Departamento de Ingeniería Eléctrica UNIVERSIDAD DE SANTIAGO DE CHILE

CAMBIO DE HORARIO Y SU EFECTO EN EL CONSUMO DE ENERGÍA ELÉCTRICA

Informe Final

Preparado por:

Departamento de Ingeniería Eléctrica Universidad de Santiago de Chile

Santiago, febrero 2015

1. TABLA DE CONTENIDOS

1.

Tabla de Contenidos................................................................................................... 2

2.

Introducción ................................................................................................................ 4

3.

Estado del arte............................................................................................................ 5

4.

3.1.

Historia del DST................................................................................................... 5

3.2.

Casos de estudios internacionales Recientes ...................................................... 6

3.3.

El Cambio de Hora en Chile............................................................................... 12

Metodologías para analizar el impacto del cambio de hora ....................................... 18 4.1.

4.1.1.

Aplicación en Santiago ............................................................................... 21

4.1.2.

Aplicación en Regiones .............................................................................. 31

4.2.

5.

Método Heurístico.............................................................................................. 18

Método Econométrico aplicado a Santiago ........................................................ 39

4.2.1.

Estrategia de Identificación, causalidad y experimentos. ............................ 39

4.2.2.

¿Por qué un cuasi-experimento? ................................................................ 40

4.2.3.

Análisis de los contra factuales. .................................................................. 40

4.2.4.

Interpretación de las estimaciones muestrales. (Ver anexo estimaciones) . 45

Aplicación del modelo econométrico en regiones ..................................................... 48 5.1.

Aplicación Arica. ................................................................................................ 51

5.1.1. Interpretación de las estimaciones muestrales: modelo Arica. (Ver anexo estimaciones Arica) .................................................................................................. 55 5.2.

Aplicación Concepción....................................................................................... 56

5.2.1. Interpretación de las estimaciones muestrales: modelo Concepción. (Ver anexo estimaciones Concepción) ............................................................................. 59 5.3.

Aplicación Punta Arenas .................................................................................... 61

5.3.1. Interpretación de las estimaciones muestrales: modelo Punta Arenas. (Ver anexo estimaciones Punta Arenas)........................................................................... 64 5.4.

Reducción en el consumo electrico debido a la aplicación del DST ................... 65

6.

Resumen de resultados del modelo Econometrico ................................................... 68

7.

Conclusiones ............................................................................................................ 70

8.

Bibliografía................................................................................................................ 71

9.

Anexos ..................................................................................................................... 73 9.1.

Estimaciones Econométricas de los modelos propuestos. ................................. 73

9.2.

Estimaciones Stata para modelo Arica. ............................................................. 75

9.3.

Estimaciones Stata para modelo Concepción. ................................................... 77

9.4.

Estimaciones Stata para modelo Punta Arenas. ................................................ 79

2

3

2. INTRODUCCIÓN El presente documento corresponde al informe final del estudio “Cambio de horario y su efecto en el consumo de energía”. La política de cambio de horario en los periodos de verano e invierno, conocido internacionalmente como “Daylight Saving Time” (DST), tiene como objetivo principal reducir el consumo de energía eléctrica a nivel residencial. Esto sería conseguido al disminuir el uso de luz artificial mediante el ajuste de la hora, tal que se aproveche de forma más eficiente la luz del día, siendo la modificación en la luminosidad en los horarios de demanda peak matinal y vespertino los eventos que producirían el mayor efecto en el consumo de energía eléctrica. Sin embargo, últimamente se ha cuestionado su objetivo principal, debido a diversos factores de naturaleza variable y diversa, como son los cambios meteorológicos, políticas de eficiencia energética enfocadas a reducir el consumo de energía eléctrica por iluminación artificial en los hogares y en las empresas, uso de aire acondicionado durante el verano y calefacción durante el invierno, geografía, peak de demanda matinal, entre otros. Particularmente, y según se expresa en el Informe Preliminar [1], la experiencia internacional ha demostrado que el efecto de aplicar el DST es a lo menos cuestionable, ya que en algunos estudios se ha demostrado que el efecto es prácticamente nulo, así como también hay casos donde el efecto ha sido negativo, es decir, aplicar una medida DST ha aumentado el consumo de energía eléctrica, en lugar de disminuirlo como es su objetivo; también se debe considerar los efectos biológicos y sociales que provocan los cambios de hora sobre la población. En Chile se decretó por primera vez la medida del cambio de hora en el año 1970, y desde esa fecha se ha aplicado cada año, sin mayores variaciones, hasta el año 2010. A partir de ese año, y hasta la actualidad, se han establecido decretos con el fin de aumentar la duración del horario de verano, aludiendo que existen motivos asociados a ahorro de energía que justificarían las medidas que adopta la autoridad. En base a lo anterior, el objetivo de este estudio es determinar, en primer lugar, si existe un efecto en el consumo de energía eléctrica en Chile al aplicar una medida de cambio de hora (DST), para luego establecer qué tipo de efecto (positivo o negativo) tiene el aplicar dicha medida.

4

3. ESTADO DEL ARTE 3.1.

HISTORIA DEL DST

Los primeros indicios de ahorro energético en relación al aprovechamiento de la luz del día comenzaron con una carta enviada por Benjamin Franklin a los editores del Journal of Paris en 1784, llamada “The waste of both candlelight and daylight” 1 , en la cual argumentaba que era posible conseguir grandes ahorros de velas y combustibles para las lámparas al utilizar de forma óptima la luminosidad del dia. Pero no fue hasta el año 1907 cuando el britanico William Willet publicara la primera metodología DST llamada “The Waste of Daylight”2. En ella propuso adelantar los relojes en 80 min durante el verano y 20 min más en Abril, para luego en Septiembre generar un retraso de la misma cantidad3. Esta medida fue examinada y rechazada por el parlamento de aquella época. En la Primera Guerra Mundial (1916), Alemania fue el primer país en aplicar el DST. Como la guerra continuó, los demás países de Europa terminaron también adoptando aquellos cambios de horario hasta el final de la guerra, con el fin de conservar recursos. El estallido de la Segunda Guerra Mundial, estableció un YRDST (Year-Round DST4), que para su finalización, termino siendo reemplazado en varios países de Europa por un DST aplicado en temporada de verano. Esto perduró hasta 1973, cuando el Congreso de los Estados Unidos promulgó un periodo de ensayo del YRDST (1974-1975) con el fin de ahorrar combustible producto del embargo de petróleo que vivía el país. Posterior a esta prueba, Estados Unidos retornó al DST5, que desde entonces, comienza el primer domingo de abril (o último domingo de marzo), y finaliza el último domingo de octubre [2]. Hoy en día, el DST es aplicado sobre 70 países y territorios a lo largo del mundo [3], pero con un duro cuestionamiento, debido principalmente a resultados contradictorios, así como los efectos biológicos y sociales que provocan los cambios de hora sobre los días en los cuales se aplica, además de la veracidad sobre un efecto significativo en el ahorro del consumo eléctrico [4] [5].

1

La pérdida de luz de las velas y luz de día. La pérdida de luz de día. 3 Del tipo Double Daylight Saving Time (DDST) 4 Horario de ahorro de luz de día durante todo el año. 5 Canadá ha seguido los cambios de US, principalmente con el fin de evitar el caos financiero y comercial debido a la falta de sincronización horaria de ambos países 2

5

3.2.

CASOS DE ESTUDIOS INTERNACIONALES RECIENTES

INDIANA 2007 El año 2007, la Universidad de Notre Dame realizó un estudio sobre el impacto que tenía la aplicación del DST sobre el consumo de electricidad en el estado de Indiana [6]. En él se utilizó un DST variable compuesto por 24 ecuaciones lineales correspondientes a cada hora de la curva de demanda diaria. Entre las variables que contienen las ecuaciones, las más influyentes son las respectivas a las condiciones climáticas correspondientes a cada hora. El estudio concluye que habría una reducción en la demanda eléctrica en el estado de Indiana de alrededor de 320 MW. Por su parte, cuestiona los estudios realizados el 2001 en los estados de Indiana y California, debido a que no consideraban las condiciones climáticas en su aplicación del DST.

AUSTRALIA 2008 En el caso de Australia (2008) [4] se examina el impacto de aplicar el DST en la demanda de electricidad en Australia, mediante un estudio quasi-experimental en el cual algunos estados de Australia extendieron la aplicación del DST, mientras que otros estados vecinos mantuvieron el cambio de horario normal, todo esto debido a la realización de los Juegos Olímpicos de Sydney el año 2000. Considerando el tipo de información y las particularidades del experimento, no fue necesario simular casos de estudio, ya que se realizó la comparación de forma directa de los estados. Este mismo trabajo menciona que los estudios realizados con anterioridad en Australia no son necesariamente representativos en la actualidad, ya que la naturaleza de los consumos han variado en los últimos años, siendo especialmente importante la reducción en la participación de la iluminación dentro de la demanda total de los hogares. Las medidas DST aplicadas anteriormente solo entregan como resultado una reducción del 1% y, según se menciona, fue determinado en un estudio realizado hace 30 años, antes de la integración masiva de aire acondicionado y otras medidas de eficiencia energética. Específicamente, el estudio de Australia considera un quasi-experimento, en donde de un total de seis estados, dos de ellos comenzaron con el DST antes de la fecha típica, con el fin de facilitar el desarrollo de las Olimpiadas. De todos los estados candidatos a ser analizados, se eligieron los estados de Victoria y South Australia por los siguientes motivos: 





El estado de Victoria extendió durante dos meses la aplicación del DST, en cambio, el estado de South Australia no modificó la aplicación del DST, por lo cual fue considerando como estado de control o referencia para el estudio. Ambos estados no albergaron eventos olímpicos, por lo que el aumento en la demanda, debido a los preparativos por las Olimpiadas, no serían relevantes. Adicionalmente, se omitió del análisis las dos semanas donde se realizó el evento. Son estados vecinos, por lo mismo, se puede plantear que las variaciones en el consumo eléctrico se debería principalmente al cambio de hora, y no a condiciones demográficas.

6

Para ver el efecto de la extensión del DST en Victoria, en comparación con South Australia, su estado vecino, se utilizó la siguiente información: 1. Demanda eléctrica cada media hora durante un periodo de tiempo de dos meses. 2. Precios de la electricidad de los últimos 7 años (13/12/1998 a 31/12/2005). Este precio corresponde al precio de mercado que pagan las distribuidoras a las generadoras, ya que los clientes libres son sometidos a precios fijos y no fluctúan sus costos. 3. Información meteorológica detallada, ya que se asume que la demanda depende fuertemente de las condiciones climáticas. Se incluyen las variables: Temperatura, velocidad del viento, presión del aire, humedad, precipitaciones y horas de sol incluyendo nubosidad. Para verificar que variables ajenas al DST no influyeran en los resultados, se consideró como variable de control la demanda relativa durante el mediodía, ya que el DST no afecta la demanda en esos horarios. Por lo tanto, las variaciones que afectan la demanda en el mediodía (y que no son influenciadas por variables observadas, como la temperatura y nubosidad por ejemplo), se pueden atribuir a variables ajenas al DST. Como modelo, se utiliza un método econométrico denominado como “diferencias-endiferencias” (DD) para la determinación del efecto del DST. Se plantea que en base a las mediciones durante el mediodía debería ser suficiente para aplicar un modelo de regresión. Como una alternativa se plantea la utilización de los meses vecinos para el control de las variables ajenas al DST, aunque posteriormente se plantea que dicha metodología no entrega resultados adecuados. En la Figura 3.1 se muestran las curvas de demanda horaria de ambos estados. Como efectos claros que son solo atribuibles al cambio de hora, se plantean los siguientes: 1. Las variaciones en el estado que utilizaron como control (South Australia) son estables. 2. Se ve una variación en la curva al cambiar la hora en Victoria. En condiciones normales, el máximo peak de la curva de demanda ocurre en la tarde; al ajustar el DST, el peak se traslada a la mañana y de forma pronunciada.

FIGURA 3.1. DEMANDAS ENERGÉTICAS PROMEDIO DE (A) SOUTH AUSTRALIA (ESTADO DE CONTROL) Y (B) VICTORIA.

7

Como conclusión del estudio [4], se comprobó que la demanda no se redujo al extender el DTS. Lo que se reduce del consumo de energía eléctrica en la tarde se recupera en el consumo durante la mañana debido al peak que se produce. También se plantea que la aplicación del DST no redujo la demanda de electricidad global, aunque si causó un movimiento en los horarios de demanda peak, los cuales están ligados principalmente a actividades que se realizan en horas determinadas, independiente de su luminosidad. Adicionalmente, en la referencia [4], se utiliza el modelo propuesto el año 2001 para el caso de estudio de California [7] como comparación. La principal conclusión es que el modelo de California no considera de forma correcta el peak en la mañana al momento de predecir si existe ahorro de energía, por lo que subestima el exceso de consumo matinal, por lo que invalida sus conclusiones.

ESTADOS UNIDOS 2008 El Departamento de Energía de los Estados Unidos (más conocido por su sigla en inglés DOE), realizó en octubre del 2008 un estudio del impacto de la extensión del DST (EDST6) sobre los consumos eléctricos nacionales [8]. En él se usan dos métodos con el fin de mejorar su validez de resultados; método heurístico y estadístico de regresión lineal (DD). Más detalles sobre estos métodos se explican posteriormente en la metodología. En este informe se concluyó que efectivamente existe un ahorro energético significativo (1,4TWh aproximadamente) al aplicar una política EDST en los Estados Unidos.

INDIANA EXPERIMENTAL 2008 El 2008, en el estado de Indiana se realizó un experimento natural para evidenciar si la aplicación del DST tiene efectos de ahorro energético [9]. El principal descubrimiento es que, contrario a los intentos políticos, el DST está más relacionado con un aumento del consumo eléctrico, que con una reducción del mismo. Estimaciones del aumento promedio son aproximadamente de 1%, pero su efecto no es constante a través del periodo de aplicación del DST, causando un mayor consumo de la energía eléctrica en los periodos finales.

JORDANIA 2009 El año 2008 se realizó un estudio del efecto que posee en el sistema eléctrico de Jordania el aplicar una medida DST [10]. Para el desarrollo del estudio se utilizaron dos tipos de análisis: 1. Se analizó cuanta energía se ahorró al aplicar DST (residenciales y comerciales) mediante la realización de encuestas. 6

Extended Daylight Saving Time o en su traducción al español como Extensión del horario de ahorro de luz de día.

8

2. Se analizó el impacto global de aplicar DST al comparar las curvas de demanda eléctrica diaria promedio, considerando varios días antes y después del cambio de hora. El efecto global se analizó considerando el uso de las curvas de demanda horaria, considerando el día del cambio de horario de un año como referencia, y realizando la comparación entre los días previos y posteriores a dicho cambio. No se consideraron los efectos de feriados ni climáticos (se buscó días con climas similares). La diferencia en potencia se hizo restando ambas curvas. Como resultados del estudio [10], se determinó que la aplicación del DST el año 2000 redujo el consumo de electricidad asociado a iluminación, pero globalmente hubo un aumento del consumo eléctrico, principalmente debido a la calefacción y aire acondicionado. Para el año 2007, los resultados muestran que, al momento de aplicar el DST, el consumo eléctrico disminuyó, pero en el mes donde se retiró el DST, el consumo eléctrico aumentó. Estos resultados son una prueba que, en muchos casos, los estudios pueden presentar conclusiones ambiguas.

TURQUIA 2009 El año 2010 se publicó un estudio [11] sobre el efecto de aplicar alguna medida DST en el sistema eléctrico de Turquía. En primer lugar se plantea la comparación entre las curvas de carga horaria para el mes previo al cambio de hora y el mes siguiente a la aplicación del DST, y viceversa para el mes donde cambiaba nuevamente el horario a su estado original. La comparación se hizo para cinco escenarios (considerando diferentes cambios de horario) y comparados con el statu quo. Los resultados mostraron que el mejor caso ocurre al adelantar la hora 30 minutos al momento de aplicar el DST, tras lo cual se consigue un ahorro del 0,2%. Es importante destacar que en este estudio no se consideró el efecto de la calefacción ni el aire acondicionado.

REINO UNIDO 2010 En Reino Unido [12], se utiliza un modelo de regresión para la predicción de la demanda con el fin de estimar el impacto de mantener el DST durante el invierno del Reino Unido. Según este estudio, el principal contribuidor al consumo de energía sería la temperatura. Se plantea que esa sería la variable más importante, debido principalmente al uso de calefacción, además de las pérdidas en la transmisión a mayor temperatura. Se mencionan varias formas de predecir la demanda. Se opta por utilizar un polinomio de 2do o 3er orden, considerando la temperatura como un dato de entrada. Como resultado se presenta que uno de los métodos probados presenta mejores características. Para determinar el vector de regresión, se considera la hora, temperatura e iluminación. La

9

regresión se realiza en los periodos de tiempo que más pueden verse afectados por el cambio de horario (mañana y tarde) y en los meses donde se realiza el cambio de hora. Como resultados del estudio, se plantea que avanzar una hora durante el invierno puede llevar a una reducción del 0,3% en el consumo eléctrico.

KUWAIT 2011 En el caso de Kuwait [13] se presentan los resultados de un estudio realizado que considera el efecto de aplicar una medida DST. Considerando que en dicho país los principales consumos están asociados a edificaciones (90% del consumo eléctrico en Kuwait), los autores plantean un análisis en base a simulaciones de diferentes tipos de edificaciones con el fin de determinar el efecto del DST. El análisis se hizo mediante simulaciones detalladas del consumo eléctrico de distintos tipos de edificaciones (residencias, departamentos, oficinas, hoteles, colegios, hospitales, mezquitas, centros comerciales), utilizando un programa de arquitectura e ingeniería. Los resultados de este estudio son mixtos. Por un lado, los edificios comerciales e institucionales se ven beneficiados al aplicar una metodología de cambio de hora, sin embargo, los edificios residenciales y de departamentos verían aumentado su consumo eléctrico, tanto en potencia peak como en energía, debido principalmente al uso de aire acondicionado. En forma global, se estima que el impacto de aplicar una medida DST en Kuwait es mínima. Se plantea que existiría un aumento en la demanda de un 0,07% y una reducción en la demanda peak del 0,14%.

ESCANDINAVIA 2011 El estudio [14] examina el impacto que presenta el DST en el consumo eléctrico del sur de Noruega y Suecia. Dado que el DST se implementó en ambos países el año 1980, no se posee información clara para contrastar los resultados previos a la aplicación del DST con los actuales, ya que no se cuenta con un periodo de control con datos comparables y los datos previos a la aplicación del DST son muy antiguos. Se plantea utilizar un método de normalización de días equivalentes para identificar el impacto del DST. Este método considera la partición de las 24 horas del día en horas afectas por DST (mañana, atardecer) y no afectas (mediodía, noche). Todas las diferencias entre la demanda en las horas afectadas y no afectadas por el DST, después de controlar las variables temperatura, actividad económica y otros efectos específicos, pueden atribuirse a la política DST implementada. Para analizar los efectos, se utiliza el método de diferencias en diferencias, considerando las siguientes variables: 1. Demanda horaria del consumo de energía eléctrica 2. Temperatura

10

3. Duración del día 4. Actividad económica Considerando las curvas de demanda obtenidas, se realiza las estimaciones contando como horas de control base el mediodía y medianoche para la estimación de los parámetros. El resultado del estudio sugiere una reducción de al menos un 1% en el consumo eléctrico tanto para Noruega como Suecia, debido a la aplicación del DST. Esta reducción ocurre de forma leve en las horas de la mañana y de forma más significativa en el atardecer.

ESTUDIOS RELACIONADOS A EFECTOS SOCIALES La mayor parte de los estudios referidos a los impactos del cambio de horario en los países lo hacen desde un enfoque energético, sin embargo, es importante considerar que los efectos de aplicar este tipo de medidas no solo se limitan a lo netamente energético, sino que también conviven efectos sociales, psicológicos, financieros y medioambientales. El impacto que ocurriría en los accidentes de tránsito, debido a la aplicación de medidas DST, se presenta en la referencia [15]. El estudio indica que aplicar medidas de cambio de horario provoca efectos en la cantidad y calidad del sueño de las personas, los cuales resultan en dolor de cabeza, pérdida de atención, disminución del estado de alerta y un incremento en la fatiga, los cuales traerían efectos perjudiciales en los accidentes de tránsito. En el estudio [16] también se evalúa el impacto del cambio de hora en los accidentes de tránsito. Se indica que existe una reducción en el número de accidentes de tránsito debido al cambio de horario, ya que dicho cambio provoca un aumento de una hora de iluminación natural en el horario vespertino. En base a lo anterior, se sugiere la extensión del horario durante el invierno debido a su impacto positivo en la reducción de accidentes de tránsito. Algunos efectos biológicos que serían consecuencia del cambio de horario son estudiados en la referencia [17]. En ella se plantea que el ciclo circadiano del ser humano tarda varios días en ajustarse a los cambios producidos por aplicar una medida DST, además de provocar efectos en la adaptación del organismo a los cambios en las estaciones del año, los cuales pueden implicar problemas en otros aspectos del organismo. Con respecto a los efectos psicológicos de aplicar medidas DST, el estudio [18] se enfoca en el impacto que tendría el cambio de horario en los intentos de suicidio del Reino Unido. Los resultados indican que los efectos biológicos producidos por el cambio de horario no provocarían un aumento en la tasa de suicidios. Algunos autores han planteado que existirían efectos en los mercados económicos al aplicar medidas DST. La referencia [19] indica que los mercados económicos se verían afectados negativamente en los días donde se produce el cambio de hora. En contraparte, los autores de [20] indican que la aplicación del DST no puede ser usada como una explicación de dicho efecto.

11

3.3.

EL CAMBIO DE HORA EN CHILE

En esta sección, se realiza una revisión histórica de la regulación del cambio de hora en Chile, desde el momento en que se decretó por primera vez el cambio de hora en 1970. Además, se dará a conocer que referencias se hace en la Norma Técnica de Seguridad y Calidad de Servicio (NTSyCS) sobre el horario oficial en nuestro país.

Cronología de la Regulación del Cambio de Hora: Para aprovechar mejor la luz natural en el territorio nacional, se analizó la posibilidad de poder aplicar el cambio de hora en el país. Esta necesidad se concretó en octubre de 1970 por el decreto Nº1.489, el cual basándose en diversos estudios realizados por el Instituto de Hidrográfico de la Armada (oficio Nº9.725/3 de la Subsecretaria de Marina), promulgo lo siguiente: “Cada año, la Hora Oficial se adelantará en 60 minutos, a contar desde las 24 horas del segundo sábado del mes de octubre, por un período comprendido entre tal fecha y las 24 horas del segundo sábado del mes de Marzo inmediatamente siguiente”. Posteriormente, el decreto Nº1.142 en 1980, oficializó como sería el horario de la Chile Insular Occidental, correspondiente a la Isla de Pascua e Isla Sala y Gómez, tomando como referencia la hora oficial que se tenía en Chile Continental, en la cual se adoptó el horario del mediano ciento cinco grados Weste (105º W), que corresponde al huso horario siete horas al Oeste de Greenwich (+7), obteniéndose así, una diferencia de menos cuatro horas en el horario de invierno y menos tres horas en el horario de verano. Pero debido al creciente desarrollo en diversas actividades de aquella parte del territorio nacional, así como una economía en el gasto de recursos destinados a la producción de energía y poder también, tener un mejor aprovechamiento de la luz natural, se modificó la diferencia horaria en solamente dos horas de forma permanente, por medio del decreto Nº61 en 1982. Desde aquel momento, se tuvo regularizada la diferencia horaria entre las distintas zonas que componen el territorio, con una diferencia de dos horas y en que instantes se va a producir el cambio de hora para un obtener una mejor utilización de la luz solar a lo largo del año. En septiembre de 1998, debido a las desfavorables condiciones hidrográficas que existieron después de la temporada de invierno, se tomó la decisión de adelantar en dos semanas el comienzo del horario de verano para el último sábado de ese mismo mes por ese año, acompañado de una restricción del suministro de energía eléctrica para sacar provecho a la luz natural, por medio del decreto Nº1.903. Durante el siguiente año, estas pésimas condiciones hidrográficas continuaron, llevando a tener una severa sequía y con una limitación en el suministro eléctrico, lo que derivo aplazar la entrada del horario de invierno hasta el primer sábado de abril por ese año, por medio del decreto Nº.134. Los años posteriores, se volvió a las fechas normales del cambio de hora que fueron decretadas en 1970 hasta finales de la década del 2000. En 2008, se tuvieron condiciones hidrográficas desfavorables, con una severa sequía y restricción del suministro eléctrico,

12

lo que gatilla en atrasar por ese año el horario de invierno hasta el último sábado de marzo, por medio del decreto Nº316. A finales de febrero del 2010, se produce una gran catástrofe en la zona centro sur del país, que fue un fuerte terremoto, el cual deja devastado una gran mayoría de viviendas y edificios, sistemas de comunicación afectados. Con todo esto, se toma la decisión de atrasar la entrada del horario de invierno hasta el primer sábado de abril por ese año, pudiendo así, aprovechar mejor la luz del día y ayudar a la reconstrucción, por medio del decreto Nº156. El 2011, se tuvo proyecciones desfavorables con las condiciones hidrográficas y acompañado con el fenómeno de la niña (escases de lluvia), se hizo necesario disminuir la demanda de energía eléctrica para tener un mejor aprovechamiento de la luz natural. Frente a esta pésima situación que se estaba viviendo en el país, en marzo se decidió por medio del decreto Nº163, aplazar la entrada del horario de verano para el primer sábado de abril. Pero debido a que esta situación no vario en lo que quedaba de año, se sacó el decreto Nº200, el cual volvía aplazar por alrededor de un mes la entrada en vigencia del horario de invierno, hasta el primer sábado de mayo. Las condiciones desfavorables se mantuvieron durante el resto del año, con lo que se dio la necesidad de disminuir globalmente la demanda de energía eléctrica, obteniéndose un ahorro en el consumo, todo esto se logró producir debido al adelantamiento de la entrada del horario de verano para el tercer sábado de agosto para ese año, por el decreto Nº469. En 2012, las condiciones hidrográficas no variaron con respecto al año precedente, con lo que se vuelve a decretar racionamiento de energía eléctrica y la necesidad de aprovechar al máximo la luz natural, atrasándose la entrada del horario de invierno para el último sábado de abril y adelantando el horario de verano para el primer sábado de septiembre, por medio del decreto Nº225. Las condiciones hidrológicas en aquel año fueron más bajas de lo normal y con el ahorro en los consumos de energía eléctrica que se obtuvieron, se decidió expandir el periodo del horario de verano, llevando hacer algo similar en el 2013, atrasando la entrada en vigencia del horario de inviernos para el último sábado de abril y adelantando la entrada en vigencia del horario de verano para el primer sábado de septiembre, por el decreto Nº153. Debido a las malas condiciones hidrológicas que se han producido en los últimos años y al ahorro de energía eléctrica que se ha obtenido al extender el horario de verano por ocho meses, el Ministerio de Energía decidió en febrero del 2014 para ese año, aplazar la entrada en vigencia del horario de inviernos para el último sábado de Abril y adelantar el horario de verano para el primer sábado de septiembre, para tener un mejor aprovechamiento de la luz natural y seguir utilizando eficientemente la energía eléctrica, por medio del decreto Nº307. A continuación, se muestra gráficamente en que número de semana se produjeron estos cambios en el transcurso del tiempo en la Figura 3.2 y una línea del tiempo con todos los decretos que sean promulgados en la historia del cambio de hora en la Figura 3.3.

13

Norma Técnica de Seguridad y Calidad de Servicio (NTSyCS): En la NTSyCS de noviembre 2014, se hace referencia a la hora oficial de Chile Continental en el Artículo 4.16, el cual trata la sincronización que deben tener todos los sistemas de información en tiempo real al momento de tener una comunicación entre ellos, como por ejemplo es el horario en que se produce alguna falla o la comunicación que tienen los sistemas SCADA, por medio de un reloj patrón que tendrá por medio de la señal GPS ajustada a la hora oficial. Estos sistemas se encuentran con una configuración automática con respecto al cambio de hora que se estableció en el decreto Nº1.489 de 1970, donde el horario de verano comienza en el segundo sábado de Octubre y el horario de invierno parte en el segundo sábado de Marzo a las 24 horas respectivamente. Se observa que al momento de hacer modificaciones al decreto original sobre el momento en realizar el cambio de hora, lo cual hace necesario reconfigurar manualmente cada uno de los sistemas. El problema aparece en la sincronización de adquisición de datos que realiza el Centro de Despacho Económico (CDEC) de cada sistema eléctrica del país, ya que le llega información con diferentes hora a la original, con lo cual es necesario hacer una rectificación manualmente del horario, perdiendo eficiencia en los trabajadores del CDEC, debido que tienen que gastar tiempo en modificar información. Esto se debe, al posible olvido de algún operario en ajustar el horario de los dispositivos según la hora oficia, llevando a tener errores que puedan costar caro a la operación del sistema en sí.

14

FIGURA 3.2. CAMBIO DE HORA EN CHILE.

15

16

FIGURA 3.3. LÍNEA DEL TIEMPO DE DECRETOS POR EL CAMBIO DE HORA.

4. METODOLOGÍAS PARA ANALIZAR EL IMPACTO DEL CAMBIO DE HORA Debido a la compleja interacción entre adicionar horas de luz al término del día y la temperatura horaria, no hay un mejor método por si sólo para analizar el impacto en el consumo de energía eléctrica que tiene la aplicación del DST. La metodología que a continuación se presenta se basa en lo planteado en el Informe de Avance del presente estudio [1]. Para analizar el impacto que provoca aplicar una medida de ahorro energético de este tipo, se utilizan dos métodos; heurístico y estadístico. Ambos poseen diferentes alcances y limitaciones, pero en su conjunto, entregan una mejor percepción sobre la interacción entre las demandas y el cambio de hora. El estudio desarrollado por el Departamento de Energía de Estados Unidos (DOE) [8], se considera como la principal referencia en el planteamiento de ambos métodos. Adicionalmente, y debido a las características propias de la aplicación del DST en Chile, la publicación de Mirza y Bregland [14] presenta algunas consideraciones necesarias que son indicadas posteriormente.

4.1.

MÉTODO HEURÍSTICO

El método heurístico presenta una forma de aproximar el ahorro de energía eléctrica tras la aplicación del DST, lo cual se hace mediante la comparación de la demanda eléctrica7 entre dos periodos de tiempo donde se aplica el cambio de hora, sin utilizar una modelación matemática formal. La aproximación es heurística en el sentido que; a través de la observación, en un rango de días (40 aproximadamente) alrededor del cambio de hora, de los perfiles de demanda de energía eléctrica promedio que se observan en los días previos y posteriores al del cambio de hora, se hace una comparación que busca aproximar heurísticamente el efecto bruto de la política. La metodología para la aplicación del método heurístico considera el siguiente procedimiento:

7

Los siguientes conceptos son utilizados constantemente y requieren su especificación para evitar confusiones:  Demanda eléctrica: Se refiere al valor promedio de la potencia activa en un instante de tiempo. La unidad de medida es el Watt (W) y el intervalo de tiempo utilizado es comúnmente de ¼ de hora. La demanda hace referencia a la cantidad de potencia que se requiere en un instante de tiempo.  Consumo eléctrico: Se refiere a la cantidad de energía que es utilizada en un intervalo de tiempo. La unidad de medida más común es el kilowatt-hora (kWh). El planteamiento del modelo econométrico de diferencias en diferencias utiliza el consumo eléctrico, por lo que los resultados indican el ahorro de energía eléctrica tras aplicar el DST.

18

1. En primer lugar, se debe seleccionar la zona geográfica donde se desea realizar el estudio de impacto del DST. 2. A continuación, se debe obtener la información de demanda de potencia eléctrica horaria de alguna compañía distribuidora presente en la región donde se busca analizar el impacto. Esta demanda de potencia eléctrica debe considerar las mediciones por hora en el periodo de tiempo donde se aplican los cambios de horario de verano a invierno y viceversa8. 3. Se determina el momento exacto donde ocurre el cambio de hora y se plantean dos periodos, uno previo al cambio de hora y otro donde ya fue aplicado el cambio. Por ejemplo, para el año 2014, en Chile, se establecen dos momentos donde se aplicó el cambio de hora, asociados a cuatro periodos de análisis: a. Fin del horario de verano: 26 de abril del 2014. Desde ese día se establece un periodo que corresponde al horario de verano (HV) y uno posterior al cambio (horario de inverno, HI). b. Inicio del horario de verano: 6 de septiembre del 2014. En este día se establece un periodo previo al cambio de horario (horario de invierno) y uno donde se vuelve horario de verano. 4. Se necesita que los periodos elegidos sean similares en número de días, tal que la muestra o ventana de datos esté calculada con el mismo número de observaciones para cada período, evitando así sesgos en las tendencias encontradas. Con este propósito, debe tenerse en cuenta lo siguiente: a. Se consideran solo días de semana, ya que los días sábado y domingo son considerablemente diferentes a los días laborales. b. Similarmente, los días festivos son omitidos del análisis. 5. Una vez obtenidas las curvas de demanda horarias para cada día de los periodos anteriormente señalados, se obtiene una curva equivalente para cada ventana analizada, o intervalo de tiempo, lo cual se consigue promediando el valor de la demanda, de forma independiente para todas las horas del día. Esto permite obtener una curva promedio de la demanda por hora, para cada periodo, tanto antes como después del cambio de hora. En la Figura 4.1 se muestra un ejemplo.

8

Estos periodos se le llaman trimestre, dado que corresponden a los 3 meses donde está contenido el respectivo cambio de hora

19

Pre HI 2013 8,00 7,00

MW

6,00 5,00 4,00 3,00 2,00 1,00 0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

0,00

FIGURA 4.1. DEMANDA ELÉCTRICA HORARIA PRE APLICACIÓN HORARIO DE INVIERNO 2013. ALIMENTADOR ROJAS MAGALLANES.

6. Tras obtener las dos curvas equivalentes de demanda de energía eléctrica (asociadas a cada cambio de hora), se procede a obtener las horas tratadas, es decir, a obtener el intervalo de tiempo donde varía la demanda de potencia eléctrica de manera gráfica; posiblemente producto de la aplicación de la política de cambio de hora, que para el ejemplo de la ¡Error! No se encuentra el origen de la referencia. corresponde al horario comprendido entre las 5:00 y 9:00 en la mañana y 17:00 y 23:00 en la tarde. 7. Definidas las horas tratadas, se realiza la división de las mismas curvas de demanda (aplicación del nuevo cambio de hora dividida por hora anterior), con el fin de obtener el impacto que presenta el cambio de hora en el consumo eléctrico, tal como se muestra en la ¡Error! No se encuentra el origen de la referencia.. Tras realizar esta división, se puede obtener dos tipos de resultados a priori: a. En el caso de existir alguna diferencia en la demanda de energía eléctrica debido al cambio de hora, esta se vería reflejada en forma de irregularidades en la curva obtenida tras realizar la división. b. En el caso contrario, si no existe un efecto significativo en la demanda de energía eléctrica, la curva obtenida presentaría un patrón plano, donde no existirían variaciones bruscas debido al cambio de hora. Este caso indicaría de forma directa que no existe un desplazamiento en la curva de demanda, y por lo tanto, el patrón de consumo de electricidad por parte de los clientes no se vería afectado al aplicar una medida DST. 8. Con los radios9 obtenidos, se procede hacer una regresión lineal en los intervalos definidos como las horas tratadas, con el fin de reflejar el patrón de demanda que 9

Los radios se refieren a la división entre la demanda para el periodo donde se aplica el DST y donde no es aplicado. Esta división se realiza punto a punto, en este caso, para cada hora.

20

hubiese ocurrido de no haberse aplicado el cambio de hora. Estos nuevos puntos definen amplitudes respecto a los puntos de la curva original de demanda, que en el caso de ser negativos, muestran un ahorro. El signo que adquiera la suma de todas las amplitudes definidas en el periodo de las horas tratadas, define si hay una reducción o un aumento de la demanda de energía eléctrica. 9. Finalmente, haciendo uso de lo explicado en el punto (8) para ambos cambios de horario producidos en un año, se puede obtener un indicador del ahorro o aumento en la utilización de energía eléctrica anual producto de las políticas.

4.1.1. APLICACIÓN EN SANTIAGO El suministro de energía eléctrica de gran parte de la ciudad de Santiago, ubicada en la Región Metropolitana, es provisto por la empresa de Distribuidora Chilectra Metropolitana. Para obtener un mejor resultado sobre el efecto de la política del cambio de hora y teniendo clara la información disponible, se escogió (en base a las mediciones proporcionadas por la distribuidora) un alimentador residencial representativo, el cual se ubica en la comuna de La Florida; Rojas Magallanes. La data de las demandas entregada por Chilectra se obtiene a través de su sistema SCADA (Supervisory Control And Data Adquisition10). Este sistema en algunas ocasiones presentó anomalías, lo cual limitó los intervalos de tiempo seleccionados para la aplicación del método heurístico. Este conocimiento resulta primordial para entender de mejor manera los resultados presentados en este informe. A continuación, en la Figura 4.2, se muestra la cantidad de días utilizados para cada periodo, siguiendo el procedimiento descrito en el punto (3) del método Heurístico (inicio de esta sección). Cabe destacar que para el segundo trimestre 11 del 2014, el mínimo período se limitó a una semana, puesto que la data suministrada por Chilectra no contenía valores de demanda desde el 17 al 31 de Agosto.

10

Supervisión, Control y Adquisición de Datos En este estudio, cada trimestre representa un periodo dentro de los tres meses alrededor del cambio de hora. 11

21

25

Días

20 15 10 5

Período Largo Período corto

0

FIGURA 4.2. PERÍODOS DE TIEMPO O VENTANAS RESPECTO A LOS PRE Y POST CAMBIOS DE HORA.

Para la selección de las ventanas de días no fueron considerados los días Sábados, Domingo y Festivos correspondientes a la Región Metropolitana. Esto debido a que, como se ha mencionado anteriormente, los respectivos días presentan patrones de consumo no establecidos (como si ocurre en la semana), y por tanto no afectados por el DST. Además, cabe destacar que en el período del horario de verano del segundo trimestre del 2013, se tiene información perdida en algunos días dentro de las 21:00 y 23:00 horas. Los resultados gráficos del método heurístico se muestran a continuación:

MW

Demanda horaria 1er Trimestre 2013 9,00 8,00 7,00 6,00 5,00 4,00 3,00 2,00 1,00 0,00

HV HI

FIGURA 4.3. DEMANDA ELÉCTRICA PRIMER TRIMESTRE 2013 PARA VENTANA DE 23 DÍAS.

22

Demanda horaria 1er Trimestre 2013 8,00 7,00 6,00 MW

5,00 4,00 3,00 2,00

HV HI

1,00 0,00

FIGURA 4.4. DEMANDA ELÉCTRICA PRIMER TRIMESTRE 2013 PARA VENTANA DE 10 DÍAS.

Demanda horaria 2do Trimestre 2013 8,00 7,00 6,00 MW

5,00 4,00 3,00 2,00

HI HV

1,00 0,00

FIGURA 4.5. DEMANDA ELÉCTRICA SEGUNDO TRIMESTRE 2013 PARA VENTANA DE 23 DÍAS.

23

Demanda horaria 2do Trimestre 2013 8,00 7,00 6,00 MW

5,00 4,00 3,00 2,00

HI HV

1,00 0,00

FIGURA 4.6. DEMANDA ELÉCTRICA SEGUNDO TRIMESTRE 2013 PARA VENTANA DE 10 DÍAS.

Demanda horaria 1er Trimestre 2014 7,00 6,00

MW

5,00 4,00 3,00

HV

2,00

HI

1,00 0,00

FIGURA 4.7. DEMANDA ELÉCTRICA PRIMER TRIMESTRE 2014 PARA VENTANA DE 23 DÍAS.

24

Demanda horaria 1er Trimestre 2014 7,00 6,00

MW

5,00 4,00 3,00

HV

2,00

HI

1,00 0,00

FIGURA 4.8. DEMANDA ELÉCTRICA PRIMER TRIMESTRE 2014 PARA VENTANA DE 10 DÍAS.

Demanda horaria 2do Trimestre 2014 6,00 5,00

MW

4,00 3,00 2,00

HI HV

1,00 0,00

FIGURA 4.9. DEMANDA ELÉCTRICA EN EL SEGUNDO TRIMESTRE 2014 PARA VENTANA DE 5 DÍAS.

La primera apreciación es la diferencia existente entre los resultados obtenidos con distintas ventanas de tiempo. Por ejemplo, si se observan las gráficas de consumo de la Figura 4.4, Figura 4.6 y Figura 4.8, se puede notar que las demandas permanecen iguales independientes de la política aplicada, a excepción del incremento en la tarde, el cual es trasladado dependiendo del cambio de hora. Por el contrario, cuando las ventanas de tiempo son más grandes, como en Figura 4.3, Figura 4.5 y Figura 4.7, se aprecia un pequeño aumento en la demanda en el horario de invierno respecto al horario de verano. Esto se debe a que al tomar muestras de tiempo más grandes, existen algunas otras

25

variables conductuales en la gente que no pueden ser explicadas únicamente como un efecto del DST, como por ejemplo, el uso de calefacción y aire acondicionado. Sin embargo, para el caso de la Figura 4.9, el cual toma la muestra de cinco días hábiles en ambas direcciones al período de cambio de hora de verano, el resultado es similar o mayor en cuanto a demanda, al obtenido para un período extenso. Una muestra tan pequeña (cinco días hábiles) quita representatividad en los resultados. La segunda observación hace referencia a las variaciones en el comportamiento de la curva de demanda de energía eléctrica. En primer lugar, se observa que en todas las gráficas, independientemente de las ventanas de tiempo utilizadas, la tendencia de curva de demanda es la misma. Las horas tratadas, que corresponden al período en el cual la demanda se debiese ver afectada por la política, ocurren en los mismos intervalos de tiempo; a saber; el incremento en la demanda ocurre por las mañanas entre las 5:00 y 9:00 horas, mientras que el de la tarde ocurre entre las 17:00 y 23:00 horas. En segunda instancia se observa además que dentro de este intervalo de horas tratadas, el horario donde ocurre el máximo en cada una no cambia ni se ve alterado al producirse el cambio de política, dado que tanto en la mañana como en la tarde el respectivo incremento de consumo es invariante en los tiempos antes y después del DST (en términos gráficos puede observarse que estos incrementos son 7.30 am y 8.30 pm). Para determinar el ahorro energético, se procedió a desarrollar lo descrito anteriormente en los puntos (7), (8) y (9) de esta sección, vale decir, definir las horas tratadas, para luego realizar la división hora a hora e interpolar en los intervalos donde se aprecia el efecto del DST. En la Figura 4.11, Figura 4.13, Figura 4.15 y Figura 4.17 se aprecia la misma tendencia en los radios para las ventanas mínimas respectivas, mientras que en la Figura 4.10, Figura 4.12 y Figura 4.14, los radios son distintos unos de otros, debido principalmente a las ventanas de tiempo anteriormente mencionadas. De todas formas se puede medir el impacto de ahorro de energía eléctrica que tiene cada uno de estos por separado. Este resultado global se aprecia en la Figura 4.17.

Radio 1er Trimestre HI/HV 2013

0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

1,7 1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8

Interpolación

Ratio 1er trimestre 2013

FIGURA 4.10. RADIO PRIMER TRIMESTRE 2013 PARA VENTANA DE 23 DÍAS.

26

0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

Radio 1er Trimestre HI/HV 2013

1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8

Interpolación

Interpolación Ratio 1er trimestre 2013

FIGURA 4.11. RADIO PRIMER TRIMESTRE 2013 PARA VENTANA DE 10 DÍAS.

Radio 2do Trimestre HV/HI 2013

1,1

1

0,9

0,8

0,7

0,6

0,5

Ratio 2do trimestre 2013

FIGURA 4.12. RADIO SEGUNDO TRIMESTRE 2013 PARA VENTANA DE 23 DÍAS.

27

0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

Radio 2do Trimestre HV/HI 2013

1,1 1

0,9

0,8

0,7

0,6

0,5

Interpolación

Interpolación Ratio 2do trimestre 2013

FIGURA 4.13. RADIO SEGUNDO TRIMESTRE 2013 PARA VENTANA DE 10 DÍAS.

Radio 1er Trimestre HI/HV 2014

1,7 1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8

Ratio 1er trimestre 2014

FIGURA 4.14. RADIO PRIMER TRIMESTRE 2014 PARA VENTANA DE 23 DÍAS.

28

0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

Radio 1er Trimestre HI/HV 2014

1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8

Interpolación

Interpolación Ratio 1er trimestre 2014

FIGURA 4.15. RADIO PRIMER TRIMESTRE 2014 PARA VENTANA DE 10 DÍAS.

Radio 2do Trimestre HV/HI 2014

1,1

1

0,9

0,8

0,7

0,6

0,5

Ratio 2do trimestre 2014

FIGURA 4.16. RADIO SEGUNDO TRIMESTRE 2014 PARA VENTANA DE 5 DÍAS.

29

36,47 2014

Período corto Período Largo

-1,51 2013 -17,95

-30,00 -20,00 -10,00 0,00 10,00 20,00 Ahorro Energía Eléctrica %

30,00

40,00

FIGURA 4.17. AHORRO EN EL CONSUMO DE ENERGÍA ELECTRICA ANUAL PARA LOS DOS INTERVALOS DE TIEMPO.

Para medir el impacto global anual de las políticas, se procedió a obtener los radios para cada trimestre donde se aplique cambio de hora. La suma de las amplitudes entre los radios y las horas definidas por la interpolación en el periodo del factual, definen el ahorro de energía eléctrica porcentual en el determinado trimestre12. Por ejemplo, el 2013 hace cuenta del ahorro o aumento de consumo total en el cambio de horario invierno más el ahorro o aumento de consumo total en el cambio de horario de verano, para los dos intervalos de muestras definidos con color verde y amarillo respectivamente. En la Figura 4.17 se aprecia que, para el 2013 independiente de la ventana de tiempo, existe un ahorro energético producto de las políticas de cambio de hora (aplicación de horario invierno y horario verano). La gran variación presente por parte de los intervalos es debido a que grandes muestras no consideran otros aspectos en conductas temporales de los usuarios como uso de calefacción y aires acondicionados [14]. Por su parte, el aumento del consumo de energía eléctrica para el intervalo de período corto del 2014 (Ver Figura 4.9) es poco representativo, ya que toma una muestra de tiempo muy reducida y no permite con claridad definir si su aumento en el horario de invierno es debido al impacto del cambio de hora en las cargas residenciales13 o a otro tipo de fenómeno conductual en los consumidores. Cabe destacar que las políticas de cambio de horario de verano generan un ahorro de energía eléctrica (Ver Figura 4.12, Figura 4.13 y Figura 4.16), puesto que los puntos de interpolación definidos para las horas tratadas anteriormente descrito, se encuentran por sobre los puntos de la curva de radio HV/HI (horario verano sobre horario invierno).

12

Recordar que trimestre hace referencia a los 3 meses donde se encuentra el respectivo cambio de hora. 13 El 2014 para el método heurístico deja de ser representativo dada la falta de información a la mitad del mes de Agosto

30

Finalmente, vistas las demandas horarias donde la política no produce aumento, sino solo cambios de peak, y los resultados mostrados en la Figura 4.17, se puede decir a priori, que el ahorro anual de energía eléctrica producto de los cambios de horario es de alrededor de 1,5%. Sin embargo, el método heurístico es limitado para obtener una conclusión sólida, dado que sus supuestos sobre el impacto que tiene el cambio de hora en los consumos residenciales están basados sólo en las variaciones de demanda eléctrica en el tiempo, sin considerar otras variables que pueden afectar a la misma, como crecimiento económico, variaciones de temperatura, días de vacaciones, entre otras, los cuales si son considerados de forma directa en el método econométrico que se presenta a continuación.

4.1.2. APLICACIÓN EN REGIONES Con la experiencia realizada en Santiago, se demostró que una muestra temporal apreciable para obtener contra-factuales14 adecuados, es considerar intervalos previos y posteriores de dos semanas desde la aplicación del respectivo cambio de hora. Por su parte, dada la información disponible, entregada por las respectivas distribuidoras de cada ciudad, para los siguientes análisis se utilizó curvas de Consumo Horario15.

ARICA Para la ciudad de Arica se utilizó la información entregada por la empresa distribuidora EMELARI. En específico, del alimentador Chacalluta, en la subestación Chinchorro. Tanto la Figura 4.18 como Figura 4.19 hacen muestra de los efectos producidos por el cambio de hora el año 2013, mientras que Figura 4.20 y Figura 4.21 presentan lo producido el año 2014. La ciudad de Arica pertenece al Sistema Interconectado Norte Grande (SING). En esta ciudad se detecta una diferencia con respecto de las otras ciudades presentes en este estudio, ya que se observan curvas residenciales sin los peaks típicos de mañana y tarde, comúnmente presentes en las curvas de carga del Sistema Interconectado Central (SIC). Esto se puede corroborar al verificar las curvas de consumos presentadas en Figura 4.18, Figura 4.19, Figura 4.20 y Figura 4.21

14

Horas en las curvas de demanda horaria donde no se ve efectos producidos por la aplicación del cambio de hora. 15 Curvas con el mismo comportamiento que Demanda Horaria, pero con distinta unidad de medida, puesto que para este caso se habla de Energía Eléctrica.

31

Consumo horario 1er Trimestre 2013 700 600

Wh

500 400 300

HV

200

HI

100 0

FIGURA 4.18. CONSUMO HORARIO PRIMER TRIMESTRE 2013 ARICA.

Consumo horario 2do Trimestre 2013 700 600

Wh

500 400 300

HV

200

HI

100 0

FIGURA 4.19. CONSUMO HORARIO SEGUNDO TRIMESTRE 2013 ARICA.

32

Consumo horario 1er Trimestre 2014 800 700 600 Wh

500 400 300 200

HV HI

100 0

FIGURA 4.20. CONSUMO HORARIO PRIMER TRIMESTRE 2014 ARICA.

Consumo horario 2do Trimestre 2014 700 600

Wh

500 400 300

HV

200

HI

100 0

FIGURA 4.21. CONSUMO HORARIO SEGUNDO TRIMESTRE 2014 ARICA.

Como se notó en las figuras anteriores, tanto para el 2013 como para el 2014, la política del cambio de hora no altera en gran medida los consumos de energía eléctrica. Esto puede ser debido principalmente a que las ciudades que se ubican más al norte, en especial Arica, tienen variaciones de luminosidad bastante menor a las presentes en Santiago o en el sur de Chile, puesto que estas se encuentran más cerca del ecuador donde la variación de luminosidad es mínima [21].

33

Se debe recordar que el objetivo principal de la política del cambio de hora es reducir los consumos de energía eléctrica producidos durante la tarde, a través de una prolongación de las horas de luz solar. Sin embargo, como se pudo apreciar anteriormente, los clientes residenciales en Arica no presentan el patrón de consumo característico de las otras regiones estudiadas. A partir de la Figura 4.18 y Figura 4.19 como de las Figura 4.20 y Figura 4.21, se puede notar que la política del cambio de hora mueve las curvas de consumo horario entre las 18:00 y 09:00. Este intervalo se puede definir como el factual donde la política afecta a las curvas de consumo horario.

CONCEPCIÓN Para la ciudad de Concepción, se utilizó la información entregada por la distribuidora CGE Distribución, en específico del alimentador Bio-Bio perteneciente a la subestación Chiguayante. En la Figura 4.22 y en la Figura 4.23 se muestran los efectos producidos por el cambio de hora el 2013, mientras que en Figura 4.24 y Figura 4.25 muestran lo producido el 2014. La ciudad de Concepción pertenece al SIC, teniendo comportamiento en los consumidores residenciales similares a los producidos en Santiago, presentando los valores peak característicos en horarios de la mañana y de la tarde.

Consumo horario 1er Trimestre 2013 1200000 1000000

Wh

800000 600000 400000

HV HI

200000 0

FIGURA 4.22. CONSUMO HORARIO PRIMER TRIMESTRE 2013 CONCEPCIÓN.

34

Consumo horario 2do Trimestre 2013 1400000 1200000

Wh

1000000 800000 600000

HV

400000

HI

200000 0

FIGURA 4.23. CONSUMO HORARIO SEGUNDO TRIMESTRE 2013 CONCEPCIÓN.

Consumo horario 1er Trimestre 2014 1200000 1000000

Wh

800000 600000 400000

HV HI

200000 0

FIGURA 4.24. CONSUMO HORARIO PRIMER TRIMESTRE 2014 CONCEPCIÓN.

35

Consumo horario 2do Trimestre 2014 1400000 1200000

Wh

1000000 800000 600000

HV

400000

HI

200000 0

FIGURA 4.25. CONSUMO HORARIO SEGUNDO TRIMESTRE 2014 CONCEPCIÓN.

Como se puede apreciar en las cuatro curvas anteriores, el efecto del cambio de hora, a priori, afecta fuertemente en el peak de la mañana entre las 05:00 y 09:00 horas, mientras que levemente durante los horarios de la tarde (18:00 - 23:00 horas). Queda claro que el horario de verano a las 05:00 horas presenta un mayor consumo que el horario de invierno, sin embargo para la cota superior (09:00 horas), la Figura 4.23 y Figura 4.24 permiten definir definitivamente esta selección de hora. Por su parte, el peak tarde sigue la misma tendencia utilizada para el caso de Santiago. Estos intervalos de tiempos definitivos son los que establecen las dummie de los respectivos factuales mañana y tarde16.

PUNTA ARENAS Para la ciudad de Punta Arenas, se utilizó la información entregada por la distribuidora EDELMAG, en específico del alimentador 10. La Figura 4.26 y la Figura 4.27 muestran los efectos producidos por el cambio de hora el año 2013, mientras que Figura 4.28 y Figura 4.29 muestran lo producido el año 2014. La ciudad de Punta Arenas pertenece al subsistema de Punta Arenas correspondiente al Sistema Eléctrico de Magallanes, el cual tiene un comportamiento similar a los consumidores residenciales del SIC, es decir, presenta los peak de mañana y de tarde característicos.

16

Valores binarios que toman el valor de 1 cuando toman cuenta del periodo en donde podría ocurrir efectos en el consumo producto de la política del cambio de hora.

36

Consumo horario 1er Trimestre 2013 600000 500000

Wh

400000 300000 200000

HV HI

100000 0

FIGURA 4.26. CONSUMO HORARIO PRIMER TRIMESTRE 2013 PUNTA ARENAS.

Wh

Consumo horario 2do Trimestre 2013 1000000 900000 800000 700000 600000 500000 400000 300000 200000 100000 0

HV HI

FIGURA 4.27. CONSUMO HORARIO SEGUNDO TRIMESTRE 2013 PUNTA ARENAS.

37

Consumo horario 1er Trimestre 2014 1000000 900000 800000 700000 600000 500000 400000 300000 200000 100000 0

HV HI

FIGURA 4.28. CONSUMO HORARIO PRIMER TRIMESTRE 2014 PUNTA ARENAS.

Wh

Consumo horario 2do Trimestre 2014 1000000 900000 800000 700000 600000 500000 400000 300000 200000 100000 0

HV HI

FIGURA 4.29. CONSUMO HORARIO SEGUNDO TRIMESTRE 2014 PUNTA ARENAS.

A diferencia de la Figura 4.26, todas las curvas para los distintos periodos en Punta Arenas muestran similares características; la política parece afectar solo al peak tarde entre las 18:00 y 23:0017. Este intervalo de tiempo define la dummie del factual peak tarde para el modelo de Punta Arenas.

17

De alguna forma, midiendo el mismo intervalo de impacto que posee el SIC; Santiago y Concepción.

38

4.2.

MÉTODO ECONOMÉTRICO APLICADO A SANTIAGO

Como se puso de manifiesto en la sección anterior, el método heurístico nos da solamente una aproximación del efecto de la política de cambio de hora (conocida en la literatura como: Daylight Saving Time, DST). Esto es debido a que la comparación que se realiza es bastante ingenua, en el sentido que simplemente compara la media de consumo que registra cada hora del día antes y después de aplicar la política, variando el número de observaciones (días) con los que se calculó dicha media en intervalos de tiempo más cortos o más largos. Como se puede intuir, el consumo de energía eléctrica de las 08:00 am de un lunes no es necesariamente comparable con el consumo energético de otro lunes (por decir dos semanas después) también a las 08.00 am, esto ya que si el primer lunes está en horario de invierno y el segundo en horario de verano, existirán características observables, como también inobservables, que podrán afectar de forma distinta el consumo de cada una de éstas horas analizadas. No obstante, siempre es bueno tener un benchmark o punto de referencia, que permitiese hacer una primera aproximación al análisis de los efectos del DST en el consumo energético. Sin embargo, para poder hacer frente a las limitaciones presentadas por el método heurístico, utilizaremos un modelo econométrico que permita dar explicaciones más profundas al respecto del consumo de energía eléctrica. En particular, la metodología usada es la tradicional, que es modelar un polinomio de regresión, en vistas de intentar estimar (si los hubiese) efectos causales de ciertas variables, que se suponen exógenas, sobre una variable de interés o resultado que en este caso será el consumo energético en determinada hora del día (ℎ). Luego se podrán hacer comparaciones entre estos efectos causales, analizar si éstos resultados son válidos a nivel poblacional, e incluso poder hacer proyecciones, o simulaciones de ciertos escenarios, ya sea mediante predicciones puntuales (para valores fijos de las variables exógenas), o por intervalos confidenciales.

4.2.1. ESTRATEGIA DE IDENTIFICACIÓN, CAUSALIDAD Y EXPERIMENTOS. Puesto que no existen estudios previos en donde se plantee esta evaluación para el territorio nacional, el marco teórico usado para modelar esta evaluación de impacto se basó en las siguientes directrices; luego de analizar la literatura disponible (estudios internacionales detallados en el estado del arte [1]); se tomó en cuenta el hecho de que en Chile la política o tratamiento del cambio de hora se aplica a todo el territorio al mismo tiempo, lo que dejándolo en claro, nos imposibilita de hacer comparaciones entre ciudades/localidades tratadas y no tratadas, estrategia metodológica más común en la mayoría de los estudios consultados, lo que se conoce como diseño experimental o aleatorio. El principal problema, o dificultad en el propósito de identificar el impacto del DST sobre el consumo de energía eléctrica para el caso chileno, es que cuando un tratamiento se aplica a todas las unidades de análisis al mismo tiempo; solamente observamos al grupo de horas analizadas sin la política DST y luego del cambio de hora, con la política DST. 39

Es decir, tenemos para todas las unidades de análisis, solamente los resultados antes del tratamiento, y después de éste, no tenemos lo que en la literatura se conoce como un contra factual que es una unidad de análisis a la que no se le aplicó la política DST, y que es la piedra angular de la evaluación de la política o tratamiento. ¿Por qué necesitamos este contra factual? Porque si comparamos las medias de consumo antes y después del tratamiento, básicamente podríamos estar midiendo, no el efecto del programa, sino además todo aquello que puede haberse visto modificado durante el tratamiento, y que no forma parte de éste. Además, en nuestro caso el tratamiento se asigna a todas las unidades de análisis de forma no aleatoria. Es decir la comparación heurística era ingenua, en el sentido que no considera como factores subyacentes o determinantes del consumo otras variables que pueden verse modificadas durante el tratamiento (por ejemplo cantidad de horas luz por día en los días de Horario Invierno Versus Horario Verano, o la temperatura asociada a cada estación del año, actividades sociales según la estación del año, etc).

4.2.2. ¿POR QUÉ UN CUASI-EXPERIMENTO? Cuando se realiza un experimento natural, se tiene un grupo de tratamiento, y otro de control. Esto ya que el supuesto detrás de la evaluación es, que si la política o tratamiento no hubiese ocurrido, el grupo de tratamiento habría evolucionado de acuerdo a los mismos patrones que evolucionó el grupo de control. A este supuesto se le conoce en la literatura como el supuesto de caminos paralelos. En nuestro caso, como no existe un grupo de control, no tenemos forma de saber qué hubiese ocurrido con el consumo energético en las horas peak de los días de horario de verano de habernos quedado con el régimen horario de invierno (-4:00). Puesto que enfrentamos el obstáculo de que estamos imposibilitados de aplicar el supuesto de caminos paralelos a otro grupo, ya que todas las horas analizadas fueron tratadas, debemos buscar una solución metodológica. De esta manera, la alternativa que seguimos, al igual que en el estudio de Mirza y Bergland [14], es la de realizar un CuasiExperimento, metodología que consiste en crear artificialmente un contra factual, cuando este no existe, lo que en dicho estudio [14] se denomina equivalent day normalization technique 18 . Para este objetivo, usaremos los resultados entregados por el modelo heurístico, y estadísticas descriptivas para crear (observar) contra factuales artificiales y luego especificar un modelo econométrico que será estimado mediante el método de diferencias en diferencias (DD), que consiste en explotar la variación experimentada en la variable de resultado por el grupo tratado y el grupo de control, para luego comparar la diferencia en la variación de dichos grupos, considerando ésta última como una buena aproximación al efecto del tratamiento sobre un individuo tomado a azar de la muestra (ATE, Average Treatment Effect).

4.2.3. ANÁLISIS DE LOS CONTRA FACTUALES. En primer lugar, si observamos la comparación realizada a través del método heurístico, entre la curva de consumo promedio antes y después de aplicar política DST (¡Error! No se encuentra el origen de la referencia. y ¡Error! No se encuentra el origen de la 18

Técnica de normalización de día equivalente

40

referencia.), se puede observar que existen intervalos horarios donde las curvas se mueven muy poco o casi nada, incluso en algunas vecindades de puntos las dos curvas coinciden. Luego, esto nos confirma (al igual que la literatura consultada) el hecho de que podemos dividir el día en varios rangos horarios, basados en intervalos cerrados; estos son19:  Desde las 00:00 a la 04:59 horario que llamamos control madrugada (consumo_madrug),  luego desde las 05:00 a las 09:59 llamamos peak mañana (consumo_peakm),  el horario que sigue desde 10:00 am a 16:59 le llamamos mediodía (consumo_mid),  y finalmente al intervalo 17:00 23:59 le llamamos peak tarde (consumo_peakt). Una vez que conceptualmente hemos dividido el día en éstos cuatro rangos o categorías horarias20, se pueden observar en la Tabla 4.1 las siguientes estadísticas descriptivas, para el consumo en cada categoría, las cuales están ordenadas de acuerdo a como fueron descritas anteriormente.

TABLA 4.1. CONSUMOS PROMEDIO POR HORA (TODA LA MUESTRA DEPURADA)

. sum consumo_madrug consumo_peakm consumo_mid consumo_peakt Variable

Obs

Mean

consumo_ma~g consumo_pe~m consumo_mid consumo_pe~t

1755 1755 2457 2439

12.74752 11.60929 14.28152 19.8321

Std. Dev.

Min

Max

4.071136 3.447857 3.028154 5.953653

6 5.4 7.4 7.4

28.1 22.2 26.8 35.8

Fuente: Elaboración propia.

Como se muestra en la Tabla 4.1, se han analizado los consumos para todas las horas consideradas en la muestra, sin hacer la disociación entre horario con DST, o sin él. El mayor promedio ( ), variación ( . .), máxima, y mínima lo tiene el intervalo peak tarde; seguido por el intervalo mediodía. Curiosamente, además se observa que sin tomar en cuenta el DST, el horario del peak mañana registra el menor consumo en media.

19

Entre paréntesis y en cursiva se indica el nombre de cada variable. Metodológicamente esto se hace creando variables binarias o dicotómicas que asignan un valor uno a cualquier hora analizada que esté dentro de alguna de las categorías analizadas, y cero en el caso contrario. En específico se crean la variable Contra factual madrugada ( ), la variable peak de la mañana ( ), la variable contra factual mediodía ( ),y finalmente la variable peak de la tarde ( ). 20

41

Por lo tanto, se hace necesario, para poder obtener mejor información al respecto, dividir los consumos analizados 21 de acuerdo a si éstos fueron medidos en horas antes o después de la política DST. TABLA 4.2. ESTADÍSTICAS DESCRIPTIVAS RANGOS HORARIOS SIN DST Variable

Obs

Mean

consu~gNODST consu~mNODST consu~dNODST consu~tNODST

641 640 891 886

13.94587 12.82984 15.53199 23.01117

Std. Dev.

Min

Max

4.298516 3.653215 3.061427 5.836728

7.2 6.6 7.4 9

28.1 22.2 26.8 35.8

Fuente: Elaboración propia.

TABLA 4.3. ESTADÍSTICAS DESCRIPTIVAS RANGOS HORARIOS CON DST

Variable

Obs

Mean

consumo~gDST consumo~mDST consumo~dDST consumo~tDST

1114 1115 1566 1553

12.05799 10.9087 13.57005 18.01842

Std. Dev.

Min

Max

3.767201 3.116854 2.76832 5.214768

6 5.4 7.6 7.4

25.4 19.5 26.6 31.7

Fuente: Elaboración propia.

Cómo se puede observar en la Tabla 4.2, analizando el consumo de cada rango horario en los días sin aplicación de la política de cambio de hora (No DST), y luego con la política de cambio de hora en aplicación (DST); las conclusiones anteriormente obtenidas no cambian para ninguno de los dos tipos de datos. No obstante, cabe mencionar que la variación en las medias registradas por todos los horarios, excepto peak tarde, es de una disminución de aproximadamente [ 1,9 − 2,0] ℎ ; en cambio el horario peak tarde 22 disminuye en aproximadamente 5 ℎ . De esta forma se puede ver que, sin controlar por ninguna otra variable las horas del peak tarde, estas son las que registran la mayor variación entre un período y otro. Finalmente, este análisis sirve para mostrar que las horas que formaran parte de los grupos de control de la política no difieren mucho de las horas que se analizaran como tratadas o afectadas. No obstante, en las variaciones recién mencionadas, existe una serie de factores observables, y también subyacentes que no estamos tomando en cuenta, y que pueden afectar el análisis que se está haciendo de la política. Para poder tener en cuenta el efecto de cada una de las posibles variables que afectarían el consumo a distintas horas y que no hemos considerado en el pasado análisis descriptivo, pasaremos a especificar dos modelos econométricos que nos ayuden a aislar efectos causales, y que además distingan no sólo entre horas observadas antes o 21

Nuevamente realizamos esta acción a través de la creación de una variable dummie que registra las horas con DST (ℎ ) asignándoles un uno, y un cero en caso contrario (que recogería así a las horas que no están siendo afectadas por el DST. 22 Recordar que estos resultados son pertenecientes a la data tomada del alimentador de Rojas Magallanes, representativo de Santiago.

42

después del cambio de hora, sino además entre un grupo de horas que llamamos de control o contra factuales (que variará entre 2 modelos distintos), y dos grupos distintos de horas tratadas (que serán los peaks horarios en ambos modelos), y que además, considera en el análisis, todas aquellas variables observables para ambos grupos de horas. Variables tales como, número de hora del día; día de la semana–laboral, fin de semana, festivo, mes del año, temperaturas registradas, año en el que fue observada la hora analizada, etc. Las Funciones de Regresión Poblacional que se van a estimar e interpretar usando sus homólogos muestrales, son las siguientes: Modelo 1 Grupo de control: Horas de la medianoche y el mediodía como un solo grupo. (

) = + + + ( + ∗



+ + ( +

(

+ + )) +

+ (

) + 2014 ( )) +

+ ∗

Modelo 2 Grupo de control: Horas de la medianoche y el mediodía como dos grupos de control distintos.

(

) = + + +

+

+ +

(

(

+ )) + (

+

+ + (

+ )) +

( ) + 2014 ∗

+

∗



Descripción de las variables: ( ) : representa el logaritmo natural del consumo en alimentador Rojas Magallanes, en la hora ℎ de nuestra muestra23.

ℎ; observado en el

: Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que denominamos peak de la mañana. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que denominamos peak de la tarde. Cero en caso contrario.

23

8406 observaciones; dos intervalos de 3 meses en distintas estaciones del año, para los años 2013 y 2014 donde se registró el consumo y todas las variables para cada hora del día. Considerando 426 observaciones pérdidas por falta de data por parte de la distribuidora para el caso de Santiago.

43

: Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que se denomina como contra factual del medio día. Cero en caso contrario. Esta variable nos ayuda a modelar dos grupos de control cuando usamos el mediodía y la medianoche como grupos distintos ( 2). ( ) : Variable dicotómica que asigna valor uno a aquellas observaciones que pertenecen al horario de verano, y que por lo tanto son observaciones en las que se está aplicando la política de cambiar el régimen horario (DST). Cero en caso contrario. : Variable continua que recoge la temperatura en Santiago, registrada en la estación meteorológica de Pudahuel y suministrada por la Dirección Meteorológica de Chile. : Variable de control que recoge días en los cuales la política no puede tener efecto; fechas pre inicio a actividades escolares (del 1 al 10 de marzo) y festividades nacionales (la semana del 18 de septiembre). Su valor es uno dentro de estas fechas y cero en otro caso. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a algún día que fuera feriado calendario. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a los días sábados. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a los días domingos. Cero en caso contrario. 2014: Variable dicotómica que asigna valor uno a aquellas horas que fueron registradas el año 2014; esta variable permitirá recoger los efectos asociados únicamente al cambio de año (crecimiento económico, aumento de las tarifas, etc). ( )): Variable, o término de interacción; surge de la multiplicación de ( ( ) con el objetivo de medir el impacto que tiene la política de DST sobre el y horario peak de la mañana. ( )): Variable, o término de interacción; surge de la multiplicación de y ( ) con el objetivo de medir el impacto que tiene la política de DST sobre el horario peak de la tarde. (

: Vector de variables dummie que controla para cada una de las horas del día (24 categorías, hora de referencia 00:00). Cabe mencionar que en la estimación econométrica de cada modelo; para evitar problemas de multicolinealidad entre las variables, no se agregó variable dummie correspondiente al grupo que fue utilizado como control. : Vector de variables dummie que controla para cada uno de los meses que estamos analizando (6 categorías, mes de referencia marzo). La elección de éstas variables no fue arbitraría, sino que obedeció a la especificación más sencilla posible, considerando éste como un estudio preliminar. Los criterios mediante los que se eligió controlar por días, horas, o meses, obedecen a prácticas llevadas a cabo en un sinnúmero de estudios de la literatura consultada en el estado del arte. Es importante destacar que los parámetros que aparecen con letras griegas, se especificó los betas para 44

las variables que recogerán, en particular el estimador de diferencias en diferencias para cada grupo tratado. Además, los parámetros de las últimas dos variables dummies presentes en las ecuaciones anteriores que obedecen a variados controles se destacaron con un supra índice asterisco (*).

4.2.4. INTERPRETACIÓN DE LAS ESTIMACIONES MUESTRALES. (VER ANEXO ESTIMACIONES) Interpretación de los coeficientes de regresión parcial estimados mediante DD. Para realizar las interpretaciones de forma adecuada, debe recordarse que cuando se analiza un modelo de regresión múltiple, donde la variable dependiente está en escala logarítmica, y el resto de variables (binarias o continuas) consideradas en su propia unidad de medida, el análisis que se desprende de los coeficientes de regresión parcial estimados mediante mínimos cuadrados ordinarios (MCO). Esto se debe hacer con ciertas sutilezas para que ésta última –la interpretación– sea mucho más práctica. Sé dará un ejemplo basado en nuestro mismo modelo: Si sólo nos preocupamos de la variable sábado (ceteris paribus el efecto del resto de variables explicativas) y se quiere dar una interpretación al respecto del mismo, se haría de la siguiente forma: Sean los valores estimados e los parámetros relevantes, en un ejemplo arbitrario24: ≔ 500, y ≔ 0,045. Entonces al observar la ecuación estimada, el valor promedio del consumo (en escala logarítmica) para una hora cualquiera representativa de la muestra, que no cumpla la condición de ser día sábado será 500, formalmente esto se obtiene de evaluar la ecuación con = 0: (

[

)

= 0] =

+

= 500 + 0,045(0) = 500

Pero en cambio, la diferencia media en el consumo (en escala logarítmica) para una observación (hora) cualquiera, que si cumpla la condición de estar registrada en un día que es sábado (para el caso general la categoría que se esté analizando) en base a la ecuación estimada será (0,045 ⋅ 100)%, formalmente: [

(

)

= 1] =

+

= 500 + 0,045(1) = 500,045

Por lo tanto la diferencia entre una hora representativa que es sábado y otra que no ( 4,5%) estará registrada exactamente por el parámetro ∗ 100 que recoge entonces como la categoría en cuestión afecta el promedio estimado para la variable dependiente en términos porcentuales. Puesto que el modelo especificado reporta una variable dependiente en escala logarítmica, las interpretaciones se darán todas en términos porcentuales (como se hizo en el ejemplo), donde el total de referencia para este porcentaje puede ser, simplemente,

24

Inventar los valores de los parámetros estimados realmente mediante MCO no altera la comprensión del ejemplo en sí mismo.

45

el consumo promedio por hora (analizado más arriba), o algún total conveniente en términos prácticos con fines de política. Mencionado lo anterior, cuando una hora posee la cualidad de ser una hora que está inserta en el intervalo definido como peak de la mañana, ésta disminuye en términos promedios su consumo energético residencial en un 52,92%, respecto de una que no cumpla la condición, controlando por el resto de los factores o ceteris paribus los mismos. Una hora que cumple la cualidad de estar inserta en peak de la tarde, disminuye en términos promedios el consumo energético residencia en un 21,2%, respecto de una que no, controlando por el resto de los factores. Cuando se analiza una hora que está inserta dentro de las horas de verano, en promedio, el consumo residencial baja en 2,11%, respecto de una que no, controlando por el resto de los factores. Cuando la temperatura aumenta en un grado, en promedio el consumo residencial disminuye en un 2,16% controlando por el resto de los factores. Cuando estamos en presencia de alguno de los días catalogados como controles DST (CDST), el consumo promedio disminuye en un 1,9% controlando por el resto de los factores. Los festivos, el consumo por hora disminuye en promedio un 7,4% controlando por el resto de los factores. Para los días sábados también registramos una disminución promedio de 1,39%; mientras que para los domingos encontramos un aumento de 1,38%, siempre controlando por el resto de los factores. Por otro lado, según las estimaciones, las variables que pueden haberse movido entre 2013 y 2014, y que no se pueden haber medido, han afectado en media, en una disminución de 27,79%. El efecto de la política DST sobre las horas peak de la mañana es que hace que éstas reduzcan, en promedio su consumo energético en un 4,4%; por el lado de las horas del peak de la tarde esta reducción es de un 7,7%. Controlando por el resto de los factores. Cabe mencionar que todas las variables de control horario disminuyen el consumo promedio, en su mayoría. Por otro lado, los controles mensuales, nos muestran que los dos meses que quedan en invierno, excluyendo el de referencia, reportan una media más baja, en menos de un punto porcentual; mientras que para el cambio de horario ocurrido en la primavera; el efecto también es una disminución promedio de 2%. Por otro lado; el modelo es significativo a nivel global el R cuadrado del modelo nos dice que, las variables acá consideradas, ayudan a explicar en conjunto aproximadamente el 77% de las variaciones totales registradas por el logaritmo natural del consumo energético.

Inferencia

46

Por otro lado, en términos de inferencia estadística, observando los − de todos los parámetros estimados, reconocemos que; tanto al 99% como a cualquier otro nivel de confianza menor, no existe evidencia estadística para rechazar que ninguno de las variables analizadas es estadísticamente significativa. Por lo tanto los resultados indican que cada una de las variables acá analizadas tiene algún tipo de influencia significativa sobre el logaritmo natural del consumo horario residencial. Por otro lado, observando la significancia global del modelo − observado, también nos indica que tanto al 95% como al 99% de confianza, no existe evidencia estadística para rechazar la significancia global del modelo propuesto, es decir en su conjunto, las variables elegidas sirven para hacer una buena explicación y/o predicción del comportamiento del logaritmo natural del consumo.

47

5. APLICACIÓN DEL MODELO ECONOMÉTRICO EN REGIONES Una vez que se ha probado la eficacia del modelo utilizado para el caso de los datos noexperimentales de Santiago (Alimentador Rojas Magallanes); se procederá a replicar de forma restringida la metodología utilizada en ese apartado para aproximar una evaluación cuantitativa del impacto de la política DST, en cada una de las Capitales Regionales consideradas en el presente estudio. A saber; Arica, Concepción y Punta Arenas. Cuando se menciona que el modelo utilizado para el caso de Santiago se aplicará de forma restringida, esto tiene que ver con que en cada región se alterará la forma funcional (en específico las variables de controles y tratamiento, con sus respectivos términos de interacción), con el objetivo de flexibilizar el modelo original de estimación por Diferencias en Diferencias, y ajustarlo así a las características propias, exhibidas por el consumo energético residencial en cada uno de los sectores geográficos a analizar. Cuasi – experimento aplicado a las regiones: uso del Método Heurístico para crear contra factuales artificiales mediante normalización de días equivalentes. El método de estimación por Diferencias en Diferencias consiste en una incorporación de variables artificiales a un polinomio de regresión múltiple; y luego en la estimación o ajuste mediante Mínimos Cuadrados ordinarios de la misma. En primer lugar se necesita definir, dentro de la muestra de horas a las que corresponde el estudio de cada lugar; cuáles de ellas corresponderán a las horas tratadas, y cuáles a las horas no tratadas o contra factuales. Ahora, para poder hacer el ajuste del modelo a la realidad de cada sector geográfico, se han usado los resultados del método Heurístico y en base a éstos se ha modelado una ecuación distinta, que determina un modelo diferente para cada sector geográfico. El Método Heurístico genera dos curvas de consumo horario promedio para cada hora del día, antes y después de la aplicación del DST25. Es decir, construye una curva en horario de verano, y otra en horario de invierno. El itinerario de pasos a seguir, con el objetivo de poder generar los respectivos contras factuales artificiales, se basa en el siguiente algoritmo:

25

Recordar que la data suministrada por las respectivas ciudades es presentada con valores de energía, por lo cual, para estos casos se utilizó curvas de consumo horario

48

Obtener Variaciones promedio consumo energético por hora (Mwh) •Calcular ratio HV/HI para cada hora del día. •Se resta 1 al ratio calculado.

Inpeccionar variaciones del consumo en la horas •Ubicar aquellas variaciones que estén dentro del margen de tolerancia. •Asegurarse de encontrar intervalos de 4 o más horas que estén dentro del margen.

Selección de los grupos de control •Ubicar aquellos intervalos que cumplan las condiciones anteriores para todas las ventanas de tiempo considerdas. •Resaltar éstas horas como grupo de control, y el resto como tratadas.

En primer lugar, se toma el ratio entre el consumo promedio en cada hora del día; durante el horario de verano, y se divide sobre el consumo promedio de esa misma hora en horario de invierno 26 ; luego se hace la resta del resultado de ese ratio a un 1. Esto muestra básicamente la diferencia, en términos decimales27, del consumo en un horario versus el otro. Es decir, cuanto varía el consumo promedio al aplicar la política del cambio de hora. Luego se fija un nivel de tolerancia relativo, con un rango entre 0,01 0,05, y se buscan intervalos horarios (intervalos: ventanas ≥ 4 horas) en las que la variación se encuentre dentro de este margen definido; para así definir aquellas horas que, en términos promedios, no se ven afectadas de forma significativa por el efecto de la política del cambio de hora. Finalmente, se observa que estos intervalos de tiempo con variación dentro del margen establecido; se repitan en al menos tres de las ventanas de tiempo consideradas en la muestra, que son cuatro (debido a que el estudio considera 4 cambios de hora realizados dentro de dos años consecutivos). Esto es con el objetivo de capturar un patrón sistemático en el tiempo, al menos observable, en los datos. A continuación en la Tabla 5.1, se muestra un ejemplo para el caso de Arica, en el primer trimestre del 2013, donde el intervalo de las horas de control está destacado en amarillo:

26

El orden con el que fue armado el ratio es indiferente para el análisis. Los resultados de los consumos en cada horario son obtenidos desde el Método Heurístico. 27 O si se quiere, al multiplicarlo por 100 en términos porcentuales.

49

TABLA 5.1. EJEMPLO PARA EL CASO DE ARICA, PRIMER TRIMESTRE 2013.

Time 0:00:00 1:00:00 2:00:00 3:00:00 4:00:00 5:00:00 6:00:00 7:00:00 8:00:00 9:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 18:00:00 19:00:00 20:00:00 21:00:00 22:00:00 23:00:00

Consumo HV 482.4 453.6 419.04 378.72 368.64 355.68 370.08 447.84 446.4 590.4 616.32 617.76 624.96 619.2 577.44 616.32 642.24 604.8 534.24 463.68 545.76 557.28 551.52 555.84

Consumo HI 496.8 498.24 502.56 476.64 455.04 442.08 436.32 446.4 452.16 535.68 629.28 614.88 617.76 573.12 558.72 580.32 591.84 584.64 540 544.32 586.08 567.36 564.48 560.16

Ratio 0.971 0.910 0.834 0.795 0.810 0.805 0.848 1.003 0.987 1.102 0.979 1.005 1.012 1.080 1.034 1.062 1.085 1.034 0.989 0.852 0.931 0.982 0.977 0.992

Var 0.029 0.090 0.166 0.205 0.190 0.195 0.152 -0.003 0.013 -0.102 0.021 -0.005 -0.012 -0.080 -0.034 -0.062 -0.085 -0.034 0.011 0.148 0.069 0.018 0.023 0.008

Una vez que la muestra se divide en los respectivos grupos, se desea rescatar como ha sido afectado el grupo de horas tratadas por la política de cambio de hora (DST), y comparar esta diferencia con la diferencia del grupo de control generado. Por lo tanto, también se hace indispensable crear una variable artificial que distinga aquellas observaciones que son recogidas antes del cambio de política (sin DST), versus aquellas que sí lo son (con DST). Finalmente, se genera una variable o término de interacción. Esta variable de interacción, es creada a partir de la multiplicación simple de la variable que recoge la aplicación de la política (con DST), y la variable que identifica el respectivo peak. La intuición detrás de la incorporación de esta variable en el modelo, tiene que ver con que esta sólo tomará valores positivos (en específico un valor 1) cuando se cumplan ambas condiciones que definen a cada una de las variables artificiales que se ha multiplicado al crearla. Es decir, cuando la i-ésima hora de la muestra que se ha medido en ese momento cumple con ser una hora que se está midiendo después del cambio de política, y que además se trate de una de las horas que están en los que se ha denominado como grupos de horas tratadas, en ese caso específico el termino de interacción tomara un valor uno. En la literatura se denota que a través de este término de interacción, en específico con el parámetro que lo acompaña en el polinomio (beta), se podrá recoger el efecto en media 50

de aplicar la política del cambio de hora a los grupos tratados (ya sea mañana o tarde). Esto se conoce como el estimador de diferencias en diferencias.

5.1.

APLICACIÓN ARICA.

Análisis estadístico de los contra factuales: Como ya fue mencionado anteriormente, mediante la aplicación del algoritmo descrito a los resultados del Método Heurístico, se ha determinado que para el caso de Arica se tendrá la siguiente diferenciación entre grupo de horas tratadas y no tratadas28:  Desde las 10.00 horas hasta las 16.59 horas, se define dicho intervalo como el de la horas de control (control);  Mientras que el intervalo horario que está entre las 17.00 horas y las 09.59 horas queda establecido como nuestras horas tratadas (peak). Una vez que se ha divido la muestra de observaciones horarias para Arica entre tratadas y control, se procede a realizar observaciones estadísticas descriptivas de cada una. TABLA 5.2. ESTADÍSTICAS DESCRIPTIVAS CONSUMO POR CATEGORÍA . ***Estadísticas Descriptivas*** . . //Observamos estadísticas descriptivas de los consumos para cada uno de los rangos horarios creados// . sum consumo_control consumo_peak Variable

Obs

Mean

consumo_co~l consumo_peak

2576 6256

553.7868 468.3394

Std. Dev. 138.9359 110.6027

Min

Max

0 0

1296 1108.8

Se puede observar en la Tabla 5.2, que en términos promedios y sin considerar la distinción al respecto de si se está aplicando o no la política DST, las horas definidas como control registran una media, desvío estándar y máxima mayor a las horas tratadas. Este resultado en primera instancia podría ser contra intuitivo. Al respecto se conjeturan dos posibles explicaciones: las horas peak, al ser tratadas como tales, se espera registren un mayor consumo, pero debe recordarse que estos resultados, preliminares, no consideran diferencia alguna entre horario de verano y de invierno. Puede ser que los peak en verano bajen considerablemente, arrastrando así el promedio a la baja; mientras que en los controles, como tales, el horario de verano no tenga efectos significativos en ahorro de energía, lo que mantenga el promedio alto, en un nivel estable no variable entre estaciones. Otra explicación posible, al observar las curvas de consumo promedio, es que en Arica el consumo después de las 9:00 am siempre ocurre a niveles mayores que previo a ese horario, y como el peak toma este intervalo, su consumo medio tiende a bajar. Ahora, para poder hacerse una idea mejor, y despejar dudas sobre cuál conjetura sería la que 28

Entre paréntesis y en cursiva se indica el nombre de la variable creada.

51

ayudaría a explicar mejor los datos, se toman las mismas estadísticas, pero diferenciando entre observaciones sin aplicar DST, versus observaciones que si han sido registradas en aplicación del DST. TABLA 5.3. EST. DESCRIPTIVAS CONSUMO SIN DST / CON DST . //Observamos estadísticas descriptivas de los consumos sin DST// . sum consumo_control consumo_peak if hvdst==0 Variable

Obs

Mean

consumo_co~l consumo_peak

1010 2457

555.3838 473.5179

Std. Dev. 134.6327 97.80872

Min

Max

0 0

1296 1022.4

. . //Observamos estadísticas descriptivas de los consumos con DST// . sum consumo_control consumo_peak if hvdst==1 Variable

Obs

Mean

consumo_co~l consumo_peak

1566 3799

552.7569 464.9901

Std. Dev. 141.675 118.0333

Min

Max

0 0

1152 1108.8

Al respecto de las dos conjeturas que intentaban explicar los datos netos, sin diferenciaciones con o sin DST (Tabla 5.3), viendo el presente cuadro es posible dar cierto crédito a ambas explicaciones. En primer lugar, se observa que el promedio de las horas de control solamente experimenta una variación (negativa) aproximada de 0,47% antes y después de la política. Mientras que las horas definidas como peak presentan una variación (negativa) que equivale a más de 3 veces lo experimentado por los controles (1,8%). Es decir, en ambos casos (sin DST, con DST) los controles exhiben un promedio más alto que las horas tratadas; pero la variación luego de que se aplica la política es mayor en las horas tratadas que en los primeros. Estos resultados indican que sin controlar por ninguna variable relevante en el consumo energético (como la temperatura, día de la semana, etc.), es posible considerar a los dos grupos de horas como grupos a los cuales la política de cambio de hora los afecta de forma distinta (uno de ellos prácticamente no es afectado y en el otro se observa un pequeño cambio, pero significativo). Por lo tanto, una vez que se ha distinguido entre los grupos tratados y de control, se especifica la siguiente ecuación, la que permite aplicar el método de diferencias en diferencias al caso Arica.

Modelo Arica (

) = + +

+ ∗



+

+ +

( ) + 2014 +

+ (

(

+ )) +

∗

+

52

Descripción de las variables: ( ) : representa el logaritmo natural del consumo en alimentador Chacalluta, en la hora ℎ de nuestra muestra29.

ℎ; observado en el

: Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que denominamos peak de la mañana. Cero en caso contrario. Cabe mencionar que esta es la variable que define ambas categorías creadas (grupo de control, grupo tratado). Esto debido a que si = 1, se habla de una hora considerada como tratada, primera categoría. Pero en cambio, cuando se dice = 0, se refiere a una hora que no cumple la condición de hora tratada, por lo tanto sería parte del grupo de control. Recuérdese además, que en una regresión con variables dicotómicas como explicativas, el logaritmo natural del consumo estimado para el grupo de control o referencia, independiente del resto de las variables, o ceteris paribus, sería . Hasta el momento, el grupo de control son las horas que no son peak. ( ) : Variable dicotómica que asigna valor uno a aquellas observaciones que pertenecen al horario de verano, y que por lo tanto son observaciones en las que se está aplicando la política de cambiar el régimen horario (DST). Cero en caso contrario. Esta segunda variable, al igual que la anterior, re-define el grupo de referencia (cosa que seguirá ocurriendo, en la medida que se definan más variables dicotómicas, que establezcan categorías mutuamente excluyentes). Ahora, el grupo de referencia son las horas control antes de la aplicación DST. : Variable continua que recoge la temperatura en Arica suministrada por la Dirección Meteorológica de Chile. : Variable de control que recoge días en los cuales la política no puede tener efecto; fechas pre inicio a actividades escolares (del 1 al 10 de marzo) y festividades nacionales (la semana del 18 de septiembre). Su valor es uno dentro de estas fechas y cero en otro caso. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a algún día que fuera feriado calendario. Cero en caso contrario. : Variable dicotómica que asigna un valor uno a aquellas horas que pertenecen a los días sábados. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a los días domingos. Cero en caso contrario. 2014: Variable dicotómica que asigna valor uno a aquellas horas que fueron registradas el año 2014. Esta variable permite recoger los efectos asociados únicamente al cambio de año (crecimiento económico, aumento de las tarifas, etc).

29

8406 observaciones; dos intervalos de 3 meses en distintas estaciones del año, para los años 2013 y 2014 donde se registró el consumo y todas las variables para cada hora del día.

53

Nótese que las 5 variables definidas anteriormente redefinen al grupo de control como horas antes de la aplicación del DST, en los días de semana normales o corrientes, durante el año 2013. ( ) : Variable o término de interacción. Surge de la multiplicación de y ( ) con el objetivo de medir el impacto que tiene la política de DST sobre el horario peak. Esta variable sólo tendrá valor positivo cuando se analice horas peak post aplicación DST, lo que mide la diferencia de ser peak respecto de la diferencia de ser hora post DST. Es decir compara la diferencia media en los tratados respecto la diferencia media en los controles, es decir, el estimador DD. : Vector de variables dummie que controla para cada una de las horas del día (24 categorías, hora de referencia 00:00). Cabe mencionar que en la estimación econométrica del modelo; para evitar problemas de multicolinealidad entre las variables, se hizo un análisis previo de las correlaciones no encontrando ninguna superior a 0,5, más allá de la obvia entre meses del año y aplicación de la política30. : Vector de variables dummie que controla para cada uno de los meses que se están analizando (6 categorías, categoría/mes de referencia marzo).

30

Ver Anexo de Estimaciones Arica para analizar matriz de correlaciones entre las variables independientes del modelo estimado.

54

5.1.1. INTERPRETACIÓN DE LAS ESTIMACIONES MUESTRALES: MODELO ARICA. (VER ANEXO ESTIMACIONES ARICA) Debe recordarse que, como el modelo especificado reporta una variable dependiente en escala logarítmica, las interpretaciones se darán todas en términos porcentuales, donde el total de referencia puede ser, simplemente, el consumo promedio por hora control/tratada según corresponda (analizados anteriormente). En primer lugar, respecto a la variable peak, se puede decir que cuando una hora posee esta cualidad (es decir está entre las 18:00 y 09:00 horas), su consumo disminuye (respecto de las horas de control) en un 4% aproximadamente (estadísticamente significativa), controlando por el resto de los factores. Esto se hizo notar en el análisis descriptivo de los grupos de control, así que era un resultado esperable. Por otro lado, al respecto de la variable ( ), se puede decir que, en base a la estimación que por ser hora de verano, el consumo promedio disminuye en un 0,9%, controlando por el resto de los factores. No obstante esta variable no es significativa a los niveles estadísticos habituales. La variable temperatura, que si es estadísticamente significativa, nos informa que en el caso de Arica, al aumentar la temperatura en un grado, podemos esperar que el consumo energético residencial aumente en promedio en un 1,06%, controlando por el resto de los factores. Por otro lado, las variables referentes a categorías propias del día, presentan resultados bastante interesantes para casi todas las categorías definidas y controladas. En primer lugar, se puede esperar para el caso Arica, que en un día festivo, una hora representativa disminuya su consumo en promedio 23,65%, controlando por el resto de los factores. Mientras que un día sábado, controlando por el resto de los factores, podemos esperar que el consumo de una hora representativa disminuya en promedio un 7,97%. Por otro lado, cabe mencionar que una hora representativa del día domingo, controlando por el resto de los factores, disminuya su consumo en promedio un 32,97%. Todos estos resultados son estadísticamente significativos a los niveles estadísticos estándar. Respecto a la variable categórica que controla por los efectos del cambio de año, esta es estadísticamente significativa, y nos informa que por el sólo hecho de ser registrada en el 2014, podemos esperar que una hora representativa exhiba un consumo, en promedio, 3,08% mayor que una el año 2013 (categoría de referencia). Todos los controles horarios, que suelen dar efectos negativos sobre el consumo (recuérdese que la categoría respecto de la que se debe analizar el control horario es las 00:00 horas). No obstante, la gran mayoría de ellos no genera efectos negativos significativos estadísticamente hablando, sobre el consumo a nivel poblacional. Lo mismo ocurre con casi todas las categorías del mes. La excepción la genera la categoría abril, la que muestra que por el hecho de pertenecer a este mes, podemos esperar que en media una hora representativa exhiba un consumo un 3,24% mayor que en el mes de marzo (categoría de referencia), controlando por el resto de los factores.

55

Finalmente, recordemos que en este modelo se tiene un solo gran grupo de horas tratadas, sobre las que se puede ofrecer un estimador DD. En este caso, estas horas son desde las 18:00 a las 09:00 y la variable de interacción ( ) recogería entonces, el efecto de la política de cambio de hora sobre las horas definidas como peak. Por lo tanto, el coeficiente estimado muestra que la política DST produce que las horas tratadas disminuyan su consumo en un 1,46%, controlando por el resto de los factores. No obstante, este resultado no es estadísticamente significativo a ningún nivel de confianza superior a 88%. Lo que nos lleva a concluir que la política DST no ejercería influencia alguna, a nivel poblacional, para el caso Arica, como variable a nivel individual. Por otro lado, el modelo es significativo a nivel poblacional, y el R cuadrado nos informa que las variables acá propuestas ayudan a e explicar aproximadamente el 36% de la variación de logaritmo del consumo, proporción bastante baja que puede ser indicio de que hacen falta más variables para la explicación del caso de Arica.

5.2.

APLICACIÓN CONCEPCIÓN.

Análisis estadístico de los contra factuales: Mediante la aplicación del algoritmo descrito, y en base a los resultados del Método Heurístico, se ha determinado que para el caso de Concepción; se tendrá la siguiente diferenciación entre grupo de horas tratadas y no tratadas31:  Desde las 02:00 a las 04:59 horas, horario que fue llamado control madrugada (Cmidreal),  Luego, desde las 05:00 a las 09:59 horas fue llamado peak mañana (peakm),  el horario que sigue desde 10:00 am a 17:59 horas fue llamado mediodía (Cfmediodia),  y finalmente al intervalo de las 18:00 hasta las 23:59 horas fue llamado peak tarde (peakt). Una vez que conceptualmente se ha dividido el día en éstos cuatro rangos o categorías horarias32, se pueden observar en la Tabla 4.1 las siguientes estadísticas descriptivas, para el consumo en cada categoría, las cuales están ordenadas de acuerdo a como fueron descritas anteriormente.

31

Entre paréntesis y en cursiva se indica el nombre de la variable creada. Metodológicamente esto se hace creando variables binarias o dicotómicas que asignan un valor uno a cualquier hora analizada que esté dentro de alguna de las categorías analizadas, y cero en el caso contrario. En específico se crean la variable Contra factual madrugada ( ), la variable peak de la mañana ( ), la variable contra factual mediodía ( ),y finalmente la variable peak de la tarde ( ). 32

56

TABLA 5.4. ESTADÍSTICAS DESCRIPTIVAS CONSUMO POR CATEGORIA HORARIA . sum consumo_madrug consumo_peakm consumo_mid consumo_peakt Variable

Obs

Mean

consumo_ma~g consumo_pe~m consumo_mid consumo_pe~t

929 1550 2479 1860

487232.9 578287 754044.8 1004107

Std. Dev. 67087.03 127198.7 81746.93 169484.2

Min

Max

359499.9 361399.9 538899.9 587599.9

724099.9 846599.9 1093900 1359800

Como se puede observar en la Tabla 5.4, el consumo va aumentando, en términos promedios, progresivamente por cada una de las categorías en las que se ha definido el día, destacándose la madrugada por tener el consumo promedio más bajo, y el peak de la tarde por tener el consumo promedio más alto. Además, el segmento de horas del peak, tanto de la tarde como de la mañana destaca por niveles de dispersión/heterogeneidad en los datos mayores que los controles. A continuación en la Tabla 5.5, se analizan estos consumos por segmento horario; pero ahora separando las estadísticas calculadas basándose en el criterio de si estás fueron registradas antes o después del cambio de hora. TABLA 5.5. EST. DESCRIPTIVAS CONSUMO SIN DST/ CON DST . //Observamos estadísticas descriptivas de los consumos sin DST// . sum consumo_madrug consumo_peakm consumo_mid consumo_peakt if hvdst==0 Variable

Obs

Mean

consumo_ma~g consumo_pe~m consumo_mid consumo_pe~t

426 710 1129 845

519006.5 580591.4 805626.2 1092454

Std. Dev. 71082.65 139510.3 73296.95 137733

Min

Max

359499.9 370799.9 592999.9 681799.9

724099.9 846599.9 1093900 1359800

. //Observamos estadísticas descriptivas de los consumos con DST// . sum consumo_madrug consumo_peakm consumo_mid consumo_peakt if hvdst==1 Variable

Obs

Mean

consumo_ma~g consumo_pe~m consumo_mid consumo_pe~t

503 840 1350 1015

460323.4 576339.2 710907.6 930557.1

Std. Dev. 49597.97 115826 60778.87 157965.4

Min

Max

373399.9 361399.9 538899.9 587599.9

695199.9 837099.9 1051600 1321100

Como se puede observar, los patrones descritos antes, tanto en términos de medias como varianzas, siguen siendo los mismos al separar los grupos por observaciones registradas antes o después del DST. Por otro lado; obsérvese que los grupos de tratamiento disminuyen su consumo en promedio en un 11,57%, una vez que se aplicó DST (11,38% del grupo de madrugada, y un 11,75% del grupo del mediodía). Mientras que los grupos tratados lo hace en 14,8% para el grupo de tratados en la tarde ( ), y sólo en un 0,73% para los tratados en la mañana ( ). 57

Como se sabe, el modelo estimado, ajustado al lugar geográfico (en este caso Concepción), queda idéntico al de Santiago, al menos en términos de la función de regresión poblacional a ser estimada:

Modelo Concepción

(

) = + + +

+

+ +

(

(

+ )) + (

+

+ + (

+ )) +

( ) + 2014 ∗

( ) : representa el logaritmo natural del consumo en alimentador Bio-Bio, en la hora ℎ de nuestra muestra33.

+

∗



ℎ; observado en el

: Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que se denomina peak de la mañana. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que se denomina peak de la tarde. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que se denomina como contra factual del medio día. Cero en caso contrario. Esta variable ayuda a modelar dos grupos de control cuando se utilizan el mediodía y la medianoche como grupos distintos. ( ) : Variable dicotómica que asigna valor uno a aquellas observaciones que pertenecen al horario de verano, y que por lo tanto son observaciones en las que se está aplicando la política de cambiar el régimen horario (DST). Cero en caso contrario. : Variable continua que recoge la temperatura en Concepción, suministrada por la Dirección Meteorológica de Chile. : Variable de control que recoge días en los cuales la política no puede tener efecto; fechas pre inicio a actividades escolares (del 1 al 10 de marzo) y festividades nacionales (la semana del 18 de septiembre). Su valor es uno dentro de estas fechas y cero en otro caso. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a algún día que fuera feriado calendario. Cero en caso contrario.

33

7475 observaciones; dos intervalos de 3 meses en distintas estaciones del año, para los años 2013 y 2014 donde se registró el consumo y todas las variables para cada hora del día. Considerando 98 observaciones pérdidas por falta de data por parte de la distribuidora para el caso de Concepción.

58

: Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a los días sábados. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a los días domingos. Cero en caso contrario. 2014: Variable dicotómica que asigna valor uno a aquellas horas que fueron registradas el año 2014; esta variable permite recoger los efectos asociados únicamente al cambio de año (crecimiento económico, aumento de las tarifas, etc). Nótese que las 5 variables definidas anteriormente redefinen al grupo de control como horas antes de la aplicación del DST, en los días de semana normales o corrientes, durante el año 2013, durante el control madrugada. ( )): Variable, o término de interacción. Surge de la multiplicación de ( ( ) y con el objetivo de medir el impacto que tiene la política de DST sobre el horario peak de la mañana. ( )): Variable, o término de interacción. Surge de la multiplicación de y ( ) con el objetivo de medir el impacto que tiene la política de DST sobre el horario peak de la tarde. (

: Vector de variables dummie que controla para cada una de las horas del día (24 categorías, hora de referencia 00:00). Cabe mencionar que en la estimación econométrica de cada modelo; para evitar problemas de multicolinealidad entre las variables, no se agregó variable dummie correspondiente al grupo que fue utilizado como control. : Vector de variables dummie que controla para cada uno de los meses que se están analizando (6 categorías, mes de referencia marzo).

5.2.1. INTERPRETACIÓN DE LAS ESTIMACIONES MUESTRALES: MODELO CONCEPCIÓN. (VER ANEXO ESTIMACIONES CONCEPCIÓN) Como fue mencionado anteriormente, puesto que se ha trabajado en un modelo de variable dependiente en escala logarítmica, las interpretaciones se darán todas en términos porcentuales, donde el total de referencia puede ser, simplemente, el consumo promedio por hora control/tratada según corresponda (analizados más arriba). En primer lugar, respecto a la variable contra factual mediodía, se puede interpretar que la diferencia promedio de este control con respecto del de la madrugada, es que el primero posee un consumo promedio mayor en un 4,9% promedio que el de la madrugada, controlando por el resto de los factores. Esta diferencia es significativa a nivel poblacional, a los niveles de confianza habitualmente aceptados (superior 90%). Respecto a los peak: Partiendo con peak tarde; se puede decir que cuando una hora posee esta cualidad (es decir está entre las 18:00 y las 23:00 horas), su consumo aumenta (respecto de las horas de control: madrugada) en un 33,21% aproximadamente (diferencia estadísticamente significativa), controlando por el resto de los factores. Por 59

otro lado cuando la hora en cuestión está dentro del intervalo de tiempo peak mañana, su consumo disminuye en un 33,6% respecto al grupo de la madrugada, ceteris paribus los demás factores (idem). Por otro lado cuando la temperatura sube en un grado Celsius en Concepción, en promedio se puede esperar que el consumo promedio disminuya, en un 0,78%, controlando por el resto de los factores. A diferencia del caso Arica, en Concepción se tiene que las variables dummies que intentaron recoger efectos propios de los días de la semana o del año en el consumo energético horario presentaron resultados modestos. Por ejemplo, la variable exhibe el hecho de que si una hora tiene esta cualidad, en promedio presentará un consumo 1,70% menor que una hora que no. Por otro lado si la hora en cuestión posee la cualidad de estar ubicada dentro de un día festivo, manteniendo constante el resto de los factores, tendrá un 2,89% menos de consumo energético que una que está en un día hábil. Por otro lado, si la hora en cuestión está ubicada dentro de un día sábado, podemos esperar que en promedio su consumo sea un 0,97% menor que una hora de día hábil. Todas las diferencias anteriormente descritas son estadísticamente significativas a nivel poblacional. La excepción la constituye la categoría , correspondiente al día domingo. Cuando una hora está ubicada dentro de un día domingo, se puede esperar (en la muestra) que su consumo promedio disminuya en un 0,52%. No obstante esta diferencia no puede ser extrapolable a la población entera de análisis. Por otro lado, los controles de hora y meses son todos significativos y exhiben patrones claros. En Concepción, cualquiera de las horas de control (madrugada) disminuye el consumo promedio respecto de la hora de referencia (00:00 hrs). En el caso de los meses, todos exhiben una dirección clara del efecto parcial, poseer la cualidad de estar en cualquier mes distinto de marzo hace que la hora en cuestión esté entre 2,4% (mín) y 7,5% (máx) por encima del consumo promedio de marzo, controlando por todos los demás factores. Efectos del (tratamiento) cambio de hora en las categorías horarias analizadas. A continuación se analizan los términos de interacción para cada una de las tres diferencias que podremos establecer mediante el método DD. En primer lugar, el control del mediodía se ve afectado en una diferencia promedio de un 5,25% más que lo que se consumía antes de aplicar la política de cambiar la hora, controlando por el resto de factores. Luego el peak de la mañana, se ve afectado en una diferencia de 16,07% por la política de cambiar la hora, también al alza. Ambas diferencias son estadísticamente significativas a nivel poblacional. Por otro lado el peak de la tarde se ve afectado en un 1,24% al alza respecto de las horas de madrugada (categoría de diferencia); no obstante ésta diferencia no es estadísticamente significativa a los niveles habituales. En síntesis, en el caso de Concepción, la política del cambio a horario verano genera alzas en el consumo, siendo la más significativa la del peak de la mañana.

60

Por otro lado, el modelo es significativo a nivel poblacional, y el R cuadrado del modelo muestra que las variables elegidas para ajustar el polinomio de regresión utilizado; explican en conjunto, alrededor del 75,59% de las variaciones en el logaritmo del consumo.

5.3.

APLICACIÓN PUNTA ARENAS

Análisis estadístico de los contra factuales: Finalmente, se realizará el análisis de la estimación del modelo que explota el método diferencias en diferencias para medir la evaluación del impacto de la política DST sobre el consumo energético para el caso Punta Arenas. Como se sabe, mediante la aplicación del algoritmo descrito a los resultados del Método Heurístico, se ha determinado que para el caso de Punta Arenas se tendrá la siguiente diferenciación entre grupo de horas tratadas y no tratadas34:  Desde las 10:00 hrs a las 17:59 horas estará ubicado el intervalo horario que se denomina ( ).  Finalmente, el grupo de horas, o intervalo que serán las horas tratadas en el caso de Punta Arenas, que son aquellas que están ubicadas dentro del intervalo 18:00 hrs hasta las 23:59 hrs. Este intervalo es nombrado como peak. Una vez que se han creado las dos grupos/categorías de horas a analizar en el caso de Punta Arenas, se procede a mostrar las estadísticas descriptivas exhibidas por cada grupo de observaciones sin hacer filtro alguno respecto a la aplicación DST (Tabla 5.6). TABLA 5.6. ESTADÍSTICAS DESCRIPTIVAS CONSUMO POR CATEGORIA HORARIA

. sum consumo_control consumo_peak Variable

Obs

Mean

consumo_co~l consumo_peak

6622 2208

421697.6 685384

Std. Dev. 138624.2 188956.3

Min

Max

0 0

936000 957600

Como se puede observar en los datos de Punta Arenas, las horas que están dentro del intervalo horario calificado como peak tienen un promedio de consumo, bastante superior al promedio de consumo exhibido por las horas de control. Además, en estas también se observa una variación del consumo en las horas tratadas de un 36% por encima del consumo en las horas de control (además de una máxima mayor, hecho casi obvio por definición). No obstante, cabe mencionar que la comparación acá realizada no está descomponiendo los resultados de acuerdo a los resultados antes o después de la aplicación de la política DST. Para dar cabida al argumento esgrimido al final del último párrafo, se descompone el consumo energético de las categorías del día de acuerdo a los grupos de observaciones 34

Entre paréntesis y en cursiva se indica el nombre de la variable creada.

61

registrados antes de la aplicación de la política de DST, y luego después de ésta, obteniéndose los resultados de la Tabla 5.7. TABLA 5.7. EST. DESCRIPTIVAS CONSUMO SIN DST / CON DST. . //Observamos estadísticas descriptivas de los consumos sin DST// . sum consumo_control consumo_peak if hvdst==0 Variable

Obs

Mean

consumo_co~l consumo_peak

2604 863

434305 756760.1

Std. Dev. 138219.6 166442

Min

Max

0 391020

763319.8 950797.4

. . //Observamos estadísticas descriptivas de los consumos con DST// . sum consumo_control consumo_peak if hvdst==1 Variable

Obs

Mean

consumo_co~l consumo_peak

4018 1345

413527 639586.6

Std. Dev.

Min

Max

0 0

936000 957600

138290.3 188395.2

Como se puede observar en los datos descriptivos, luego de aplicar la política DST, los datos de los controles se mantienen casi inalterados, su promedio disminuye en un 4,78%, mientras que su varianza aumenta en 0,05%. Por otro lado, en el caso de las horas tratadas peak, su media disminuye en 15,48% luego de aplicarse la política DST, mientras que su varianza aumenta en 13,19%. Esto muestra claramente la alta dispersión en los datos post aplicación DST para el grupo de tratamiento, lo que tiene bastante sentido desde el punto de vista intuitivo. Ahora que se han definido los grupos, y analizado y establecido las características generales de cada uno, se pueden especificar la ecuación del modelo DD que permitirá evaluar el impacto de la política DST sobre las horas tratadas, que corresponden al peak de las 18:00 hrs a las 23:00 hrs. Modelo Punta Arenas (

) = + +

+

+

( + 2014 +

) + (

(

+ )) +

+ ∗

+

+

∗

Descripción de las variables: ( ) : representa el logaritmo natural del consumo en alimentador 10, en la hora ℎ de nuestra muestra35.

ℎ; observado en el

35

8406 observaciones; dos intervalos de 3 meses en distintas estaciones del año, para los años 2013 y 2014 donde se registró el consumo y todas las variables para cada hora del día.

62

: Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a lo que se denomina peak de la mañana, Cero en caso contrario. Cabe mencionar que esta es la variable que define ambas categorías creadas (grupo de control, grupo tratado). Esto debido a que si = 1, se habla de una hora considerada como tratada, primera categoría. Pero en cambio, cuando se dice = 0, se refiere a una hora que no cumple la condición de hora tratada, por lo tanto sería parte del grupo de control. Recuérdese además, que en una regresión con variables dicotómicas como explicativas, el logaritmo natural del consumo estimado para el grupo de control o referencia, independiente del resto de las variables, o ceteris paribus, sería . Hasta el momento nuestro grupo de control son las horas que no son peak. ( ) : Variable dicotómica que asigna valor uno a aquellas observaciones que pertenecen al horario de verano, y que por lo tanto son observaciones en las que se está aplicando la política de cambiar el régimen horario (DST). Cero en caso contrario. Esta segunda variable, al igual que la anterior, re-define el grupo de referencia (cosa que seguirá ocurriendo, en la medida que definamos más variables dicotómicas, que definan categorías mutuamente excluyentes). Ahora, el grupo de referencia son las horas control antes de la aplicación DST. : Variable continua que recoge la temperatura en Arica suministrada por la Dirección Meteorológica de Chile. : Variable de control que recoge días en los cuales la política no puede tener efecto; fechas pre inicio a actividades escolares (del 1 al 10 de marzo) y festividades nacionales (la semana del 18 de septiembre). Su valor es uno dentro de estas fechas y cero en otro caso. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a algún día que fuera feriado calendario. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a los días sábados. Cero en caso contrario. : Variable dicotómica que asigna valor uno a aquellas horas que pertenecen a los días domingos. Cero en caso contrario. 2014: Variable dicotómica que asigna valor uno a aquellas horas que fueron registradas el año 2014; esta variable permite recoger los efectos asociados únicamente al cambio de año (crecimiento económico, aumento de las tarifas, etc). Nótese que las 5 variables definidas anteriormente redefinen al grupo de control como horas antes de la aplicación del DST, en los días de semana normales o corrientes, durante el año 2013. ( )): Variable o término de interacción; surge de la multiplicación de y ( ) con el objetivo de medir el impacto que tiene la política de DST sobre el horario peak definido. Esta variable sólo tendrá valor positivo cuando se analice horas peak post aplicación DST, lo que mide la diferencia de ser peak, respecto de la diferencia de ser hora post DST. Es decir, compara la diferencia media en los tratados respecto la diferencia media en los controles, es decir, el estimador DD. (

63

: Vector de variables dummie que controla para cada una de las horas del día (24 categorías, hora de referencia 00:00). Cabe mencionar que en la estimación econométrica del modelo; para evitar problemas de multicolinealidad entre las variables, se hizo un análisis previo de las correlaciones no encontrando ninguna superior a 0,5, más allá de la obvia entre meses del año y aplicación de la política36. : Vector de variables dummie que controla para cada uno de los meses que se están analizando (6 categorías, categoría/mes de referencia marzo).

5.3.1. INTERPRETACIÓN DE LAS ESTIMACIONES MUESTRALES: MODELO PUNTA ARENAS. (VER ANEXO ESTIMACIONES PUNTA ARENAS) En primer lugar se puede decir que las horas que están categorizadas como peak exhiben un consumo promedio de 46,06% más que cualquiera de las otras horas, controlando por el resto de los factores. Por otro lado, las horas que fueron registradas después de la aplicación de la política de DST exhiben, en promedio, un consumo un 4,40% menor que las horas sin DST. Por otro lado, la variable temperatura muestra que si esta última sube en un grado, entonces el consumo energético disminuye en 0,7%, controlando por el resto de los factores. Por otro lado, nuevamente las variables correspondientes a las categorías propias de los días exhiben resultados interesantes. En primer lugar los días que están catalogados como controles DST muestran un consumo de un 7,3% mayor a los días que no lo son (días comunes). Los días festivos por su parte, muestran que en promedio se consume un 6,28% menos, controlando por el resto de los factores. Mientras que los días domingo, por otro lado, se consume en promedio un 3,48% menos que los días de la semana. Todos éstos resultados son significativos a los niveles estadísticos habituales. Mientras que el resultado de ser una hora de día sábado disminuye el consumo promedio en 6,97%, lo que no es significativo a nivel poblacional. La variable dummie que recoge los efectos no observados que cambiaron de un año a otro, nos dice que en promedio las horas registradas el 2014 exhiben un consumo mayor en un 26,94% que las del año 2013. Mientras que los efectos de las horas son ambiguos (van en ambos sentidos), los meses por su parte ofrecen resultados significativos, siendo negativos en el primer trimestre analizado, y positivos en las observaciones de meses del segundo trimestre. Finalmente, la variable de interacción que recoge el efecto promedio del tratamiento sobre los días tratados, y que informará sobre los efectos de aplicar la política DST a las horas peak, muestra que cuando se aplica DST, las horas peak disminuyen su promedio de consumo en un 12,96%, controlando por el resto de los factores. Este resultado es significativo a los niveles estadísticos habituales. Por lo tanto, se tiene un efecto importante en base a las mediciones de datos para el caso Punta Arenas. 36

Ver Anexo de Estimaciones Punta Arenas para analizar matriz de correlaciones entre las variables independientes del modelo estimado.

64

Finalmente, cabe mencionar que el modelo es significativo a nivel poblacional, y que el R cuadrado informa que el 71,94% de las variaciones del logaritmo del consumo están explicadas por el modelo aquí propuesto.

5.4.

REDUCCIÓN EN EL CONSUMO ELECTRICO DEBIDO A LA APLICACIÓN DEL DST

Los porcentajes de reducción en el consumo de energía eléctrica que han sido expuestos hasta ahora, muestran cuanto es la disminución en el consumo en las horas donde el DST produce algún efecto. Para poder apreciar el efecto anual, se debe considerar la cantidad de horas afectas al DST y la cantidad de meses donde se aplica la medida. Considerando a la Región Metropolitana como ejemplo para la metodología, en primer lugar se debe establecer la cantidad de horas diarias donde afecta el DST. Lo anterior se muestra en la Tabla 5.8. TABLA 5.8. DISTRIBUCIÓN DE HORAS PARA ANALISIS DE SANTIAGO

Periodo del día Horas peak mañana (DST aplica) Horas peak tarde (DST aplica) Horas no afectas tarde (DST no aplica) Horas no afectas noche (DST no aplica)

Horario en que aplica 05:00 – 10:00 17:00 – 24:00 10:00 – 17:00 00:00 – 05:00

Cantidad de horas 5 horas 7 horas 7 horas 5 horas

De acuerdo a lo anterior, y considerando que el ahorro en las horas peak mañana y peak tarde son 4,40% y 7,76% respectivamente, la reducción por día donde se aplica el DST está dada por la siguiente expresión:



=

7,76% ∙ 7ℎ

+ 4,40% ∙ 5ℎ 24

= 3,18%

El año 2014, el horario de invierno se extendió entre los días 27 de abril y 7 de septiembre, lo que corresponde a 133 días. Al ser este el horario oficial de Chile hasta el año 2014 (huso horario -04:00 horas), los días afectos al DST son a los cuales aplica el horario de verano (-03:00 horas), por lo tanto, la reducción porcentual en todo el año está definida por la siguiente expresión:



= 3,18% ⋅

365 − 133 = 2,02% 365

Se debe notar que ese porcentaje corresponde a la reducción solamente para el sector residencial de la Región Metropolitana. Si consideramos que el porcentaje de consumos residenciales en dicha región es del 27% [22], entonces la reducción para toda la región en su conjunto es de un 0,547%, lo que es un valor dentro del rango esperado de acuerdo a las experiencias internacionales.

65

Considerando la información disponible del Instituto Nacional de Estadísticas (INE) del año 2010, se utilizó los valores de consumos eléctricos residenciales de la región característica de la ciudad, por ejemplo, para la ciudad de Arica se utilizó los valores de la región de Tarapacá [22]. Mencionado lo anterior y haciendo uso de la Tabla 6.1, se obtiene los siguientes porcentajes de ahorro de energía eléctrica anual respectivos a cada ciudad.

Ahorro Anual de Energía Eléctrica 0,60% 0,50% 0,40% 0,30% 0,20% 0,10% 0,00% -0,10% -0,20% -0,30% -0,40%

0,55%

0,48%

0,04% Santiago

Arica

Concepción

Punta Arenas

-0,32%

FIGURA 5.1. AHORRO ANUAL PORCENTUAL DE ENERGÍA ELÉCTRICA.

En la Figura 5.1 se puede apreciar que tanto Santiago como Punta Arenas presentan ahorros inferiores al 1% pero los cuales igual son significativos en comparación con la ciudad de Arica que solo presenta un 0,04%. Por otro lado, la ciudad de Concepción al aplicar la política de cambio de horario verano, presenta aumentos en los consumos residenciales del 0,32%. Dicho lo anterior, en términos de energía eléctrica, la ciudad de Santiago presenta un ahorro de 94,312 GWh, Arica de 0,971 GWh y Punta Arenas de 1,888 GWh. Por su parte la ciudad de Concepción presenta un aumento en la energía eléctrica de 21,322 GWh37. En la Tabla 5.9 se muestra la valorización del ahorro de energía producto de la aplicación del DST. Para ello se considera el valor de la tarifa BT1, la cual está asociada a clientes residenciales suministrados por las distribuidoras que facilitaron la información de consumo eléctrico que fue utilizada en el presente estudio.

37

Los valores descritos están sujeto bajo la información disponible en el INE para el año 2010.

66

TABLA 5.9. TABLA CON VALORIZACIÓN EN PESOS DEL AHORRO DEBIDO AL DST, CONSIDERANDO LA TARIFA BT1

Ciudad

Distribuidora

Arica Santiago Concepción Punta Arenas

EMELARI CHILECTRA CGE Distribución EDELMAG

Ahorro de energía [GWh] 0,971 94,312 -21,322 1,888

[$/kWh] BT1 Feb-2015 135,815 100,987 110,704 119,73

Ahorro monetario MM$ $ 131,9 $ 9.524,3 -$ 2.360,4 $ 226,1

67

6. RESUMEN DE RESULTADOS DEL MODELO ECONOMETRICO A nivel de síntesis, cabe mencionar que todos los modelos propuestos son significativos a nivel poblacional, lo que indica la validez estadística de los resultados obtenidos. No obstante, estos resultados se obtienen a partir de una muestra de alrededor de 8000 observaciones, en promedio, lo que a pesar de parecer bastante, es poco, ya que sólo analiza ventanas de tiempo próximas a la política energética analizada, tomando así un horizonte temporal de corto plazo. Sería interesante preguntarse qué ocurriría con los resultados si se analizaran ventanas, o series de tiempo más extensas (por ejemplo, considerando un horizonte temporal de 5 a 10 años), de tal forma de obtener un comportamiento continuo del consumo en el tiempo, captar tendencias estacionarias, ciclos en el consumo de energía, etc. Sin embargo la inexistencia de información adecuada para ese tipo de estudios, limita las posibilidades de avance en éstas líneas directrices. Por otro lado, los modelos propuestos para cada caso, exceptuando a Arica, explican alrededor del 70% de las variaciones registradas en el logaritmo del consumo. Esto sirve para argumentar que el conjunto de variables incorporadas (que a excepción de los grupos de control fueron las mismas para todas las aplicaciones geográficas realizadas) ayudan a explicar un porcentaje bastante alto de las variaciones del logaritmo del consumo. Por otro lado, el 36% de explicación logrado en Arica nos plantea interrogantes al respecto de la situación de consumo energético en el norte del País, que pareciese obedecer a dinámicas distintas a la del resto de regiones analizadas. Al respecto, obsérvese por ejemplo, en los resultados generales (Tabla 6.1), los resultados de la variable temperatura, cuando esta aumenta en uno, en general el consumo energético disminuye en algo menos de un 1% la hora (efecto que se amplía dos veces en el caso de Santiago); mientras que para el caso Arica, el mismo aumento de temperatura genera un aumento en el consumo energético de un 1%. Esto nos indica que las diferencias relacionadas con el clima (y los efectos de este sobre el consumo energético) no serán recogidas simplemente con incorporar la variable temperatura, sino que, como se sabe en geografía, hay un gran conjunto de variables que se pueden mencionar a la hora de dar la explicación al clima de una ciudad. Otra observación al respecto de los resultados generales (sintetizados en la Tabla 6.1) es que se puede mencionar que las cuatro aplicaciones del modelo no arrojan resultados muy distintos de la literatura en términos de la ambigüedad en la dirección de los efectos encontrados, pero es bastante disímil en la magnitud de los mismos. Además en los casos definidos como tal, los coeficientes encontrados para los llamados peak de la mañana no arrojan signos claros sobre si éstos aumentan el consumo realmente, o más bien lo bajan (independiente de la política DST). De una manera distinta, los coeficientes del peak de la tarde, muestran que éste aumenta el consumo medio entre un 20% y un 30% dependiendo del lugar geográfico. Por otro lado el estudio le da validez empírica a la hipótesis (basada en el sentido común) que los días sábados, domingos y festivos el consumo energético disminuye. No obstante, la observación de que esto no ocurre en Santiago los días domingo plantea interrogantes de investigación interesantes en términos de política pública.

68

Finalmente, se concluye el análisis econométrico con las observaciones sobre el efecto de la política. Cuando ésta se aplicó a un solo grupo de horas tratadas el resultado es inequívocamente negativo, aplicar DST disminuye el consumo promedio, siendo este efecto significativo a nivel individual. Sin embargo, cuando la especificación del modelo obedeció a definir más de un grupo de tratados, la dirección negativa del efecto de la política se mantiene en Santiago, pero se vuelve positiva en Concepción, siendo además en esta ciudad no significativo el efecto sobre el peak de la tarde. Como el carácter de estudio preliminar, cabe mencionar que las limitaciones del mismo hacen eco de que sus resultados deben analizarse con la debida precaución científica. TABLA 6.1. RESUMEN DE RESULTADOS

Modelo

Santiago

Arica

Concepción

Punta Arenas

Peak /peak mañana*

52,92%

-4%

-33.60%

46.06%

Peak tarde

21,2%

N/A

33.21%

N/A

Contra factual mediodía

N/A

N/A

4.90%

N/A

Horario de Verano (DST)

-2.11%

-0.90%

-9.28%

-4.40%

Temperatura

-2.16%

1.06%

-0.78%

-0.70%

Controles DST

-1.90%

-3.80%

-1.70%

7.30%

Festivos

-7.38%

-23.65%

-2.89%

**-6.28%

Sábados

-1.39%

-7.97%

-0.97%

-6.97%

Domingos

1.38%

-32.97%

**-0.52%

-3.48%

Año 2014

-27.94%

**3.08%

4.06%

26.94%

PEAKDST -DD(mañana*)

-4.40%

-1.46%

16.07%

-12.96%

PEAKDST -DD2- (tarde*)

-7.76%

N/A

**1.24%

N/A

efecto (+ / -)

efectos (-)

**efecto (+ / -)

No significativo

efectos (+)

Invierno (+) y Verano (+)

Variable

Controles por horas del efecto (-) día Controles por meses efecto (-) analizados *Casos que sólo aplican a Santiago Concepción **Variables No Significativas.

69

7. CONCLUSIONES La política del cambio de horario de verano produce su ahorro de energía eléctrica más significativo en la ciudad de Santiago, con un valor de 94,31 GWh. Porcentualmente, su efecto es similar al producido en la ciudad de Punta Arenas, pero de todas formas con un valor anual bajo el 1%. Todo lo anterior es similar a lo indicado en los estudios internacionales del DST. La ciudad de Arica no se ve afectada por la política del cambio de hora (0,04% ahorro de energía eléctrica anual), esto debido principalmente, al gran periodo con horas luz que presentan las ciudades más cercanas al Ecuador. Sin embargo, Arica muestra una tendencia contraria en la influencia de la temperatura en el consumo de energía eléctrica respecto a las otras ciudades. A medida que aumenta la temperatura en una hora representativa, el consumo se incrementa en un 1,06% en dicha hora. Si seguimos pendientes de la influencia de la temperatura, tanto Punta Arenas como Concepción muestran que el aumento de temperatura genera ahorros de 0,70% y 0,78% respectivamente. Sin embargo, son menores al ahorro producido en Santiago (2,16%), debido principalmente a que la calefacción del sur de Chile sigue siendo principalmente en base a leña y derivados, y no plenamente eléctrica. La ciudad de Concepción se ve afectada negativamente por la política del cambio de horario verano, puesto que su consumo anual aumenta en 21,33 GWh (0,32% anual). Esto se puede comprobar en las curvas características del método heurístico de la respectiva ciudad, donde el peak en la tarde no tiene alteraciones (lo cual demuestra a la vez, la no significancia del porcentaje obtenido en el método diferencia en diferencia para dicho peak) versus un peak en la mañana que es prolongado, producto del horario de verano que genera una conducta en los consumidores a prender luces más temprana por la mañana (una hora más aproximadamente). Por su parte, el año 2014 respecto al 2013, la ciudad de Santiago presentó un ahorro para una hora representativa del 27,94% respecto a las otras ciudades que aumentan su consumo. Esto puede deberse principalmente al desarrollo tecnológico y la eficiencia energética aplicada a los tipos de consumos de energía eléctrica de dicha ciudad. Respecto a la ciudad de Valparaíso, no sé pudo realizar un estudio aplicando el método diferencia en diferencia, debido a que no se cuenta con información de la temperatura para las 24 horas del día 38 . Esta no es un dato arbitrario, dado que en los modelos expuestos la única variable de carácter continuo es la temperatura.

38

Específicamente, las estaciones meteorológicas de la Región de Valparaíso solo cuentan con temperaturas por hora para el intervalo de tiempo entre las 12:00 y las 24:00 en horario GMT, lo que en Hora Chilena corresponde a las 9:00-21:00 y 8:00-22:00 para horarios de verano e invierno respectivamente. Estos intervalos de tiempo dejan fuera de análisis la mayor parte de los horarios peak, que son los periodos donde el DST afecta de mayor forma.

70

8. BIBLIOGRAFÍA [1] Departamento de Ingeniería Eléctrica de la Universidad de Santiago de Chile, "Cambio de horario y su efecto en el consumo de energía," DIE USACH, Santiago, Informe de avances 2014. [2] Myriam BC and Newsham, Guy R Aries, "Effect of daylight saving time on lighting energy use: A literature review," Energy Policy, vol. 36, no. 6, pp. 1858-1866, 2008. [3] Time and Date AS. (2014, Dec) Daylight Saving Time Around the World 2014. [Online]. http://www.timeanddate.com/time/dst/2014.html [4] Ryan and Wolff, Hendrik Kellogg, "Daylight time and energy: Evidence from an Australian experiment," Journal of Environmental Economics and Management, vol. 56, no. 3, pp. 207-220, 2008. [5] Jo Craven McGinty, "Studies Cast Doubt on Value of Daylight- Saving Time," Wall Street Journal, oct 2014, Two academic studies rebut the idea that daylight saving reduces energy use, and one even concludes the policy increases demand for electricity. [Online]. http://online.wsj.com/articles/studies-cast-doubt-on-value-ofdaylight-saving-time-1414775919 [6] Joseph Basconi and Jeffrey Kantor, "The Impact of Daylight Saving Time on Electricity Consumption in Indiana," p. 20, Agosto 2007. [7] California Energy Commission (CEC), "Effects of daylight saving time on California electricity use," California Energy Commission (CEC), California, Report P400-01-013, 2001. [8] U.S Department of Energy Office of Energy Efficiency and Renewable Energy, "Impact of Extended Daylight Saving Time on National Energy Consumption," U.S Department of Energy, Technical Documentation for Report to Congress Energy Policy Actof 2005, Section 110 , 2008. [9] Matthew J. Kotchen and Laura E. Grant, "Does Daylight Saving Time Save Energy? Evidence from a Natural Experiment in Indiana," National Bureau of Economic Research, 1050 Massachusetts Avenue, NBER Working Paper 14429, Octubre 2008. [10] Mohammad Momani, Baharudin Yatim, and Mohd Alaudd, "The impact of the daylight saving time on electricity consumption-A case study from Jordan," Energy Policy, vol. 37, no. 5, pp. 2042-2051, 2009. [11] Servet Karasu, "The effect of daylight saving time options on electricity consumption of Turkey," Energy, vol. 35, no. 9, pp. 3773-3782, 2010. [12] SI Hill, F Desobry, EW Garnsey, and Y-F Chong, "The impact on energy consumption of daylight saving clock changes," Energy Policy, vol. 38, no. 9, pp. 4955-4965, 2010.

71

[13] Moncef Krarti and Ali Hajiah, "Analysis of impact of daylight time savings on energy use of buildings in Kuwait," Energy Policy, vol. 39, no. 5, pp. 2319–2329, 2011. [14] F. Mirza and O. Bergland, "The impact of daylight saving time on electricity consumption: Evidence from southern Norway and Sweden," Energy Policy, vol. 39, no. 6, pp. 3558–3571, 2011. [15] T Lahti, E Nysten, J Haukka, P Sulander, and T Partonen, "Daylight saving time transitions and road traffic accidents," Journal of Environmental and Public Health, 2010. [16] S.A. Feguson, D.F. Preusser, A.K. Lund, P.L. Zador, and R.G. Ulmer, "Daylight saving time and motor vehicle crashes: the reduction in pedestrian and vehicle occupant fatalities," American Journal of Public Health, pp. 92–96, 1995. [17] T Kantermann, M Juda, M Merrow, and T Roenneberg, "The human circadian clock's seasonal adjustment is disrupted by daylight saving time," Current Biology, 2007. [18] C.M. Shapiro, F. Blake, E. Fossey, and B. Adams, "Daylight saving time in psychiatric illness," Journal of Affective Disorders, vol. 19, no. 3, pp. 177–181, 1990. [19] M.J. Kamstra, L.A. Kramer, and M.D. Levi, "Losing sleep at the market: The daylight saving anomaly," American Economic Review, 2000. [20] L Müller, D. Schiereck, M.W. Simpson, and C. Voigt, "Daylight saving effect," Journal of Multinational Financial Management, vol. 19, no. 2, pp. 127–138, 2009. [21] Instituto de Asuntos Públicos de la Universidad de Chile, "Efecto en el consumo de energía eléctrica del cambio de horario en Chile," Universidad de Chile, Santiago, Chile, 2009. [22] Instituto Nacional de Estadisticas. (2015, Febrero) Generación y Distribución Eléctrica. [Online]. http://www.ine.cl/canales/chile_estadistico/estadisticas_economicas/energia/series_est adisticas/series_estadisticas.php

72

9. ANEXOS 9.1.

ESTIMACIONES ECONOMÉTRICAS DE LOS MODELOS PROPUESTOS 39.

Estimación Modelo N°1; un solo grupo de control. Linear regression

Number of obs F( 27, 8378) Prob > F R-squared Root MSE

Ln_consumo

Coef.

peakm peakt hvdst temp cdst festivos sabado domingo y2014 peakm_dst peakt_dst hora1 hora2 hora3 hora4 hora10 hora11 hora12 hora13 hora14 hora15 hora16 abril mayo agosto septiembre octubre _cons

-.5292056 .212497 -.0211234 -.0216348 -.0194683 -.07378 -.0135089 .0138526 -.2793628 -.0440248 -.0776418 -.2672757 -.486349 -.632492 -.720178 -.3662869 -.2531535 -.1576425 -.0831812 -.0263711 -.0125526 -.0316268 -.0719286 -.0650238 -.2352718 -.2417974 -.2913525 3.447981

Robust Std. Err. .0119076 .0092888 .0082573 .0005365 .0058888 .008899 .0049028 .0058793 .0036941 .0121319 .0089349 .0097199 .0097777 .0093762 .0090507 .0086283 .0085785 .0086865 .0091991 .0099067 .0102742 .0104047 .0065209 .0107141 .0117035 .0075521 .0063194 .0146246

t -44.44 22.88 -2.56 -40.33 -3.31 -8.29 -2.76 2.36 -75.62 -3.63 -8.69 -27.50 -49.74 -67.46 -79.57 -42.45 -29.51 -18.15 -9.04 -2.66 -1.22 -3.04 -11.03 -6.07 -20.10 -32.02 -46.10 235.77

P>|t| 0.000 0.000 0.011 0.000 0.001 0.000 0.006 0.018 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.008 0.222 0.002 0.000 0.000 0.000 0.000 0.000 0.000

= 8406 = 1324.57 = 0.0000 = 0.7718 = .16758

[95% Conf. Interval] -.5525474 .1942887 -.0373097 -.0226865 -.0310118 -.0912241 -.0231196 .0023277 -.2866041 -.0678064 -.0951564 -.286329 -.5055157 -.6508717 -.7379196 -.3832004 -.2699696 -.1746701 -.1012138 -.0457908 -.0326926 -.0520226 -.0847112 -.0860261 -.2582135 -.2566015 -.3037402 3.419313

-.5058637 .2307053 -.0049372 -.0205831 -.0079248 -.0563358 -.0038982 .0253776 -.2721214 -.0202433 -.0601271 -.2482224 -.4671822 -.6141123 -.7024365 -.3493733 -.2363375 -.1406149 -.0651487 -.0069515 .0075873 -.011231 -.059146 -.0440216 -.2123301 -.2269934 -.2789648 3.476649

39

Todas las Estimaciones se realizaron mediante la importación (posterior a su depuración) de los datos entregados por las diversas compañías eléctricas e instituciones gubernamentales.

73

Estimación Modelo N°2; dos grupos de control. Linear regression

Number of obs F( 21, 8384) Prob > F R-squared Root MSE

Ln_consumo

Coef.

CFmid peakm peakt hvdst temp cdst festivos sabado domingo y2014 peakm_dst peakt_dst hora1 hora2 hora3 hora4 abril mayo agosto septiembre octubre _cons

-.1757899 -.502735 .1816692 -.0229414 -.0134775 -.0231573 -.0671566 -.0120761 .0137448 -.2812366 -.0359798 -.0913483 -.2591461 -.4724837 -.6129793 -.6943324 -.0410949 -.0130932 -.1670214 -.1881825 -.2699382 3.313662

Robust Std. Err. .0079003 .0118727 .0096049 .0085616 .000529 .0063636 .0096285 .005256 .0063354 .003922 .0122272 .0096442 .0095629 .0095828 .0091654 .0088081 .0069559 .0110344 .0120296 .0078185 .0067726 .0147223

t -22.25 -42.34 18.91 -2.68 -25.48 -3.64 -6.97 -2.30 2.17 -71.71 -2.94 -9.47 -27.10 -49.31 -66.88 -78.83 -5.91 -1.19 -13.88 -24.07 -39.86 225.08

P>|t| 0.000 0.000 0.000 0.007 0.000 0.000 0.000 0.022 0.030 0.000 0.003 0.000 0.000 0.000 0.000 0.000 0.000 0.235 0.000 0.000 0.000 0.000

= 8406 = 1475.76 = 0.0000 = 0.7430 = .17778

[95% Conf. Interval] -.1912764 -.5260084 .1628412 -.0397243 -.0145145 -.0356315 -.0860309 -.0223792 .0013259 -.2889247 -.059948 -.1102533 -.2778917 -.4912683 -.6309457 -.7115986 -.0547303 -.0347234 -.1906024 -.2035086 -.2832142 3.284802

-.1603034 -.4794616 .2004972 -.0061585 -.0124404 -.0106831 -.0482823 -.0017731 .0261637 -.2735486 -.0120115 -.0724434 -.2404006 -.4536991 -.595013 -.6770663 -.0274595 .0085371 -.1434404 -.1728563 -.2566622 3.342521

74

9.2.

ESTIMACIONES STATA PARA MODELO ARICA.

Matriz de Correlaciones . correlate peak hvdst temp cdst festivos sabado domingo y2014 hora1 hora2 hora3 hora4 hora5 hora6 hora8 hora9 h > ora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre (obs=8830)

peak hvdst temp cdst festivos sabado domingo y2014 hora1 hora2 hora3 hora4 hora5 hora6 hora8 hora9 hora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre

hora3 hora4 hora5 hora6 hora8 hora9 hora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre

hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre

peak

hvdst

temp

cdst festivos

sabado

domingo

y2014

hora1

hora2

1.0000 -0.0007 -0.3686 0.0001 -0.0003 0.0001 -0.0004 0.0000 0.1338 0.1338 0.1338 0.1338 0.1338 0.1338 0.1338 0.1338 -0.3249 -0.3249 -0.3249 -0.3249 -0.3249 -0.3249 -0.3249 0.1338 0.0001 0.0001 0.0001 -0.0003 0.0001

1.0000 0.3396 0.2955 0.0186 -0.0024 0.0061 0.0026 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 0.0006 0.0006 0.0006 0.0006 0.0006 0.0006 0.2495 -0.5599 -0.5599 0.1593 0.3620

1.0000 0.2246 -0.0191 0.0215 0.0350 0.1100 -0.0664 -0.0764 -0.0845 -0.0947 -0.1022 -0.1090 -0.1099 -0.0418 0.0324 0.0852 0.1235 0.1498 0.1611 0.1529 0.1335 0.1008 0.2189 0.0350 -0.4362 -0.3085 -0.0831

1.0000 0.0737 0.0321 0.0356 -0.0164 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.1223 -0.1702 -0.1702 0.1449 -0.1702

1.0000 0.0206 -0.0891 -0.0124 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 -0.0269 0.0381 -0.0297 0.0435 0.0049

1.0000 -0.1663 0.0077 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0135 0.0014 0.0221 -0.0132 -0.0193

1.0000 -0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 -0.0099 -0.0156 0.0052 0.0098 -0.0156

1.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

hora3

hora4

hora5

hora6

hora8

hora9

hora10

hora11

hora12

hora13

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

hora14

hora15

hora16

hora17

abril

mayo

agosto septie~e

octubre

1.0000 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.0000 -0.0000 -0.0000 0.0001 -0.0000

1.0000 -0.1987 -0.1987 -0.1947 -0.1987

1.0000 -0.2027 -0.1986 -0.2027

1.0000 -0.1986 -0.2027

1.0000 -0.1986

1.0000

75

Estimación Modelo ARICA regresión robusta a problemas de Heteroscedasticidad. note: hora14 omitted because of collinearity Linear regression

Number of obs F( 29, 8706) Prob > F R-squared Root MSE

Ln_consumo

Coef.

peak hvdst temp cdst festivos sabado domingo y2014 peak_dst hora1 hora2 hora3 hora4 hora5 hora6 hora8 hora9 hora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre _cons

-.0403541 -.0091045 .0105985 -.0380813 -.2365463 -.0796715 -.3297256 .030798 -.0146148 -.0528842 -.1141423 -.1699383 -.2037994 -.2183191 -.2058391 -.1389052 .0131066 .0407126 .0623106 .0627155 .0326925 0 .0201858 .0018439 -.0140732 .0323741 .0027589 -.0049484 .0065533 -.001573 6.11902

Robust Std. Err. .0110308 .0110608 .0020099 .0084731 .012231 .006178 .0089172 .0048941 .0094566 .0168314 .0125575 .0125254 .012934 .0127379 .014781 .0136992 .0131045 .0136893 .0133583 .0125018 .0121099 (omitted) .0110721 .013141 .0110291 .0078937 .0129606 .0160957 .0142351 .0114586 .0475478

t

P>|t|

= = = = =

8736 179.87 0.0000 0.3647 .21797

[95% Conf. Interval]

-3.66 -0.82 5.27 -4.49 -19.34 -12.90 -36.98 6.29 -1.55 -3.14 -9.09 -13.57 -15.76 -17.14 -13.93 -10.14 1.00 2.97 4.66 5.02 2.70

0.000 0.410 0.000 0.000 0.000 0.000 0.000 0.000 0.122 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.317 0.003 0.000 0.000 0.007

-.061977 -.0307863 .0066586 -.0546905 -.2605219 -.0917818 -.3472054 .0212043 -.033152 -.0858778 -.138758 -.194491 -.2291532 -.2432884 -.2348132 -.1657589 -.0125813 .0138782 .0361252 .038209 .0089543

-.0187312 .0125773 .0145384 -.021472 -.2125706 -.0675612 -.3122457 .0403916 .0039224 -.0198907 -.0895267 -.1453855 -.1784456 -.1933498 -.1768649 -.1120514 .0387946 .067547 .088496 .087222 .0564307

1.82 0.14 -1.28 4.10 0.21 -0.31 0.46 -0.14 128.69

0.068 0.888 0.202 0.000 0.831 0.759 0.645 0.891 0.000

-.0015182 -.0239155 -.0356928 .0169004 -.0226469 -.0364999 -.0213508 -.0240347 6.025815

.0418898 .0276032 .0075465 .0478477 .0281647 .026603 .0344573 .0208886 6.212225

76

9.3.

ESTIMACIONES STATA PARA MODELO CONCEPCIÓN.

Matriz de Correlaciones . correlate Cfmediodia peakm peakt hvdst temp cdst festivos sabado domingo y2014 cf_mediodia_dst peakm_dst peakt > _dst hora2 hora3 hora4 abril mayo agosto septiembre octubre (obs=7473)

Cfmediodia peakm peakt hvdst temp cdst festivos sabado domingo y2014 cf_mediodi~t peakm_dst peakt_dst hora2 hora3 hora4 abril mayo agosto septiembre octubre

cf_mediodi~t peakm_dst peakt_dst hora2 hora3 hora4 abril mayo agosto septiembre octubre

Cfmedi~a

peakm

peakt

hvdst

temp

1.0000 -0.3604 -0.4056 -0.0018 0.4810 0.0004 0.0003 0.0014 0.0022 -0.0044 0.6665 -0.2507 -0.2793 -0.1466 -0.1463 -0.1466 0.0016 0.0012 0.0017 -0.0026 -0.0054

1.0000 -0.2945 -0.0040 -0.3780 0.0002 0.0012 0.0009 0.0015 -0.0029 -0.2402 0.6956 -0.2028 -0.1064 -0.1062 -0.1064 0.0011 0.0013 0.0011 -0.0019 -0.0040

1.0000 -0.0002 0.0937 0.0003 -0.0002 0.0010 0.0017 -0.0033 -0.2703 -0.2049 0.6887 -0.1198 -0.1196 -0.1198 0.0012 0.0015 0.0013 -0.0022 -0.0045

1.0000 0.2922 0.3361 0.0126 0.0088 0.0070 -0.1600 0.4283 0.3246 0.3616 -0.0016 -0.0022 -0.0016 0.3423 -0.5409 -0.5411 0.0729 0.3080

1.0000 0.1335 -0.0160 0.0103 0.0168 0.0553 0.4821 -0.2244 0.2126 -0.1148 -0.1297 -0.1454 0.1001 -0.0568 -0.2875 -0.1165 -0.0171

1.0000 0.0118 0.0371 0.0376 -0.0273 0.1473 0.1079 0.1255 0.0001 0.0004 0.0001 0.1381 -0.1870 -0.1871 0.0763 -0.1280

cf_med~t peakm_~t peakt_~t

hora2

hora3

1.0000 -0.0432 -0.0433 0.0004 0.0005 0.0005 -0.0008 -0.0016

1.0000 -0.0432 0.0008 0.0009 0.0008 -0.0005 -0.0036

1.0000 -0.1671 -0.1862 -0.0977 -0.0975 -0.0977 0.1493 -0.2317 -0.2318 0.0276 0.1260

1.0000 -0.1411 -0.0740 -0.0739 -0.0740 0.1144 -0.1756 -0.1757 0.0216 0.0964

1.0000 -0.0825 -0.0823 -0.0825 0.1253 -0.1956 -0.1957 0.0241 0.1058

cdst festivos

sabado

domingo

y2014

1.0000 0.0437 -0.0888 -0.0289 0.0062 0.0050 0.0050 0.0005 0.0006 0.0005 -0.0253 0.0467 -0.0284 0.0177 0.0295

1.0000 -0.1687 0.0185 0.0048 0.0043 0.0048 0.0004 0.0007 0.0004 -0.0123 0.0044 0.0042 -0.0080 -0.0183

1.0000 0.0002 0.0054 0.0048 0.0041 0.0006 -0.0010 0.0006 -0.0117 -0.0181 0.0048 0.0185 -0.0192

1.0000 -0.0746 -0.0554 -0.0637 -0.0012 -0.0006 -0.0012 0.0845 0.0856 0.0860 -0.1585 -0.2690

hora4

abril

mayo

1.0000 0.0004 0.0005 0.0005 -0.0008 -0.0016

1.0000 -0.2386 -0.2387 -0.1763 -0.1633

1.0000 -0.2435 -0.1799 -0.1666

agosto septie~e

1.0000 -0.1800 -0.1667

1.0000 -0.1231

octubre octubre

1.0000

.

77

Estimación Modelo CONCEPCIÓN regresión robusta a problemas de Heteroscedasticidad. . //Estimamos el modelo 2 con dos contrafactuales y 2 grupos de tratamiento // . reg Ln_consumo Cfmediodia peakm peakt hvdst temp cdst festivos sabado domingo y2014 cf_mediodia_dst peakm_dst > peakt_dst hora2 hora3 hora4 abril mayo agosto septiembre octubre, robust Linear regression

Number of obs F( 21, 7451) Prob > F R-squared Root MSE

Ln_consumo

Coef.

Cfmediodia peakm peakt hvdst temp cdst festivos sabado domingo y2014 cf_mediodia_dst peakm_dst peakt_dst hora2 hora3 hora4 abril mayo agosto septiembre octubre _cons

.0490365 -.3360936 .3320634 -.0928476 -.007841 -.0169739 -.0289489 -.0097089 -.0060522 .0406177 .0525336 .1607914 .0124471 -.2956826 -.4189216 -.4900565 .0247417 .0569356 .0880732 .0753372 .0094843 13.56159

Robust Std. Err. .0074238 .01094 .0079566 .0092818 .0006984 .005635 .0080196 .0044469 .0052034 .003558 .0070595 .0128349 .0093092 .0084959 .0081831 .0080392 .0053923 .0094823 .0100056 .0075979 .0074619 .014524

t 6.61 -30.72 41.73 -10.00 -11.23 -3.01 -3.61 -2.18 -1.16 11.42 7.44 12.53 1.34 -34.80 -51.19 -60.96 4.59 6.00 8.80 9.92 1.27 933.74

P>|t| 0.000 0.000 0.000 0.000 0.000 0.003 0.000 0.029 0.245 0.000 0.000 0.000 0.181 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.204 0.000

= 7473 = 1634.26 = 0.0000 = 0.7559 = .14435

[95% Conf. Interval] .0344837 -.3575391 .3164663 -.1110425 -.0092101 -.02802 -.0446695 -.0184261 -.0162524 .033643 .038695 .1356314 -.0058016 -.3123368 -.4349627 -.5058155 .0141712 .0383477 .0684593 .0604432 -.0051433 13.53312

.0635892 -.3146481 .3476606 -.0746527 -.0064719 -.0059278 -.0132283 -.0009917 .004148 .0475924 .0663722 .1859514 .0306958 -.2790283 -.4028805 -.4742975 .0353122 .0755235 .107687 .0902312 .0241118 13.59006

78

9.4.

ESTIMACIONES STATA PARA MODELO PUNTA ARENAS. Matriz de Correlaciones

. correlate peak hvdst temp cdst festivos sabado domingo y2014 hora1 hora2 hora3 hora4 hora5 hora6 hora8 ho > ora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre (obs=8828) peak

hvdst

temp

peak hvdst temp cdst festivos sabado domingo y2014 hora1 hora2 hora3 hora4 hora5 hora6 hora8 hora9 hora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre

1.0000 0.0022 0.0297 -0.0001 -0.0010 -0.0001 0.0005 -0.0000 -0.1205 -0.1205 -0.1201 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.1205 -0.0001 -0.0001 -0.0001 0.0002 0.0002

1.0000 0.4556 0.2956 0.0186 -0.0023 0.0060 0.0026 -0.0006 -0.0006 -0.0015 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 -0.0006 0.0006 0.0006 0.0006 0.0006 0.0006 0.0006 0.2496 -0.5599 -0.5599 0.1594 0.3618

1.0000 0.2436 -0.0168 -0.0108 0.0019 -0.0483 -0.0637 -0.0716 -0.0794 -0.0863 -0.0931 -0.0986 -0.0986 -0.0709 -0.0144 0.0400 0.0836 0.1154 0.1354 0.1433 0.1369 0.1161 0.1971 -0.1569 -0.3978 -0.1561 0.1160

1.0000 0.0737 0.0321 0.0357 -0.0164 -0.0000 -0.0000 0.0004 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.1223 -0.1702 -0.1702 0.1448 -0.1701

hora3

hora4

hora5

hora3 hora4 hora5 hora6 hora8 hora9 hora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre

1.0000 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 -0.0434 0.0005 0.0005 0.0005 0.0006 -0.0024

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

hora14 1.0000 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre

cdst festivos

sabado

domingo

y2014

hora1

hora2

1.0000 0.0205 -0.0891 -0.0124 0.0001 0.0001 0.0003 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 -0.0269 0.0381 -0.0297 0.0434 0.0050

1.0000 -0.1663 0.0077 -0.0000 -0.0000 0.0004 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0135 0.0014 0.0221 -0.0133 -0.0191

1.0000 0.0003 0.0002 0.0002 -0.0010 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 -0.0098 -0.0155 0.0053 0.0099 -0.0162

1.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 0.0000

1.0000 -0.0435 -0.0434 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0434 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

hora6

hora8

hora9

hora10

hora11

hora12

hora13

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0435 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

hora15

hora16

hora17

abril

mayo

agosto septie~e

octubre

1.0000 -0.0435 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0435 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.0000 -0.0000 -0.0000 0.0001 0.0001

1.0000 -0.1988 -0.1988 -0.1947 -0.1986

1.0000 -0.2027 -0.1986 -0.2026

1.0000 -0.1986 -0.2026

1.0000 -0.1985

1.0000

.

79

Estimación Modelo PUNTA ARENAS regresión robusta a problemas de Heteroscedasticidad Linear regression

Number of obs F( 30, 8672) Prob > F R-squared Root MSE

Ln_consumo

Coef.

peak hvdst temp cdst festivos sabado domingo y2014 peak_dst hora1 hora2 hora3 hora4 hora5 hora6 hora8 hora9 hora10 hora11 hora12 hora13 hora14 hora15 hora16 hora17 abril mayo agosto septiembre octubre _cons

.4605587 -.0439661 -.0073553 .0729508 -.0628268 -.0069723 -.0347977 .2693741 -.1295967 -.0366803 -.2560697 -.3897669 -.4561312 -.4647474 -.4191619 -.211338 -.1701543 -.0736585 -.0021199 .0522452 .0861171 .0906582 .0841748 .0858026 .1239339 -.0400167 -.0638759 .1899007 .1938644 .1930923 12.8775

Robust Std. Err. .0126387 .0094334 .0009934 .0088095 .0112819 .0064614 .0074141 .0043969 .009935 .017236 .016111 .0150959 .0145659 .0146747 .0163238 .0173475 .0149866 .0137856 .0138561 .0141603 .014491 .0154115 .0140921 .0138125 .014225 .0087576 .0124426 .0128566 .0093771 .0089366 .0173424

t 36.44 -4.66 -7.40 8.28 -5.57 -1.08 -4.69 61.27 -13.04 -2.13 -15.89 -25.82 -31.31 -31.67 -25.68 -12.18 -11.35 -5.34 -0.15 3.69 5.94 5.88 5.97 6.21 8.71 -4.57 -5.13 14.77 20.67 21.61 742.54

P>|t| 0.000 0.000 0.000 0.000 0.000 0.281 0.000 0.000 0.000 0.033 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.878 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

= = = = =

8703 864.97 0.0000 0.7194 .20552

[95% Conf. Interval] .4357839 -.0624577 -.0093026 .055682 -.084942 -.0196382 -.0493311 .2607553 -.1490717 -.070467 -.2876511 -.4193583 -.4846838 -.4935133 -.4511606 -.2453432 -.1995315 -.1006815 -.029281 .0244876 .0577114 .0604479 .056551 .0587268 .0960494 -.0571838 -.0882663 .1646987 .175483 .1755745 12.84351

.4853334 -.0254744 -.005408 .0902196 -.0407117 .0056937 -.0202644 .277993 -.1101217 -.0028935 -.2244882 -.3601754 -.4275785 -.4359814 -.3871633 -.1773328 -.140777 -.0466355 .0250413 .0800028 .1145229 .1208684 .1117986 .1128784 .1518183 -.0228497 -.0394855 .2151026 .2122458 .2106102 12.9115

80