English
30 de enero de 2023
La relación entre el consumo de electricidad y el desarrollo económico es bastante alta y relativamente estable en el tiempo. Según los Indicadores de Desarrollo Mundial del Banco Mundial, la relación entre el PIB per cápita, PPA ($ a precios constantes de 2017) y el consumo de energía eléctrica (kWh per cápita) han sido casi constantes justo debajo de 5$ por kWh a nivel mundial entre 1990 y 2014 (periodo con datos disponibles).
La correlación entre las dos variables por país fue muy alta con 0,840 (para los 127 países con una población por encima de 1 millón de habitantes y con datos disponibles) en 2014 (último año con datos disponibles). Sin embargo, hay algunas diferencias estructurales importantes entre países que pueden causar una alta o baja relación. Por ejemplo, Noruega, Canadá y Finlandia obtuvieron menos PIB de cada kWh consumido porque gran cantidad de electricidad se gasta en calefacción y no así en actividades productivas (véase la Figura 1).
Figura 1: Consumo de electricidad versus PIB por país, 2014
Fuente: Indicadores del Desarrollo Mundial del Banco Mundial: https://data.worldbank.org/indicator/EG.USE.ELEC.KH.PC y https://data.worldbank.org/indicator/NY.GDP.PCAP.PP.KD
Qatar, Singapur, Suiza, Hong Kong e Irlanda destacan en la Figura 1 por tener relación PIB/kWh por encima del promedio, pero los países con la relación más altas se encuentran entre los países relativamente pobres, escondidos detrás de las grandes burbujas de China e India. La Figura 2 muestra los mismos datos de la Figura 1, pero pone en relieve las diferencias entre países con niveles de renta relativamente bajos. Los países que dependen en gran medida de la extracción de recursos naturales y/o de la agricultura para su subsistencia (como Nigeria, Benín, Congo y Angola) tienen relación PIB/kWh mucho más elevado que los países dominados por las industrias manufactureras (como China, India y Corea del Sur).
Figura 2: Relación PIB/consumo de electricidad versus PIB per cápita por país, 2014.
Fuente: Indicadores del Desarrollo Mundial del Banco Mundial: https://data.worldbank.org/indicator/EG.USE.ELEC.KH.PC y https://data.worldbank.org/indicator/NY.GDP.PCAP.PP.KD
Estas características estructurales cambian lentamente, lo que significa que la mayoría de los cambios a corto y mediano plazo en el consumo de electricidad per cápita reflejan cambios reales en el PIB per cápita. Estos cambios pueden producirse por el lado de la oferta (los equipos eléctricos hacen que los trabajadores sean más productivos), o por el lado de la demanda (los hogares más ricos demandan más electrodomésticos, como frigoríficos, lavadoras y televisores) o, lo que es más probable, por ambos lados de forma simultánea. En cualquiera de los casos, la correlación entre el consumo de electricidad per cápita y el PIB per cápita es bastante alto a lo largo del tiempo (por ejemplo, 0,995 para Bolivia entre 1990 y 2014).
Esta correlación hace que el consumo de electricidad sea una buena aproximación para medir el desarrollo económico. En el artículo, se explorará la relación entre el consumo de electricidad y el desarrollo para el 2016 de Bolivia, utilizando los datos de consumo de electricidad de Andersen, Branisa y Calderón (2019), y se harán extrapolaciones hasta 2021 utilizando las luces nocturnas (LNT) medidas por satélites y presentadas por la NASA Black Marble (Román et al., 2018).
La Figura 3 muestra una correlación positiva, aunque no muy alta (r = 0.252), entre el consumo total de electricidad per cápita en 2016 y el Índice Municipal de Desarrollo Sostenible (IMDS) en Bolivia 2020, un índice multidimensional de desarrollo basado en datos de 2012-2019 que refleja lo cerca que está cada municipio de alcanzar los Objetivos de Desarrollo Sostenible (véase Andersen et al., 2020). La correlación es relativamente baja porque algunos municipios tienen niveles moderados de desarrollo a pesar de sus niveles extremadamente altos en el consumo de electricidad. Esto se debe principalmente a las grandes empresas cementeras o mineras que consumen enormes cantidades de electricidad para producción destinado a la exportación (o al consumo nacional), pero sin generar un impacto alto en la población local. Por ejemplo, la empresa minera de Antequera cada año consume tanta electricidad como la segunda ciudad más grande de Bolivia (El Alto, con 1 millón de habitantes). Sin embargo, Antequera tiene menos de 4.000 habitantes y alcanza un valor IMDS muy inferior a la media nacional.
Figura 3: Consumo de electricidad per cápita versus el Índice Municipal de Desarrollo Sostenible, por municipio en Bolivia, 2016.
Fuente: Elaboración propia en base a Andersen, Branisa y Calderón (2019) y Andersen et al. (2020).
Se puede encontrar una mayor relación entre el consumo de electricidad y el desarrollo sostenible si se incluye solamente el consumo de electricidad residencial. En ese caso, la correlación aumenta hasta r = 0.666 (véase el Gráfico 4). Porongo es un caso atípico extremo porque es un municipio relativamente rural, pero con un barrio muy próspero (Urubó), justo al lado de Santa Cruz de la Sierra. Si este caso atípico se elimina de la muestra, la correlación aumenta a r = 0,753, lo que sugiere que el consumo residencial de electricidad es, en general, un buen indicador de desarrollo.
Al igual que en el análisis por países, existen algunos factores estructurales que hacen que los municipios se desvíen sistemáticamente de la línea de tendencia. Santa Cruz de la Sierra y los municipios vecinos de las tierras bajas (Porongo y La Guardia) no son tan eficientes en el logro de los ODS como las ciudades del altiplano (La Paz, El Alto, Oruro y Potosí) y los valles (Cochabamba y Tarija). Esto se debe, probablemente, al clima caluroso de las tierras bajas, el cual exige un mayor uso de aire acondicionado.
Figura 4: Consumo residencial de electricidad per cápita versus el Índice Municipal de Desarrollo Sostenible, por municipio en Bolivia, 2016.
Fuente: Elaboración propia en base a Andersen, Branisa y Calderón (2019) y Andersen et al. (2020)
Datos sobre el consumo eléctrico residencial a nivel micro normalmente no son accesibles, sin embargo, un sustituto muy utilizado es la iluminación nocturna (LNT) medida por satélite. Un ejemplo es el conjunto de datos de luces nocturnas de NASA Black Marble (Román et al., 2018). La Figura 5 muestra los datos de LNT para Bolivia en 2016, las ventajas de utilizar la intensidad de las LNT son la alta resolución espacial (500 metros) y temporal (mensual), así como la cobertura global.
Sin embargo, los datos de LNT reflejan principalmente el alumbrado público y otras partes muy visibles del consumo de electricidad; mientras que, las lavadoras, frigoríficos, radios, teléfonos móviles y otros aparatos eléctricos que mejoran directamente la calidad de vida de la población son invisibles para el satélite. La correlación entre la intensidad de las LNT y el consumo de electricidad para la iluminación pública en todos los municipios en 2016 fue r = 0.980, que es extremadamente alta. La correlación entre LNT y el consumo de electricidad residencial es menor a r = 0.914, pero sigue siendo una buena aproximación de desarrollo en cada municipio.
Figura 5: Resplandor de las luces nocturnas en Bolivia según NASA Black Marble, 2016
Fuente: Elaboración propia en base al producto de datos de luces nocturnas de NASA Black Marble.
La Figura 6 muestra la evolución de las LNT para toda Bolivia en el periodo 2012 a 2021 (el periodo para el que se dispone de datos de NASA Black Marble) comparada con la evolución del PIB real según el Instituto Nacional de Estadística (INE). La intensidad de las luces nocturnas aumentó un tanto más rápido que el PIB entre 2012 y 2016 y un tanto más lento entre 2016 y 2019, pero ambos muestran una caída significativa debido a la pandemia en 2020 y una recuperación parcial en 2021.
Figura 6: Evolución del total de LNT y del PIB Real en Bolivia, 2012-2021
Fuente: Elaboración propia en base a datos de NASA Black Marble e INE.
Tanto las LNT como el PIB, no son una medida perfecta de la prosperidad humana, pero ambos están correlacionados positivamente con el bienestar humano que nos interesa. Esto significa que podemos utilizar los cambios en las LNT a lo largo del tiempo para identificar las regiones que han experimentado mayores aumentos en prosperidad en la última década.
Los cambios en las LNT a lo largo del tiempo pueden reflejar un aumento del tamaño de la población o del nivel de desarrollo, pero dado que la gente tiende a emigrar a lugares con mejores oportunidades, es probable que reflejen una combinación de ambos.
La Figura 7 muestra los 50 municipios con mayor aumento de intensidad de LNT entre 2012 y 2021. Los datos sugieren que el mayor incremento en prosperidad humana se observa en las tres áreas metropolitanas de Santa Cruz[1], La Paz[2] y Cochabamba[3], seguidos de otras cinco capitales departamentales (Oruro, Potosí, Sucre, Tarija y Trinidad).
Los aumentos fuera de las principales ciudades son menores, pero vale la pena destacarlos. Entre los 23 municipios más dinámicos, fuera de las ciudades principales, se encuentran seis municipios de Cochabamba (Punata, San Benito, Arbieto, Tolata, Entre Ríos y Arani), cinco de Santa Cruz (Yapacaní, San Ramón, Lagunillas, Camiri y Cabezas), tres de Potosí (Uyuni, Llallagua y Villazón), tres de Tarija (Yacuiba, Villa San Lorenzo y Villamontes), tres de Oruro (Challapata, Caracollo y Huanuni), dos de La Paz (Pucarani y Sica Sica) y solamente uno del Beni (Riberalta). La capital de Pando, Cobija, ha experimentado menor progreso entre 2012 y 2021, pero los otros 259 municipios han experimentado un progreso aún menor (de un total de 339 municipios del país).
Figura 7: Los 50 municipios con mayor aumento de intensidad de luz nocturna entre 2012 y 2021
Fuente: Elaboración propia en base al producto de datos de luces nocturnas de NASA Black Marble.
Existen diferentes factores que pueden explicar estos resultados, pero parece bastante claro que los municipios más poblados (áreas metropolitanas y capitales de departamento) son los más atractivos. Sin duda, cuanto más densamente poblado es un municipio, mayores son las posibilidades de acceso a servicios como la educación o la sanidad y, quizás lo más importante, existe una mayor oportunidad de encontrar trabajo.
Sin embargo, hay otros municipios con dinámicas interesantes (algunas ciudades de tamaño medio) que debemos estudiar. Es posible que las principales actividades económicas del país expliquen estos resultados (como la minería en Llallagua y Huanuni, la producción de gas en Yacuiba y Villamontes, la agricultura en Yapacaní y el turismo en Uyuni). El resto de los municipios de la lista deben ser analizados con mayor detalle y, quizás, nos muestren algunas tendencias menos evidentes en el desarrollo de la población.
[1] El área metropolitana de Santa Cruz incluye los siguientes seis municipios: Santa Cruz de la Sierra, La Guardia, Warnes, Cotoca, El Torno y Porongo.
[2] El área metropolitana de La Paz incluye los siguientes ocho municipios: Nuestra Señora de La Paz, El Alto, Viacha, Achocalla, Palca, Laja, Pucarani y Mecapaca.
[3] El área metropolitana de Cochabamba incluye los siguientes siete municipios: Cochabamba, Colcapirhua, Quillacollo, Sacaba, Sipe Sipe, Tiquipaya y Vinto
Referencias:
Andersen, L. E., B. Branisa & F. Calderón (2019) “Estimaciones del PIB per cápita y de la actividad económica a nivel municipal en Bolivia en base a datos de consumo de electricidad.” Investigación ganadora presentada al Centro de Investigaciones Sociales (CIS) de la Vicepresidencia del Estado Plurinacional de Bolivia. Mayo.
Andersen, L. E., Canelas, S., Gonzales, A., Peñaranda, L. (2020). Atlas municipal de los Objetivos de Desarrollo Sostenible en Bolivia 2020. La Paz: Universidad Privada Boliviana, SDSN Bolivia. https://sdsnbolivia.org/atlas/
Román, M. O., Wang, Z., Sun, Q., Kalb, V., Miller, S. D., Molthan, A., Schultz, L., Bell, J., Stokes, E. C., Pandey, B., Seto, K. C., Hall, D., Oda, T., Wolfe, R. E., Lin, G., Golpayegani, N., Devadiga, S., Davidson, C., Sarkar, S., … Masuoka, E. J. (2018). NASA’s Black Marble nighttime lights product suite. Remote Sensing of Environment, 210, 113–143. https://doi.org/10.1016/j.rse.2018.03.017
Este blog forma parte del proyecto INEQUALITREES – A Novel Look at Socio-Economic Inequalities using Machine Learning Techniques and Integrated Data Sources. Para más información, visite el sitio web del proyecto: https://inequalitrees.eu/