HTML

ePub

PDF

INTRODUCCIÓN

Este artículo desarrolla un primer análisis de las variables causales involucradas en el abastecimiento de Gas Licuado de Petróleo (GLP), a fin de actuar, prever y contrarrestar cualquier afectación que pueda incidir en el mercado de GLP que impacte la economía de la población. El interés por desarrollar esta investigación es la escasa o nula existencia de estudio alguno en el país que realice un análisis multivariante de los factores para conseguir un abastecimiento permanente de este combustible.

En los primeros meses del 2004 era notorio que la producción de GLP se volvía insuficiente para abastecer la demanda nacional, lo cual hizo necesaria la importación; sin embargo, con el inicio de operaciones de la Planta de Fraccionamiento de Líquidos de Gas Natural de Pluspetrol, el Perú pasó a ser exportador de dicho producto. Actualmente, esta condición está siendo revertida por el acelerado aumento de la demanda de GLP y la lenta ejecución de proyectos de ampliación de capacidad de almacenamiento en plantas de abastecimiento. Ello justifica la elaboración de modelos para pronosticar futuros escenarios en el suministro de GLP; no obstante, factores legales, pendientes de atención por las autoridades del sector, impiden mejoras en la estrategia de abastecimiento de GLP, variables que deberían ser estudiadas dentro de un análisis más profundo.

El término «seguridad energética» es usado en diferentes contextos. Ello evidencia la diferencia de criterios a la hora de enfocarla, lo cual provoca diversas interpretaciones, generando desacuerdos conceptuales. La Agencia Internacional de la Energía (AIE) definió la «seguridad energética» como «un suministro adecuado de energía a un precio razonable» (1985, p. 9). Años después, en 2001, desarrolló nuevas definiciones, concibiéndola como «disponibilidad física de suministros para satisfacer la demanda a un precio dado» (p. 76). Posteriormente, esta misma agencia sostuvo que la «seguridad energética, definida en términos generales, significa suministros de energía adecuados, asequibles y fiables» (AIE, 2007, p. 160) con un enfoque de precios que pudieran ser «competitivos o no demasiado volátiles».

METODOLOGÍA

La metodología para la recolección de datos incluyó la exploración del entorno mediante consultas a expertos, análisis de las transacciones comerciales del mercado peruano de GLP, informes emitidos por instituciones y agencias nacionales e internacionales de energía y la determinación de los constructos. Asimismo, la comprobación se realizó mediante un Análisis por Componentes Principales. Se tomó en consideración la evolución temporal del mercado peruano de GLP, pues en estudios posteriores es posible encontrar distintos modelos estructurales que muestren diversos estados para las variables consideradas, lo cual podría determinar la ampliación del estudio a un Análisis Factorial Confirmatorio y modelos que evalúen el efecto del tiempo en el desarrollo del mercado. Los resultados de estos estudios podrían incidir en la necesidad de cambios en la legislación para lograr un mayor ordenamiento del mercado de GLP y el cumplimiento de las obligaciones de parte de las empresas involucradas.

LA SEGURIDAD ENERGÉTICA Y SU DIFERENCIA CON LA SEGURIDAD DE ABASTECIMIENTO

La denominación «seguridad energética» también es referida a la seguridad de abastecimiento (Kruyt et al., 2009; Löschel et al., 2009). Además, se considera que, en el primer caso, se trata del marco general que incluye a importadores y exportadores; mientras que, en el segundo caso, la seguridad de abastecimiento es considerada como un subtipo dentro de la seguridad energética y, como tal, es tratada por los analistas sopesando el corto y el largo plazo (AIE, 2007; Checchi et al., 2009). En el corto plazo, señala Kruyt et al. (2009), la seguridad energética busca mitigar las potenciales interrupciones de suministro o contar con una estrategia de respuesta rápida ante una potencial escasez de energía. Esta estrategia tendría que considerar el reemplazo de los flujos de suministro, el uso de capacidad no utilizada de los productores (un símil de reserva fría, en generación eléctrica) y de las reservas de emergencia (inventarios mínimos, en el caso peruano) o las medidas coyunturales para regular la demanda. La finalidad es reducir el impacto de un desabastecimiento de energía en sectores críticos (AIE, 2001) y restringir la demanda para afrontar la falta física de energía (AIE, 2007), asunto de difícil aplicación en el país.

Si se analiza cuidadosamente los factores principales de la seguridad de abastecimiento energético, como lo es la disponibilidad física en volúmenes suficientes, sin interrupciones y con precios accesibles, es importante destacar que la seguridad de abastecimiento en el largo plazo pretende garantizar la disponibilidad de energía suficiente para un desarrollo económico sostenible. Para ello, la estrategia busca asegurar una mayor eficiencia energética, disminuir la vulnerabilidad, contar con diversas fuentes mediante el uso de energías renovables, nuevos proveedores, así como el desarrollo de medios de transporte con nuevas tecnologías y el aumento de redes interconectadas de energía existentes.

La Commission of the European Communities (1990a, p.16 en Berrah, Feng, Priddle y Wang, 2007) explica que «la seguridad de suministro significa la capacidad de asegurar que las necesidades energéticas básicas futuras pueden ser cubiertas, tanto por medio de unos recursos domésticos adecuados producidos bajo condiciones aceptables económicamente o conservados como reservas estratégicas, así como recurriendo a fuentes externas accesibles y estables, complementadas con las reservas estratégicas, cuando sea apropiado». Años más tarde, se ha relacionado a la seguridad de abastecimiento de energía considerando que «la estrategia de la Unión Europea a largo plazo para la seguridad de abastecimiento energético debe dirigirse a asegurar, por el bienestar de sus ciudadanos y el correcto funcionamiento de la economía, la disponibilidad física ininterrumpida de productos energéticos en el mercado, a un precio asequible para todos los consumidores (particulares e industriales), a la vez que respete las preocupaciones medioambientales y vele por el desarrollo sostenible» (Commission of the European Communities, 2000a, p. 2).

En cuanto a la disponibilidad de energía, de forma permanente y en la cantidad requerida, es importante considerar las condiciones necesarias para permitir la satisfacción de la demanda que coadyuven al desarrollo de las actividades estratégicas, económicas y ordinarias de los países (acciones de defensa, producción, transporte, consumo doméstico, entre otros). Estas condiciones tienen su origen geológico, técnico, económico y geopolítico, ya que se refieren a la disponibilidad de los recursos, el buen funcionamiento de la infraestructura relacionada y la confiabilidad de las empresas y de cada grupo de interés comprometido con el sistema. Como es de esperar, las inversiones juegan un rol importante dentro de este sistema complejo.

EL ABASTECIMIENTO DE GLP DENTRO DEL CONTEXTO PERUANO

En el contexto peruano, el Reglamento para la Comercialización de Gas Licuado de Petróleo (GLP), aprobado por Decreto Supremo 01-94-EM, regula el aseguramiento de su abastecimiento. En su artículo 8 se establece que toda planta de producción e importador de este combustible está obligada a mantener, como existencia media, un volumen equivalente a quince días del volumen promedio vendido en los últimos seis meses o del volumen promedio importado dentro del mismo periodo, según sea el caso. Sin embargo, un informe del estado situacional de comercialización muestra un análisis estadístico de las ventas a nivel nacional que permite observar la imposibilidad de supervisar el cumplimiento de esta obligación (División Planeamiento y Desarrollo de la Gerencia de Fiscalización de Hidrocarburos Líquidos, 2015). Además, este cargo deberá garantizar el abastecimiento, dado que al calcular el número de días de abastecimiento disponible se encontró una variabilidad de tres a doce días, sin considerar la posibilidad de presentarse oleajes anómalos que impidan a las embarcaciones descargar el producto en los tanques esféricos de las plantas de abastecimiento de dos grandes mayoristas que abastecen la capital y en donde se concentra la mayor demanda nacional. Posteriormente, esta norma sufrió una modificación sin que haya resultado en una solución permanente al problema de suministro. En este contexto, es apropiado para una investigación que desarrolle un análisis multivariante que identifique los factores de mayor impacto en el suministro de GLP. Por último, como resultado de este análisis se deberá plantear acciones y estrategias que coadyuven a lograr un suministro adecuado de este energético satisfaciendo la demanda nacional.

APLICACIÓN DEL ANÁLISIS MULTIVARIANTE. ANÁLISIS DE COMPONENTES PRINCIPALES

El Análisis de Componentes Principales fue desarrollado, inicialmente, por Karl Pearson a principios del siglo XX y, posteriormente, estudiado por Harold Hotelling, hacia 1930 (Ganzo, 2004). Es particularmente útil para sintetizar la información, reduciendo el número de variables con la pérdida de la mínima cantidad posible de información. Los nuevos componentes principales resultantes del análisis, independientes entre sí, constituirán una combinación lineal de las variables originales y se construyen según su importancia en relación a la variabilidad total obtenida de la muestra.

Por un lado, se ha identificado trece variables relacionadas con el abastecimiento de GLP. Una vez identificadas las variables, se ha encontrado dificultad para visualizar las posibles relaciones existentes entre las variables, además de la posibilidad de encontrar correlaciones que puedan presentarse entre ellas, lo que puede traer como consecuencia que algunas se relacionen o que midan lo mismo, pero bajo diferentes enfoques. Para la evaluación de las relaciones que puedan presentarse entre aquellas variables que miden la misma información, se requeriría cambiar el conjunto inicial de variables en un nuevo grupo que no las correlacione entre sí; es decir, en donde no se tenga repetición o información redundante. Ello se logra reduciendo el número de variables, estimando que solo pocos factores podrían explicar buena parte de la variabilidad identificada.

Por otro lado, la selección de las variables se realiza de manera que cada una de ellas recoja la mayor parte de la variabilidad inicial, tomando en cuenta que todas serán complementarias. Del total de variables obtenidas, se elegirán las que recojan una proporción suficiente de variabilidad, las cuales reciben el nombre de componentes principales que, una vez seleccionadas, son representadas como una matriz en la que cada elemento constituye los coeficientes factoriales de las variables; en otras palabras, las correlaciones entre las variables y los componentes principales. La matriz tendrá tantas columnas como componentes principales haya y, tantas filas como variables se tenga. Para cada caso, los componentes principales tienen puntuaciones factoriales que hacen posible su representación gráfica. Las puntuaciones son calculadas a partir de la siguiente fórmula:

X_ij = a_{i1 •} Z_1j +…..+ a_{ik •} Z_kj = Σ^ka_{is •} Z_sk

_{s = 1}

Donde, a representa a los coeficientes y Z, a los valores estandarizados de las variables.

En la etapa de interpretación, la dificultad radica en encontrar que los coeficientes factoriales sean próximos a la unidad; que cualquiera de las variables tenga coeficientes relacionados con una de ellas y que no existan variables con coeficientes similares. Luego, concierne hacer la comprobación mediante un análisis factorial confirmatorio o mediante los modelos de ecuaciones estructurales.

Para determinar los componentes principales, se hace uso del software estadístico SPSS 24, donde el número del nuevo conjunto de variables no directamente observables sea pequeño, con una pérdida mínima de información y la solución que se obtenga pueda ser interpretada. Las etapas de análisis incluyen la extracción de las variables y la estimación de las puntuaciones factoriales. El criterio de rotación utilizado ha sido el Varimax, en rotación ortogonal; sin embargo, quedaría pendiente desarrollar una investigación en la que se pruebe distintas soluciones factoriales con diferentes criterios de rotación y, de acuerdo con los resultados obtenidos, seleccionar el criterio de rotación apropiado, considerando que el resultado debe ser una solución factorial simple y que aporte información.

Este artículo pretende ilustrar la aplicación del Análisis de Componentes Principales para la identificación de factores relevantes que pueden afectar el proceso normal de abastecimiento de GLP en el Perú. Por tanto, el análisis será adecuado si se presenta una alta correlación entre las variables, lo cual es posible cuando existen aspectos comunes. De esta forma, el primer paso será realizar el análisis de la matriz de correlaciones. De acuerdo con ello, los siguientes factores de cambio han sido identificados como aquellos que afectan directamente el abastecimiento de GLP a nivel nacional:

X1 Producción de petróleo.

X2 Producción de Líquidos de Gas Natural (LGN).

X3 Procesamiento de petróleo.

X4 Importación de petróleo.

X5 Reservas de petróleo.

X6 Reservas de LGN.

X7 Procesamiento de LGN.

X8 Capacidad de almacenamiento de GLP.

X9 Cierre de puertos.

X10 Producción de GLP.

X11 Demanda de GLP.

X12 Importación de GLP.

X13 Inventarios de GLP.

Una práctica usual es determinar primero el valor del coeficiente alfa de Cronbach a fin de estimar la fiabilidad de los constructos. Sin embargo, habiendo utilizado información real, no procedente de encuestas o cuestionarios, el resultado ratificará la conclusión de que, en caso de uso de data real, el valor obtenido no descalifica la aplicación de una técnica multivariante (Lloret-Segura et al., 2014). El análisis de fiabilidad ha sido realizado utilizando el software estadístico SPSS 24. Mediante un análisis semejante al de la búsqueda de consistencia entre las respuestas de un cuestionario, se utiliza este coeficiente para determinar la consistencia entre los factores (variables) involucrados.

En una primera corrida, se obtuvo un coeficiente alfa de Cronbach de 0,252; el valor mínimo aceptable para el coeficiente alfa de Cronbach es de 0,7. Un valor menor indica que la consistencia interna muestra una baja correlación entre los factores, esto debido a una débil relación entre ellos, mientras que un valor superior muestra una fuerte relación entre los factores. En corridas sucesivas, tras eliminar X13, X12, X6, X5, X3 y X1, se obtiene un coeficiente alfa de Cronbach de 0,829 (ver tabla 1). Por tanto, a fin de verificar si se ratifica la eliminación de estas variables, se realizó un análisis de componentes principales con siete factores consiguiendo un KMO de 0,652 (ver tabla 2). Por otro lado, las tablas 3 y 4 justifican las varianzas explicadas para los siete componentes.

La matriz de correlaciones muestra el 100% de los coeficientes de correlación son diferentes de cero por lo que es posible continuar con el análisis. El método de extracción es el de análisis de componentes principales.

El método de extracción es de análisis de componentes principales.

La tabla 5 muestra que la rotación de los factores consigue que el primer factor explique el 65,217%; mientras que el segundo, el 28,347%. Con esta rotación se ha conseguido una ligera mejora en la distribución de la información explicada por cada uno de los factores. En conjunto, representan el 93,564%, lo que significa que esa diferencia (6,436%) equivale a una pérdida de información menor que en el caso de las sumas de extracción.

Si se dejara de eliminar los factores X3 y X12, considerando nueve componentes, la determinación del coeficiente KMO, al tomarse en cuenta los factores X2, X3, X4, X7, X8, X9, X10, X11 y X12, después de eliminaciones sucesivas de los factores, genera un KMO igual a 0,702, valor que supera la restricción para el KMO. Por lo tanto, ello lleva finalmente a trabajar con nueve factores.

La tabla 6, como en el caso anterior, muestra que el 100% de los coeficientes de correlación son diferentes de cero, lo que implica que es posible continuar con el análisis. El método de extracción ha sido el de análisis de componentes principales.

La tabla 7 muestra la comprobación de la bondad del modelo obtenido, el cual se realiza a través de un análisis de los residuos en el que se observa las diferencias entre la matriz de correlaciones inicial y la reproducida por el modelo. De esta forma, en la medida que sean próximos a cero en valor absoluto, será indicativo de un buen ajuste, tal y como se observa en la tabla. La existencia del 11% de residuos no redundantes con valor absoluto mayor que 0,05 implicaría un bajo nivel de bondad del modelo, lo que podría ser considerado como relativamente bueno.

La tabla 8 muestra que la rotación de los factores consigue que el primero explique el 70,23%; mientras que el segundo, el 20,46%. Con la rotación se ha conseguido una ligera mejora en la distribución de la información explicada por cada uno de los factores. En conjunto, representan el 90,69%, siendo la diferencia (9,31%) una pérdida de información menor que en el caso de las sumas de extracción, pero mayor al caso de siete componentes.

Finalmente, la matriz de componentes rotados, mostrada en la tabla 9, indica que la rotación ha convergido en tres iteraciones, lo cual nos lleva a un modelo con dos componentes principales, donde el primer componente es la variable con máxima varianza con solo dos coeficientes negativos.

Y1 = 0,990X2 – 0,421X3 + 0,413X4 + 0,956X7 + 0,804X8 + 0,864X9 + 0,990X10 + 0,978X11 – 0,864X12

Y2 = 0,006X2 + 0,852X3 + 0,853X4 + 0,138X7 + 0,495X8 – 0,138X9 + 0,022X10 – 0,091X11 – 0,310X12

Se puede observar que X2 (producción de LGN), X10 (producción de GLP), X8 (capacidad de almacenamiento de GLP) y X7 (procesamiento de LGN) son variables altamente correlacionadas, puesto que el procesamiento de líquidos de gas natural dependerá de la producción de gas natural y, a su vez, de la producción de GLP. Asimismo, esta producción estará determinada por su capacidad de almacenamiento.

La tabla 9 muestra la matriz de componente rotado considerando que el método de extracción fue el de análisis de componentes principales. El método de rotación utilizado ha sido el Varimax con normalización Kaiser, en la que la rotación ha convergido en tres iteraciones.

Fuente: resultados de corrida en SPSS 24.

a. La rotación ha convergido en tres iteraciones.

CONCLUSIONES

1. 1. El Análisis de Componentes Principales (ACP) ha analizado la estructura de las interrelaciones entre once variables relacionadas con el abastecimiento de GLP, en el que se ha utilizado datos reales para cada una, encontrándose un ajuste satisfactorio a los supuestos de un modelo del ACP clásico. Si se analiza la matriz de correlaciones para verificar que exista una correlación entre las variables, se encuentra que el 100% de los coeficientes de correlación son diferentes de cero, lo que implica que es posible continuar con el análisis y obtener un mejor ajuste.
2. 2. La medida de adecuación muestral de Kaiser-Meyer-Olkin (KMO) indica que la muestra de datos utilizada es adecuada.
3. 3. La prueba de esfericidad de Bartlett indica un valor de significancia de 0,000. Por ello, no se trata de una matriz identidad, y se concluye con que existe correlación entre las variables.
4. 4. La tabla de varianza total explicada muestra que existe solo 9,31% de pérdida de información cuando se consideran nueve factores; y, 6,44%, cuando se consideran siete factores.
5. 5. Se ha comprobado la bondad del modelo, dado que las diferencias entre las matrices de correlación inicial y la reproducida por el modelo son próximos a cero en valor absoluto, lo cual es indicativo de un buen ajuste.
6. 6. Con las variables relacionadas se podría realizar un Análisis Factorial Confirmatorio (AFC) y posterior modelamiento de ecuaciones estructurales (Exploratory Structural Equation Modeling, ESEM), lo que permitiría comprobar que el modelo estructural que se proponga se ajusta adecuadamente a los datos.
7. 7. Con estos resultados se comprueba que las variables producción de GLP (X10) y cierre de puertos (X9) tienen un aporte significativo en el modelo. Asimismo, el abastecimiento de GLP a nivel nacional depende de la producción (X2) y procesamiento de LGN (X7), por lo cual, cualquier problema relacionado a estas actividades puede afectarlo.
8. 8. Las variables producción de petróleo (X1), reservas de petróleo (X5), reservas de LGN (X6) e inventarios de GLP (X13) han mostrado tener un menor nivel de influencia en el abastecimiento de GLP a nivel nacional.
9. 9. El resto de las variables —producción de LGN (X2), procesamiento de petróleo (X3), importación de petróleo (X4), procesamiento de LGN (X7), capacidad de almacenamiento de GLP (X8), cierre de puertos (X9), producción de GLP (X10), demanda de GLP (X11) e importación de GLP (X12)— han mostrado tener un alto grado de correlación con el abastecimiento de GLP a nivel nacional; por tanto, cualquier perturbación que afecte a una de estas variables causará un impacto en este abastecimiento.
10. 10. El modelo de dos componentes refleja el comportamiento real de las variables, de acuerdo a la data histórica utilizada.
11. 11. Los componentes Y1 e Y2 relacionan el abastecimiento de GLP de acuerdo a su origen, por lo cual Y1 se designa GLPGas Natural e Y2 corresponde a GLPPetróleo; por tanto:

GLP_Petróleo = 0,006 Producción de LGN + 0,852 Procesamiento de petróleo + 0,853 Importación de petróleo + 0,138 Procesamiento de LGN + 0,495 Capacidad de almacenamiento de GLP – 0,138 Cierre de puertos + 0,022 Producción de GLP – 0,091 Demanda de GLP – 0,310 Importación de GLP.

GLP_{Gas Natural} = 0,990 Producción de LGN – 0,421 Procesamiento de petróleo + 0,413 Importación de petróleo + 0,956 Procesamiento de LGN + 0,804 Capacidad de almacenamiento de GLP + 0,864 Cierre de puertos + 0,990 Producción de GLP + 0,978 Demanda de GLP – 0,864 Importación de GLP.

REFERENCIAS BIBLIOGRÁFICAS

Berrah, N.; Feng, F.; Priddle, R. & Wang, L. (2007). Sustainable energy in China: The closing window of opportunity, p. 273. Washington, DC, International Bank for Reconstruction and Development, The World Bank. ISBN-13: 978-0-812-6754-4.

Checchi, A.; Behrens, A. y Egenhofer, C. (2009). Long-term energy security risks for Europe: a sector-specific approach. Working Document, 52(309). Recuperado de http://aei.pitt.edu/10759/1/1785.pdf.

Commission of the European Communities (2000a). Green paper: towards a European strategy for the security of energy supply. Office for Official Publications of the European Communities, 90. Recuperado de https://op.europa.eu/en/publication-detail/-/publication/0ef8d03f-7c54-41b6-ab89-6b93e61fd37c/language-en.

Cuadras, C. (2018). Nuevos métodos de análisis multivariante. Barcelona, España: CMC Editions.

Ganzo, A. (2004). Análisis de componentes principales. Introducción al análisis multivariante. Recuperado de http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-DPTO/MATERIALES/Mat_50140155_AnalisisMultivariante.pdf.

IEA (1985). Energy technology policy. París, Francia: OECD Publishing.

IEA (2001). Towards a sustainable energy future. París, Francia: OECD. Recuperado de https://www.oecd-ilibrary.org/energy/towards-a-sustainable-energy-future_9789264193581-en.

IEA (2007). Energy security and climate policy-assessing interactions. París, Francia: OECD. Recuperado de https://www.oecd-ilibrary.org/energy/energy-security-and-climate-policy-assessing-interactions_9789264109940-en.

Informe situacional de la comercialización del Gas Licuado de Petróleo (GLP) en el Perú (2015). Lima, Perú: Gerencia de Fiscalización de Hidrocarburos Líquidos de Osinergmin.

Kruyt, B.; Vuuren, D. P. van; Vries, H. J. M. de y Groenenberg, H. (2009). Indicators for energy security. Energy Policy, 37(6), 2166-2181. Recuperado de https://www.sciencedirect.com/science/article/pii/S0301421509000883?via%3Dihub.

Lloret, S.; Ferreres, A.; Hernández, A. y Tomás, I. (2014). Exploratory item factor analysis: a practical guide revised and up-dated. Annals of Psychology, 30(3), 1151-1169. Recuperado de https://revistas.um.es/analesps/article/view/analesps.30.3.199361/217271.

Löschel, A.; Johnston, J.; Delucchi, M.; Demayo, T.; Gautier, D.; Greene, D.; Ogden, J.; Rayner, S. y Worrell, E. (2009). Stocks, flows, and prospects of energy. En T. E. Graedel y E. van der Voet (Eds.), Linkages of sustainability. Oxford, Reino Unido: MIT Press Scholarship.

IR