47E-06 7.031896 7.830153 10.09997 7.171313 -11.87995 -9.656176 -6.665906 7.070251 -1.829234 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0700 5.431454 0.104538 -3.886535 -3.596876 -3.768845 1.523057 Tabla A5.45: Ecuación de corto plazo, modelo región 8 regulados Dependent Variable: DLOG(QR8) Method: Least Squares Sample (adjusted): 2005M08 2015M08 Included observations: 121 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(IMA(-4)) DLOG(IMA(-6)) R8R(-1) 0.004525 -0.411457 -0.629289 -0.478565 0.005616 0.117600 0.116765 0.176930 0.805582 -3.498795 -5.389368 -2.704826 0.4221 0.0007 0.0000 0.0079 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.274515 0.255913 0.061474 0.442155 167.8275 14.75716 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.001234 0.071266 -2.707892 -2.615469 -2.670356 2.065053 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.46: Ecuación de largo plazo, modelo región 9 regulados Dependent Variable: LOG(QR9) Method: Least Squares Sample (adjusted): 2005M01 2015M08 Included observations: 128 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C -0.440528 0.113167 -3.892717 0.0002 120 LOG(IMA) LOG(PER9) @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(4) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) @SEAS(9) @SEAS(10) 1.087155 -0.065624 0.114702 0.115338 0.062462 0.061019 0.122342 0.146128 0.182602 0.159243 0.073348 0.066697 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.950068 0.944858 0.031012 0.110603 269.8214 182.3458 0.000000 0.030192 0.013280 0.011817 0.012167 0.011680 0.011701 0.011695 0.011733 0.011742 0.011713 0.012171 0.012060 36.00815 -4.941667 9.706775 9.479682 5.347740 5.214936 10.46138 12.45427 15.55181 13.59543 6.026567 5.530323 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 4.435933 0.132067 -4.012834 -3.723175 -3.895144 0.556353 Tabla A5.47: Ecuación de corto plazo, modelo región 9 regulados Dependent Variable: DLOG(QR9) Method: Least Squares Sample (adjusted): 2005M08 2014M12 Included observations: 113 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QR9(-3)) DLOG(QR9(-4)) DLOG(QR9(-6)) DLOG(IMA) R9R(-1) 0.004493 -0.245421 -0.411186 -0.301321 0.312673 -0.249260 0.003878 0.079199 0.082579 0.084055 0.087639 0.129644 1.158645 -3.098786 -4.979287 -3.584812 3.567729 -1.922652 0.2492 0.0025 0.0000 0.0005 0.0005 0.0572 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.466128 0.441180 0.040410 0.174731 205.3222 18.68448 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.002472 0.054058 -3.527826 -3.383009 -3.469061 2.292129 La ecuación de corto plazo indica cointegración, pues el coeficiente asociado al residuo rezagado es significativo, negativo y se encuentra entre 0 y 1 en valor absoluto. Tabla A5.48: Ecuación de largo plazo, modelo región 10 regulados Dependent Variable: LOG(QR10) Method: Least Squares Date: 10/27/15 Time: 12:18 121 Sample (adjusted): 2009M02 2015M08 Included observations: 79 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C LOG(IMA) LOG(CMG10) @SEAS(1) @SEAS(2) @SEAS(5) @SEAS(6) @SEAS(7) -0.425353 1.227888 -0.042879 0.092802 0.091625 0.046273 0.043835 0.057015 0.211929 0.043450 0.010218 0.014767 0.014661 0.014072 0.013839 0.013800 -2.007050 28.25973 -4.196178 6.284545 6.249797 3.288408 3.167437 4.131554 0.0486 0.0000 0.0001 0.0000 0.0000 0.0016 0.0023 0.0001 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.923130 0.915551 0.033790 0.081065 159.7411 121.8051 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 5.204831 0.116276 -3.841548 -3.601603 -3.745419 1.666990 Tabla A5.49: Ecuación de corto plazo, modelo región 10 regulados Dependent Variable: DLOG(QR10) Method: Least Squares Sample (adjusted): 2009M03 2015M08 Included observations: 78 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C DLOG(QR10(-1)) DLOG(QR10(-6)) DLOG(QR10(-13)) DLOG(IMA) DLOG(IMA(-4)) DLOG(IMA(-5)) DLOG(IMA(-6)) DLOG(IMA(-9)) DLOG(IMA(-11)) DLOG(IMA(-12)) R10R(-1) 0.007878 -0.190432 0.188513 -0.293835 0.661636 -0.260213 -0.151077 -0.437768 -0.371679 -0.393792 -0.386010 -0.374803 0.002000 0.051903 0.050311 0.050934 0.122996 0.052447 0.046974 0.060366 0.046396 0.050584 0.120714 0.077968 3.937909 -3.669021 3.746933 -5.768983 5.379340 -4.961432 -3.216185 -7.251936 -8.011045 -7.784857 -3.197716 -4.807117 0.0002 0.0005 0.0004 0.0000 0.0000 0.0000 0.0020 0.0000 0.0000 0.0000 0.0021 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.931426 0.919997 0.017102 0.019303 213.1864 81.49672 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.004539 0.060463 -5.158625 -4.796055 -5.013482 1.787601 122 10) Modelo de autos eléctricos Tabla A5.40: Ecuación de venta de automóviles Dependent Variable: LOG(A) Method: Least Squares Sample: 1994 2014 Included observations: 21 HAC standard errors & covariance (Bartlett kernel, Newey-West fixed bandwidth = 3.0000) Variable Coefficient Std. Error t-Statistic Prob. C LOG(PIB) 4.932734 1.407856 1.600447 0.306277 3.082097 4.596674 0.0061 0.0002 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Prob(Wald F-statistic) 0.696875 0.680921 0.244878 1.139340 0.800057 43.68035 0.000003 0.000197 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat Wald F-statistic 12.07987 0.433512 0.114280 0.213759 0.135870 0.561511 21.12941 123 ANEXO 6: MARKOV SWITCHING El modelo Markov Switching intenta capturar patrones no lineales en el comportamiento de algunas variables, los que no pueden ser recogidos por la gran mayoría de las regresiones comúnmente empleadas en estudios econométricos. Algunas de estas no-linealidades tienen que ver con asimetría en la distribución de la variable o la heterocedasticidad de la misma (series que, por ejemplo, al encontrarse en niveles altos, también tienen mayor volatilidad), así con la mayor o menor persistencia de este tipo de características en el tiempo, entre otras cosas. El modelo M-S busca capturar, en particular, el comportamiento de variables que cambian de estado, caracterizándose por procesos distintos a lo largo de la muestra (eventualmente lineales cada uno de ellos). En éste, el cambio de un estado a otro es determinado por una variable no observable que sigue un proceso cadena de Markov de primer orden, esto es, cuyo estado actual depende de su estado en el período inmediatamente anterior. Es, por tanto, un modelo eminentemente utilizado para describir datos correlacionados en el tiempo que presentan múltiples patrones de comportamiento. A modo de ejemplo, supongamos que una variable aleatoria 𝑦𝑡 puede comportarse de acuerdo a 3 “estados posibles” (no observables), descritos de la siguiente forma: Estado 1: 𝑦𝑡 = 𝛼1 + 𝜖𝑡1 donde 𝐸(𝜖𝑡1 ) = 0 y 𝑉(𝜖 1 ) = 𝜎12 Estado 2: 𝑦𝑡 = 𝛼 2 + 𝜖𝑡2 donde 𝐸(𝜖𝑡2 ) = 0 y 𝑉(𝜖 2 ) = 𝜎22 Estado 3: 𝑦𝑡 = 𝛼 3 + 𝜖𝑡3 donde 𝐸(𝜖𝑡3 ) = 0 y 𝑉(𝜖 3 ) = 𝜎32 El modelo estima una “Matriz de Transición”, en la que se representan las probabilidades condicionales de pasar de un estado a otro. Dicha matriz es como sigue: 𝑝11 𝑇 = [𝑝21 𝑝31 𝑝12 𝑝22 𝑝32 𝑝13 𝑝23 ] 𝑝33 donde 𝑝11 es la probabilidad de permanecer en el estado 1, 𝑝12 es la probabilidad de pasar del estado 1 al 2 y así sucesivamente. La sumatoria de cada una de las filas es igual a uno y la probabilidad condicional del estado 𝑠𝑡+𝑖 |𝑠𝑡 , con 𝑖 ∈ {1,2,3 … } se puede obtener de la i-esima pitatoria de la matriz de transición. Este último punto nos permite, comenzando de un estado observado, asociar probabilidades a cadenas de estados futuros. Por ejemplo, la probabilidad de que, dado un 2015 en estado 1, el 2016 y 2017 tengan estado 2, será 𝑝1,2 ∗ 𝑝2,2 . El vector de parámetros, entonces, será 𝜃 = { 𝛼1 , 𝛼 2 , 𝜎12 , 𝜎22 , 𝜎32 , 𝑝11 , 𝑝12 , … , 𝑝33 ). 124 Si los residuos se comportan bajo una distribución normal, la probabilidad de observar 𝑦𝑡 en el estado 𝑗 será: 1 𝑓(𝑦𝑡 |𝑠𝑡 = 𝑗; 𝜃) = 2 (𝑦𝑡 − 𝜇𝑗 ) exp (− ) 2𝜎𝑗2 2 (𝐴. 1) √2𝜋𝜎𝑗 Donde 𝜇𝑗 = 𝐸(𝑦𝑡 |𝑠𝑡 = 𝑗) = 𝛼 𝑗 y 𝜎𝑗2 es la varianza de los residuos en el estado 𝑗. Tomando esta distribución, los estimadores de máxima verosimilitud son (para más detalles respecto de la estimación: Rabiner (1989) y Hamilton (1994)): 𝜇̂ 𝑗 = ∑𝑇𝑡=1 𝑦𝑡 ∗ 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃̂) ∑𝑇𝑡=1 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃̂) (𝐴. 2) 2 𝜎̂𝑗2 = 𝑝̂𝑖𝑗 = Donde 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃̂) ∑𝑇𝑡=1(𝑦𝑡 − 𝜇̂ 𝑗 ) ∗ 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃̂) ∑𝑇𝑡=1 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃̂) (𝐴. 3) ∑𝑇𝑡=1 𝑃(𝑠𝑡 = 𝑖, 𝑠𝑡+1 = 𝑗 |𝑦𝑡 ; 𝜃̂) ̂ ∑𝑇−1 𝑡=1 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃 ) es la probabilidad de que el estado de 𝑦𝑡 (𝐴. 4) sea 𝑗 , mientras 𝑃(𝑠𝑡 = 𝑖, 𝑠𝑡+1 = 𝑗 |𝑦𝑡 ; 𝜃̂) es la probabilidad de que el estado en 𝑡 sea 𝑖 y en 𝑡 + 1 sea 𝑗. Además, ̂ ∑𝑇−1 𝑡=1 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃 ) es la cantidad esperada de transiciones desde el estado 𝑖 a cualquier otro y ∑𝑇𝑡=1(𝑠𝑡 = 𝑖, 𝑠𝑡+1 = 𝑗 |𝑦𝑡 ; 𝜃̂) la cantidad esperada de transiciones del estado 𝑖 al 𝑗. La estimación del vector de parámetros 𝜃 puede realizarse (algoritmo de Baum-Welch) fijando un valor inicial 𝜃 0 , el que utilizamos para calcular (𝐴. 1) − (𝐴. 4) , y con estas ecuaciones construir nuevas estimación de 𝜃, llámense 𝜃1 . El proceso se itera entonces hasta lograr convergencia, esto es, hasta que 𝜃 𝑛+1 y 𝜃 𝑛 difieran por un mínimo nivel de tolerancia. Una vez estimada la matriz de transición, la probabilidad incondicional de cada estado podrá calcularse como: 𝜋̂𝑗 = lim 𝑃(𝑠𝑡 = 𝑗 |𝑠1 = 𝑖) 𝑡 ⟶∞ (𝐴. 5) Esta expresión captura el hecho de que a medida que la condicionalidad se refiere a un período más lejano, el sentido de la misma se va diluyendo, por lo que llegamos a la probabilidad incondicional. Es más, la enésima pitatoria de la matriz converge a las probabilidades incondicionales, 𝜋𝑗 , por lo que la estimación podrá realizarse de esta forma, escogiendo un “n” suficientemente alto. 125 Ahora bien, si los estados en cada período son observables (p.ej.: soleado, nublado, lluvioso), entonces 𝑃(𝑠𝑡 = 𝑗 |𝑦𝑡 ; 𝜃̂) tomará el valor de 1 en el estado correcto y 0 en los demás, al igual que 𝑃(𝑠𝑡 = 𝑖, 𝑠𝑡+1 = 𝑗 |𝑦𝑡 ; 𝜃̂) tomará el valor de 1 sólo en la transición efectivamente ocurrida. Con esto, los estimadores arriba mencionados se simplifican tremendamente, a lo siguiente: 𝜇̂ 𝑗 = ∑𝑇𝑡=1 𝑦𝑡 ∗ 𝐼(𝑠𝑡 = 𝑗) 𝑇𝑗 (𝐴. 6) 2 𝜎̂𝑗2 = ∑𝑇𝑡=1(𝑦𝑡 − 𝜇̂ 𝑗 ) ∗ 𝐼(𝑠𝑡 = 𝑗) 𝑇𝑗 𝑇𝑗 𝑇 (𝐴. 8) 𝑛𝑖𝑗 3 ∑𝑗=1 𝑛𝑖𝑗 (𝐴. 9) 𝜋̂𝑗 = 𝑝̂𝑖𝑗 = (𝐴. 7) Donde 𝐼(𝑠𝑡 = 𝑗) es una función indicador, que toma el valor de 1 si el estado en 𝑡 es 𝑗 y 0 en caso contrario, 𝑇𝑗 es la cantidad de períodos que muestran un estado 𝑗, 𝑇 es el total de períodos y 𝑛𝑖𝑗 es la cantidad observada de transiciones del estado 𝑖 al 𝑗. Puesto que en este caso podemos distinguir período a período el estado de la variable 𝑦𝑡 , los estimadores anteriores son fácilmente calculables en un programa sencillo en, por ejemplo, Excel. 126 ANEXO 7: DESPLIEGUE ESPERADO DE LA AUTOGENERACIÓN EN CHILE El presente anexo tiene como objetivo proyectar la dinámica que seguirá la autogeneración en Chile. Las conclusiones de nuestro análisis muestran que dado el acelerado despliegue de la energía ERNC en grandes formatos, existirán pocos incentivos para que la autoridad política implemente subsidios específicos para la autogeneración, ello por cuanto las metas de generación en base a fuentes de ERNC (y las futuras respecto a la disminución de emisiones de carbono) se encuentran prácticamente aseguradas en las condiciones actuales que permitirán que en el corto plazo un 33% de la capacidad instalada provenga de fuentes ERNC. En este contexto, la viabilidad de la autogeneración dependerá de si los ahorros de costos en transmisión que ella permite son capaces de compensar sus menores rendimientos a escala. Nuestras estimaciones muestran que ello no resulta probable, y, en dicho contexto estimamos que la autogeneración no representará en el futuro previsible una parte significativa del aprovisionamiento energético del sector residencial. En lo que sigue desarrollamos nuestros argumentos: 1. En Chile, el despliegue de las tecnologías ERNC se desarrolla bajo condiciones de mercado, sin subsidios y va a representar una porción significativa de la generación. 2. Los países con autogeneración significativa desarrollaron políticas que implican subsidios. En Estados Unidos, en 1978, el congreso aprobó el Public Utility Regulatory Policy o PURPA. Esta acta permitió que productores independientes de energía pudieran interconectarse al sistema de distribución eléctrica. La ley buscaba disminuir le demanda vía la autogeneración y aumentar la oferta de energías renovables en el sistema. Sin embargo, debido a los altos precios de los módulos fotovoltaicos, esta ley no generó incentivos para la autogeneración residencial debido a que solo permitía la conexión al sistema de distribución, condición análoga a la que hoy se observa en Chile. Sin embargo esta realidad cambió sólo cuando se desarrollaron políticas de incentivos explícitas. Así las cosas, surgió el Energy Tax Act (ETA) durante el mismo año, en respuesta a la crisis energética debido a la crisis del petróleo. Esta acta motivaba a los dueños de residencia a invertir en generación solar y eólica de menor escala. Subsidios fueron entregados para acelerar las inversiones como también beneficios tributarios de hasta un 30% de descuento. Adicionalmente existen 7 estados que han desarrollado políticas de fomento adicional a la autogeneración en base a ERNC, tal es el caso de Hawaii, Maine, Oregon, Rhode 127 Island, Vermont y Washington. Estas políticas han permitido que a la fecha exista una capacidad instalada de 18 GW de generación fotovoltaica. Particularmente, si bien federalmente existen beneficios tributarios, existen otros tipos de fomentos locales mandatarios como es el caso de los estados mencionados. A modo de ejemplo, los utilities no pueden tener más del 50% de los proyectos para permitir la entrada de nuevos participantes. Lo anterior sumado a rebate rates que deben pagar por generar con tecnologías con emisiones de carbono ha permitido el constate desarrollo de los standard offer contract o los feed-in tariff desplegando un alta generación solar residencial. Aquí es donde entran empresas como Solarcity o Sunrun las cuales ofrecen la instalación de paneles residenciales a cero costo a cambio de un Power Purchase Agreement (PPA) lo que permite un ahorro en la cuenta eléctrica. De esta forma, los residentes no tienen que incurrir en la inversión inicial y mantenimiento del proyecto. También existen estados, en los cuales el despliegue ha sido más lento, y ofrecen la opción para optar a un feed-in tariff, pero esta no es obligatoria como en los estados mencionados inicialmente. En Europa, existe un sistema similar que consiste en los Feed-In-Tariff que se aplica a nivel residencial para los sistemas de autogeneración y permite que los residentes vendan la energía que autogeneran a precios que exceden el retail price. La definición de este pago, denominado avoided costs, ha ido variando con el tiempo a medida que la tecnología ha madurado y sus costos de inversión disminuyen. El primer país europeo en adoptar esta política fue Alemania en 1990 seguido por Suiza e Italia en 1991 y 1992 respectivamente en busca de reducir las emisiones carbono. La política implementada por Alemania e Italia permitió que a finales del año 2014 fueran el primer y cuarto país con mayor capacidad fotovoltaica instalada en el mundo con 38 GW y 18 GW respectivamente. Un 4% y 6% de la energía generada es solar en Alemania e Italia respectivamente. Ambos casos corresponden a los únicos en donde la autogeneración ha alcanzado magnitudes relevantes. Finalmente, donde el despliegue de generación solar ha sido mayor (Alemania, China, Japón, Italia y Estados Unidos), todos cuentan con algún tipo de subsidio u otra distorsión. 3. La autogeneración no es rentable. La autogeneración en base a ERNC, como cualquier otra, sólo se justifica cuando los menores costos que implica la autogeneración son inferiores a los que se esperan de un sistema integrado en que la energía es producida por una utility, y luego es transportada y distribuida hasta el punto de consumo. En este caso en particular, la autogeneración será rentable únicamente si 128 su costo resulta inferior al que representa la generación en una unidad de mayor tamaño añadido al transporte y la distribución. En otras palabras, la autogeneración resultará rentable únicamente si los menores rendimientos a escala que ella implica son inferiores al mayor costo de transmisión y distribución que representa la generación en grandes unidades. Dicho lo anterior, lo primero que cabe cuantificar es la deferencia de rendimientos a escala que representa la generación residencial versus la que se observa en una utility. La Figura A7.1da cuenta de esta brecha que resulta estable en el tiempo y que al segundo trimestre del año 2015 alcanza los 2,01 US$ por watt instalado. El Cuadro A7.1 estima la diferencia de costo de generación por kWh que se representan ambas tecnologías suponiendo tasas de descuento y rendimientos acordes a los observados en este tipo de instalaciones, los resultados indican que el costo por kWh generado de la generación residencial y a gran escala ascienden a 0,07 US$ y 0,18 US$ por kW respectivamente, estos presentan una diferencia de 0,11 US$ por kWh generado. Ahora bien, esa diferencia debe ser comparada con el costo de transmisión y distribución de la energía en el sistema eléctrico que asciende a 0,04 US$ por kWh21. Lo anterior implica que no resulta rentable la autogeneración respecto a la alternativa de generar en una utility. Nótese que esta es la comparación relevante ya que, en ambos casos el costo de oportunidad de la energía generada en exceso o en déficit es esencialmente el mismo y corresponde al precio de mercado de la energía en los horarios de déficit o excedencia de generación en relación al consumo. US$/W Figura A7.1: Precio del módulo instalado en USA, 2010-2015 8,00 7,00 6,00 5,00 4,00 3,00 2,00 1,00 0,00 Residencial No Residencial Utility Fuente: elaboración propia a partir del SEIA22 21 Una cuenta típica puede ser desglosada en 60% la generación de energía, un 24% la transmisión y un 16% el IVA. Con una regla de tres entre los 110 US$/MWh de la generación y los porcentajes se puede obtener los 44 US$/MWh de costes de transmisión. Chilectra, Derechos y Deberes del Cliente de Chilectra. 22 Solar Energy Industries Association, U.S. Solar Market Insight. 129 Cuadro A7.1: Estimación del Costo por kilowatt generado Item Unidad Utility Residencial Costo del Panel US$/kW 1,490 3,500 Factor de Planta % 25% 23% Tasa de Descuento % 10% 10% US$/kW 0.07 0.18 Costo de Generación23 Fuente: elaboración propia a partir de precios reportados en el SEIA Dicho lo anterior, estimamos de baja probabilidad el despliegue de autogeneración en Chile. La brecha de inversión que representa la inversión en solar residencial respecto a las plantas de gran escala no puede ser compensada por al ahorro de costos en transmisión que implica. Además, estimamos poco probable que se introduzcan mecanismos que incentiven la autogeneración cuando las metas de ERNC se cumplirán a partir de la generación a gran escala que se estima alcanzarán los 6 GW de potencia instalada en el SIC al año 2020. 23 C. de Generación = C. del Panel×T. de Descuento F. de planta×24×365 . 130 ANEXO 8: DETALLE DE PROYECCIONES Las proyecciones anuales y mensuales por tipo de cliente para los agregados (Total, SIC, SING) así como para las regiones, se encuentran en el archivo Excel adjunto ‘Anexo 8.1’. En ‘Anexo 8.2’, en tanto, puede encontrarse el detalle de las proyecciones para grandes mineras. ANEXO 9: NORMALIZACIÓN DE PROYECCIONES Las proyecciones que resultan de los modelos econométricos y de la Gran Minería son ajustados para que los agregados coincidan con la suma de sus partes. Así, por ejemplo, un rimer ajuste se realiza al total proyectado para el SIC y SING, de modo de que su suma coincida con la demanda global. Luego se procede de igual forma al interior de cada sistema (regulado + libre = total del sistema) y por región (suma de regiones = total SIC, suma de demanda libre regional = libre SIC, suma de demanda regulada regional = regulada SIC). Para esto, se utiliza como criterio el R2 de las regresiones. En efecto, la proyección original es tomada como la final con una probabilidad igual al R2, mientras que con probabilidad 1- R2 la proyección será más bien la original ponderada por un factor común a las zonas desagregadas que se desea ajustar. Dicho factor será mayor a 1 si la suma de las proyecciones desagregadas resulta menor a la proyección agregada (así se ajustarán al alza), y será menor a 1 en caso contrario. En consecuencia, la proyección final será: 𝑓𝑖𝑛𝑎𝑙 𝑄𝑡 = 𝑅2 ∗ 𝑄𝑡𝑚𝑜𝑑𝑒𝑙𝑜 + (1 − 𝑅2 ) ∗ 𝜆𝑡 ∗ 𝑄𝑡𝑚𝑜𝑑𝑒𝑙𝑜 Donde 𝜆𝑡 es el ponderador que toma el valor tal que la suma de las desagregaciones calza con el agregado. A modo de ejemplo, este ponderador para el caso del ajuste SIC+SING=Total, adopta la siguiente expresión, que puede ser generalizada a todos los casos: 𝜆𝑡 = 𝑄𝑇𝑜𝑡𝑎𝑙 − 𝑅2 (𝑄𝑡𝑚𝑜𝑑𝑒𝑙𝑜𝑆𝐼𝐶 + 𝑄𝑡𝑚𝑜𝑑𝑒𝑙𝑜𝑆𝐼𝑁𝐺 ) (1 − 𝑅2 )(𝑄𝑡𝑚𝑜𝑑𝑒𝑙𝑜𝑆𝐼𝐶 + 𝑄𝑡𝑚𝑜𝑑𝑒𝑙𝑜𝑆𝐼𝑁𝐺 ) Adicionalmente, se utilizan las siguientes penalizaciones al 𝑅2 en casos particulares: - Penalización de 0,1 si el modelo no es estimado con la totalidad de los datos disponibles, desde enero 2005 - En consumo libre, las regiones III-VI son penalizadas ya que las proyecciones no sólo consideran el modelo econométrico, sino además las previsiones de las grandes mineras. En estos 4 casos la penalización es igual a la participación del consumo de las grandes mineras sobre el total regional. 132