Demanda de electricidad en el Perú periodo 1997-2025: aplicación del modelo de series de tiempo SARIMAX
Article Sidebar
Main Article Content
Abstract
En los últimos años se ha evidenciado un crecimiento sostenido del sector eléctrico, el cual ha servido de soporte al desarrollo. En este sentido, la investigación tiene como objetivo analizar y proyectar la demanda de electricidad en Perú, mediante la aplicación de la metodología Box-Jenkins, con el modelo SARIMAX (2,1,2)(1,0,1)[4] estimado, que reduce significativamente el Criterio de Información de Schwarz. De acuerdo con el pronóstico, se proyecta una tasa de crecimiento interanual promedio de 4,99 % en la demanda de electricidad durante los próximos doce trimestres. Estos hallazgos proporcionan proyecciones confiables que sirven como herramienta estratégica para mejorar la planificación y gestión del sistema y mercado eléctrico. Finalmente, esta investigación destaca la importancia de integrar variable económica clave, como el PBI, en el desarrollo de modelos de predicción energéticos.
Article Details
Section
This work is licensed under a Creative Commons Attribution 4.0 International License.
How to Cite
References
Alharbi, F. R., & Csala, D. (2022). A Seasonal Autoregressive Integrated Moving Average with Exogenous Factors (SARIMAX) Forecasting Model-Based Time Series Approach. Inventions, 7(4). https://doi.org/10.3390/inventions7040094
Almaleck, P., Massucco, S., Mosaico, G., Saviozzi, M., Serra, P., & Silvestro, F. (2024). Electrical consumption forecasting in sports venues: A proposed approach based on neural networks and ARIMAX Models. Sustainable Cities and Society, 100, 105019. https://doi.org/10.1016/j.scs.2023.105019
Amézquita Bravo, C. C. (2021). Evaluación de modelos de series de tiempo para pronosticar la demanda de transporte aéreo a corto y mediano plazo en Colombia Evaluación de modelos de series de tiempo para pronosticar la demanda de transporte aéreo a corto y mediano plazo en Colombia [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/items/9dbef629-fb4d-4605-abd2-bd09c2560a7d
Box, G. E. P., Jenkins, G. M., Jenkins, G. C., & Ljung, G. M. (2016). Time Series Analysis: Forecasting and Control (5th ed.). John Wiley & Sons, Inc.
Cabrera Torres, W. L. (2023). Evidencia y pronostico del consumo de electricidad y crecimiento económico para aportes en políticas de electricidad en Perú – 2023 [Universidad Nacional Pedro Ruiz Gallo]. https://repositorio.unprg.edu.pe/handle/20.500.12893/13669
Cai, M., Pipattanasomporn, M., & Rahman, S. (2019). Day-ahead building-level load forecasts using deep learning vs. traditional time-series techniques. Applied Energy, 236(October 2018), 1078–1088. https://doi.org/10.1016/j.apenergy.2018.12.042
Colina-Calvo, A. O. (2024). A Comprehensive Review of Peru’s Energy Scenario: Advancing Energy Access, Sustainability, and Policy Implications. Revista Kawsaypacha: Sociedad y Medio Ambiente, 2024(14), 1–24. https://doi.org/10.18800/kawsaypacha.202402.D006
Damián Llatas, M. R., & Sandoval Santamaría, N. J. (2019). Modelo óptimo de Pronóstico del índice mensual de Producción de Electricidad”-Perú en el Periodo 2006 – 2015 [Universidad Nacional Pedro Ruiz Gallo]. https://hdl.handle.net/20.500.12893/2192
Enders, W. (2014). Applied Econometric Time Series (4th ed.). John Wiley & Sons, Inc.
Ghysels, E., & Marcellino, M. (2018). Applied Economic Forecasting using Time Series Methods. Oxford University Press. https://file-lianxh.oss-cn-shenzhen.aliyuncs.com/Refs/Books/Ghysels-2018-Applied-Economic-Forecasting-using-Time-Series-Methods.pdf
Gonzales Chávez, S. (2014). Pronóstico eficiente de la demanda diaria del Sistema Electrico Interconectado del Peru mediante analisis estocastico ARIMA con sucesos externos. Revistas.Uni.Edu.Pe, 12. https://doi.org/10.21754/tecnia.v24i1.35
Guevara Bernal, I. A., & Guevara Bernal, N. M. (2019). Pronóstico de la relación entre tasa de subempleo subjetivo por competencias y la tasa desempleo en Colombia entre enero del 2010 hasta diciembre de 2018 mediante un modelo ARIMAX de series de tiempo. [Fundación Universitaria Los Libertadores]. https://repository.libertadores.edu.co/items/c8f12cd4-8a18-4178-968d-6a0d28ee4479
Hansen, B. E. (2017). Time series econometrics for the 21st century. Journal of Economic Education, 48(3), 137–145. https://doi.org/10.1080/00220485.2017.1320610
Hernández Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la investigación: las tres rutas cuantitativa, cualitativa y mixta. Mc Graw Hill. http://repositorio.uasb.edu.bo/handle/20.500.14624/1292
Lee, G. C. (2025). A Data-Driven Approach to Tourism Demand Forecasting: Integrating Web Search Data into a SARIMAX Model. Data, 10(5). https://doi.org/10.3390/data10050073
Levendis, J. D. (2023). Time Series Econometrics: Learning Through Replication (2nd ed.). Springer Cham. https://doi.org/10.1007/978-3-031-37310-7
Manigandan, P., Alam, M. S., Alharthi, M., Khan, U., Alagirisamy, K., Pachiyappan, D., & Rehman, A. (2021). Forecasting natural gas production and consumption in united states-evidence from sarima and sarimax models. Energies, 14(19), 1–17. https://doi.org/10.3390/en14196021
Ruiz Roldán, K. J., & Mimbela Jiménez, M. A. (2021). Análisis del Sector energia electrica en el Perú (Issue Mayo) [Universidad de Piura]. https://hdl.handle.net/11042/5092
Sarpong-Streetor, R. M. N. Y., Sokkalingam, R., Othman, M., Daud, H., & Owusu, D. A. (2021). ARIMAX Modelling of Ron97 Price with Crude Oil Price as an Exogenous Variable in Malaysian. Springer Proceedings in Complexity, 679–691. https://doi.org/10.1007/978-981-16-4513-6_59