La energía eléctrica es uno de los insumos que más pesa en la operación diaria de una planta industrial. Mueve motores, hornos, compresores, sistemas de refrigeración y líneas de producción, y cuando su costo sube o su suministro falla, el impacto se siente de inmediato en los costos y en la competitividad de las empresas. En Colombia el tema ha ganado importancia en los últimos años: la Ley 1715 de 2014 promueve la eficiencia energética y el Programa de Uso Racional y Eficiente de Energía (PROURE 2022–2030) de la UPME señala a la industria como uno de los sectores con mayor potencial de ahorro (UPME, 2022).
Los datos de la Encuesta Anual Manufacturera (EAM) 2024 muestran la dimensión del asunto. Los 6.498 establecimientos analizados consumieron cerca de 17.335 GWh de electricidad en el año y emplearon a 726.863 personas. El precio mediano que pagaron fue de 688 pesos por kWh comprado, y para la mitad de ellos la factura de energía representó más del 1,4 % del valor de su producción bruta. Aunque ese porcentaje parezca pequeño, en industrias con márgenes estrechos cualquier punto de ahorro en energía se traduce en ganancia o en precios más competitivos.
Desde la ingeniería industrial, la eficiencia en el uso de los recursos es una de las preguntas centrales de la gestión de operaciones. Antes de proponer mejoras en una planta es necesario entender de qué depende su consumo: si es simplemente un reflejo de su tamaño, si depende del grado de mecanización o si hay sectores que, por la naturaleza de sus procesos, consumen más que otros aun teniendo el mismo tamaño. Responder esto permite comparar plantas de forma justa y orientar mejor los programas de eficiencia.
Con base en lo anterior, la investigación plantea la siguiente pregunta: ¿qué factores de escala, intensidad de capital, uso de otros recursos, inversión y sector económico se asocian con el consumo de energía eléctrica de los establecimientos manufactureros de Colombia en 2024?
El objetivo de modelación es estimar un modelo de regresión lineal múltiple que cuantifique la asociación entre el consumo anual de energía eléctrica de cada establecimiento y su personal ocupado, sus costos de producción, el valor de su maquinaria, su gasto en agua, su inversión en activos fijos y el sector industrial al que pertenece. Se parte de la hipótesis de que el tamaño y la mecanización aumentan el consumo, y de que existen diferencias entre sectores que no se explican solo por el tamaño.
La investigación se basa en los microdatos de la Encuesta Anual Manufacturera 2024 del DANE. Esta encuesta cubre los establecimientos industriales del país con 10 o más personas ocupadas o con un valor de producción superior al umbral fijado para cada año. La información se recolectó entre el 21 de abril y el 31 de octubre de 2025 y los microdatos anonimizados se publicaron el 3 de febrero de 2026.
Tabla 1
Ficha de la fuente de datos
| Elemento | Descripción |
|---|---|
| Conjunto de datos | Encuesta Anual Manufacturera – EAM 2024 |
| Entidad que lo publica | Departamento Administrativo Nacional de Estadística (DANE) |
| Enlace de consulta y descarga | https://microdatos.dane.gov.co/index.php/catalog/888 |
| Diccionario de variables | https://microdatos.dane.gov.co/index.php/catalog/888/data-dictionary |
| Archivo utilizado | EAM_ANONIMIZADA_2024 (6.583 registros y 386 variables) |
| Año de referencia | 2024 |
| Fecha de acceso | 30 de septiembre de 2026 |
información del catálogo de microdatos del DANE (2026).
La unidad de análisis es el establecimiento industrial, identificado
con la variable nordest. El período es el año 2024, así que
los datos son de corte transversal: todos los establecimientos se
observan en el mismo año.
La variable dependiente es el consumo total de energía eléctrica del establecimiento en el año, en kWh, que incluye tanto la energía comprada como la autogenerada. Los predictores se escogieron pensando en cómo funciona una planta industrial y no por su significancia estadística.
Tabla 2
Variables del estudio
| Variable | Nombre en la base del DANE | Descripción | Unidad | Tipo | Signo esperado |
|---|---|---|---|---|---|
| Energía (Y) | c5r1c4 | Total de energía eléctrica consumida en el año | kWh | Numérica | — |
| Personal | c4r4c9t + c4r4c10t | Personal promedio ocupado en el año (mujeres y hombres) | Personas | Numérica | + |
| Costos de producción | c3r35c1 | Total de costos y gastos de producción | Miles de pesos | Numérica | + |
| Maquinaria | c7r6c1 | Valor en libros de la maquinaria y el equipo industrial a 31 de diciembre | Miles de pesos | Numérica | + |
| Agua | c3r21c1 | Costos y gastos por servicio de agua en producción | Miles de pesos | Numérica | + |
| Inversión | c7r10c2 | Total de inversiones en activos fijos en el año | Miles de pesos | Numérica | +/− |
| Sector | ciiu4 | Sector industrial agrupado según la CIIU Rev. 4 A.C. | Categoría | Categórica | Según sector |
El personal y los costos de producción miden el tamaño y el nivel de actividad de la planta. La maquinaria refleja qué tan mecanizado es el proceso. El gasto en agua se incluye porque muchos procesos que usan agua, como el lavado, el enfriamiento o la generación de vapor, también demandan electricidad. La inversión tiene un efecto esperado ambiguo, ya que puede ampliar la capacidad de producción o reemplazar equipos viejos por otros más eficientes.
El sector se construyó con las dos primeras cifras del código CIIU y se agrupó en siete categorías: Alimentos, bebidas y tabaco (divisiones 10 a 12), que se toma como categoría de referencia; Textiles, confecciones y cuero (13 a 15); Madera, papel e imprenta (16 a 18); Química, caucho y plástico (19 a 22); Minerales no metálicos (23); Metalurgia y productos metálicos (24 y 25); y Maquinaria, equipo y otras manufacturas (26 a 33). Para el análisis descriptivo, los establecimientos también se clasificaron por tamaño según su personal: pequeños (menos de 50 personas), medianos (50 a 199) y grandes (200 o más).
Tabla 3
Proceso de depuración de la base de datos
| Paso | Registros |
|---|---|
| Registros iniciales de la EAM 2024 | 6.583 |
| Establecimientos duplicados | 0 |
| Registros con valores faltantes | 0 |
| Registros con valores negativos | 0 |
| Registros con energía, personal o costos de producción iguales a cero | 85 |
| Observaciones finales | 6.498 |
La base no tenía duplicados, valores faltantes ni valores negativos en las variables elegidas. Se eliminaron 85 registros con energía, personal o costos iguales a cero (34 sin energía, 16 sin personal y 44 sin costos; algunos cumplían más de una condición), porque el logaritmo de cero no existe y esos casos no reflejan una operación normal. La base final quedó con 6.498 establecimientos. Además, 7 registros tenían el código CIIU a tres dígitos en lugar de cuatro, y se asignaron a su división con los dos primeros dígitos.
Toda la información sale de un solo archivo de la EAM, por lo que no
fue necesario unir bases. La única fuente adicional es el mapa de
departamentos del Marco Geoestadístico Nacional del DANE, que se unió a
los datos mediante el código del departamento (dpto) para
construir la Figura 6.
La Tabla 4 contiene la base final completa. Se puede buscar cualquier dato, ordenar por columnas y descargar en CSV o Excel.
Tabla 4
Base de datos final
Valores monetarios en miles de pesos corrientes.
Se estimó un modelo de regresión lineal múltiple por mínimos cuadrados ordinarios (MCO):
ln(Energíai) = β0 +
β1·ln(Personali) +
β2·ln(Costosi) +
β3·ln(1 + Maquinariai)
+
β4·ln(1 + Aguai) +
β5·ln(1 + Inversióni) + Σk=16
γk·Sectork,i +
εi
Donde i es cada establecimiento, β0 es el intercepto, β1 a β5 son los coeficientes de las variables numéricas, γk son los coeficientes de las seis categorías de sector frente a Alimentos, bebidas y tabaco, y εi es el error.
El uso de logaritmos responde a dos razones. La primera es práctica: las variables están muy concentradas en pocos establecimientos grandes, y el logaritmo reduce ese sesgo. La segunda es de interpretación: con ambos lados en logaritmo, cada coeficiente se lee como una elasticidad, es decir, el cambio porcentual del consumo cuando el predictor aumenta 1 %, dejando lo demás constante. Para maquinaria, agua e inversión se usa ln(1 + x), porque algunos establecimientos reportan cero. Los coeficientes de sector se convierten en diferencias porcentuales con 100 × (eγ − 1).
Los supuestos se revisan con un nivel de significancia del 5 %: linealidad con la prueba RESET de Ramsey, normalidad con Shapiro-Wilk, homocedasticidad con Breusch-Pagan y multicolinealidad con el factor de inflación de la varianza (VIF). Si hay heterocedasticidad, la inferencia se hace con errores estándar robustos HC3 (Wooldridge, 2020).
Tabla 5
Estadísticas descriptivas de las variables numéricas
| Variable | Media | Desv. estándar | Mínimo | Mediana | Máximo |
|---|---|---|---|---|---|
| Energía (kWh) | 2.667.736 | 15.431.925 | 39 | 166.157 | 457.323.127 |
| Personal (personas) | 112 | 188 | 1 | 45 | 2.320 |
| Costos de producción (miles de $) | 4.097.999 | 16.733.499 | 110 | 499.544 | 371.285.664 |
| Maquinaria (miles de $) | 20.805.904 | 230.620.044 | 0 | 1.248.870 | 9.853.443.325 |
| Agua (miles de $) | 82.443 | 361.938 | 0 | 6.048 | 5.976.549 |
| Inversión (miles de $) | 2.802.186 | 15.634.447 | 0 | 85.028 | 500.292.141 |
| Energía por trabajador (kWh) | 14.176 | 69.914 | 1 | 3.801 | 2.971.886 |
n = 6.498 establecimientos.
En todas las variables la media está muy por encima de la mediana, lo que muestra que la industria encuestada está formada sobre todo por establecimientos pequeños y medianos, con unos pocos muy grandes que elevan el promedio. Un establecimiento típico tiene 45 trabajadores y consume 166.157 kWh al año, lo que equivale a unos 3.801 kWh por trabajador.
Figura 1
Distribución del consumo anual de energía eléctrica por establecimiento
A la izquierda, consumo en millones de kWh; a la derecha, su logaritmo natural.
En escala original casi todos los establecimientos quedan en la primera barra y unos pocos llegan hasta 457 millones de kWh. El consumo medio (2.667.736 kWh) es 16,1 veces la mediana, y la asimetría es de 17,8. Al aplicar el logaritmo la distribución toma forma de campana (asimetría de 0,33), lo que respalda usar el logaritmo del consumo en el modelo.
Figura 2
Concentración del consumo de energía eléctrica entre los establecimientos
La línea punteada representa un reparto igualitario del consumo.
La Figura 2 deja ver qué tan desigual es el reparto. El 10 % de los establecimientos que más consumen usa el 84,0 % de toda la energía, y solo el 1 % concentra el 43,4 %. En el otro extremo, la mitad de los establecimientos con menor consumo apenas suma el 1,0 %. Esto tiene una implicación práctica: un programa de eficiencia que llegue a unas pocas plantas grandes tendría mucho más impacto en el consumo total que uno disperso entre muchas plantas pequeñas.
Tabla 6
Consumo de energía según el tamaño del establecimiento
| Tamaño (personas ocupadas) | Establecimientos | % de establecimientos | Consumo mediano (kWh) | % del consumo total | kWh por trabajador (mediana) | % sin inversión en 2024 |
|---|---|---|---|---|---|---|
| Pequeño (menos de 50) | 3.409 | 52,5 % | 45.502 | 3,1 % | 2.550 | 49,3 % |
| Mediano (50 a 199) | 2.097 | 32,3 % | 458.236 | 20,7 % | 4.949 | 11,9 % |
| Grande (200 o más) | 992 | 15,3 % | 4.239.486 | 76,2 % | 10.586 | 4,3 % |
Figura 3
Participación en el número de establecimientos y en el consumo de energía según el tamaño
Barras grises: participación en establecimientos; barras azules: participación en el consumo.
Los establecimientos grandes son apenas el 15,3 % del total, pero consumen el 76,2 % de la energía. Los pequeños son más de la mitad (52,5 %) y solo usan el 3,1 %. Lo más interesante es que el consumo por trabajador también crece con el tamaño: pasa de 2.550 kWh en las plantas pequeñas a 10.586 kWh en las grandes. Es decir, las plantas grandes no solo consumen más porque tienen más personas, sino porque cada trabajador opera con más equipos. También se nota una diferencia en la inversión: el 49,3 % de las plantas pequeñas no invirtió en activos fijos en 2024, frente al 4,3 % de las grandes, lo que sugiere que las pequeñas tienen menos margen para modernizar sus equipos.
Figura 4
Consumo de energía eléctrica por sector industrial
La línea central de cada caja es la mediana y la caja va del primer al tercer cuartil.
Tabla 7
Establecimientos, consumo e intensidad energética por sector industrial
| Sector | Establecimientos | % de establecimientos | Consumo mediano (kWh) | kWh por trabajador (mediana) | % del consumo total |
|---|---|---|---|---|---|
| Minerales no metálicos | 430 | 6,6 % | 392.393 | 10.590 | 13,0 % |
| Alimentos, bebidas y tabaco | 1.330 | 20,5 % | 460.180 | 7.789 | 23,3 % |
| Química, caucho y plástico | 1.329 | 20,5 % | 301.650 | 6.448 | 24,7 % |
| Madera, papel e imprenta | 513 | 7,9 % | 122.640 | 4.018 | 8,5 % |
| Metalurgia y productos metálicos | 554 | 8,5 % | 85.685 | 2.683 | 6,5 % |
| Maquinaria, equipo y otras | 1.375 | 21,2 % | 87.700 | 2.339 | 20,4 % |
| Textiles, confecciones y cuero | 967 | 14,9 % | 57.345 | 1.560 | 3,6 % |
Figura 5
Consumo de energía por trabajador según el sector industrial
El consumo total de un sector depende en buena parte de cuántas plantas tiene y de su tamaño, por eso, además del consumo mediano, se analiza el consumo por trabajador, que permite comparar sectores de forma más justa. Con esta medida el sector más intensivo es Minerales no metálicos, con 10.590 kWh por trabajador, seguido de Alimentos, bebidas y tabaco (7.789 kWh). Esto tiene sentido con sus procesos: la fabricación de cemento, vidrio y cerámica usa hornos y molinos de gran potencia, y la industria de alimentos depende de refrigeración, cocción y empaque continuos. En el otro extremo está Textiles, confecciones y cuero, con apenas 1.560 kWh por trabajador, un sector que depende más de la mano de obra, como ocurre en la confección.
También vale la pena notar que el sector con más establecimientos (Maquinaria, equipo y otras, con el 21,2 % del total) no es el que más consume por trabajador. Química, caucho y plástico y Alimentos concentran juntos cerca de la mitad del consumo total de la industria encuestada (48,0 %).
Figura 6
Consumo de energía eléctrica de la industria manufacturera por departamento
datos de la EAM 2024 y cartografía del Marco Geoestadístico Nacional (DANE, 2026). En gris, departamentos sin establecimientos en la base; no se incluyen 13 establecimientos con código de departamento 99.
El consumo industrial está muy concentrado en el territorio: Valle del Cauca, Cundinamarca y Antioquia suman el 42,4 % del total. Se destaca que el Valle del Cauca aparece en primer lugar con 3.037 GWh, el 17,5 % del consumo, a pesar de tener menos establecimientos que Antioquia o Bogotá. Este resultado puede estar asociado a la presencia de industrias de gran escala en la región, como la agroindustria azucarera y la de alimentos. En contraste, Bogotá, D.C. tiene la mayor cantidad de establecimientos (1.961), pero con un consumo mediano bajo (83.650 kWh), lo que refleja una industria con muchas plantas pequeñas o menos intensivas en energía.
Figura 7
Distribución de los predictores numéricos en escala logarítmica
Variables en escala logarítmica.
El personal y los costos de producción tienen distribuciones casi simétricas en logaritmo. En agua e inversión aparece una barra aislada en cero: 862 establecimientos (13,3 %) no reportaron gasto en agua de producción y 1.974 (30,4 %) no invirtieron en activos fijos en 2024. Estos ceros justifican el uso de ln(1 + x) en esas variables.
Figura 8
Relación entre el consumo de energía y cada predictor numérico
Cada punto es un establecimiento; la línea negra es la recta de regresión simple y r es el coeficiente de correlación de Pearson.
Figura 9
Matriz de correlaciones entre las variables en escala logarítmica
Coeficientes de correlación de Pearson.
Todos los predictores tienen una relación positiva con el consumo y, en logaritmo, la nube de puntos sigue aproximadamente una línea recta. La relación más fuerte es con el personal (r = 0,79), seguida de los costos de producción (r = 0,75) y la maquinaria (r = 0,72). La inversión (r = 0,59) y el agua (r = 0,48) tienen relaciones más débiles. Entre los predictores, la correlación más alta es entre personal y costos (r = 0,75), algo esperable porque ambos miden el tamaño de la planta, pero ninguna supera 0,80, por lo que no se anticipan problemas graves de multicolinealidad.
En resumen, el análisis descriptivo deja tres ideas que el modelo debe comprobar: el tamaño es el factor más visible detrás del consumo, la mecanización parece aumentarlo más allá del tamaño, y hay sectores que por sus procesos consumen más energía por trabajador que otros.
Tabla 8
Resultados del modelo de regresión lineal múltiple
| Variable | Coeficiente | Error estándar robusto | t | Valor p | IC 95 % |
|---|---|---|---|---|---|
| Intercepto | 3,883 | 0,145 | 26,70 | < 0,001 | [3,598; 4,168] |
| ln(Personal) | 0,659 | 0,024 | 27,51 | < 0,001 | [0,612; 0,705] |
| ln(Costos de producción) | 0,235 | 0,013 | 17,85 | < 0,001 | [0,209; 0,261] |
| ln(1 + Maquinaria) | 0,201 | 0,013 | 15,08 | < 0,001 | [0,175; 0,227] |
| ln(1 + Agua) | 0,029 | 0,005 | 5,66 | < 0,001 | [0,019; 0,039] |
| ln(1 + Inversión) | 0,005 | 0,003 | 1,56 | 0,119 | [-0,001; 0,011] |
| Sector: Textiles, confecciones y cuero | -0,856 | 0,049 | -17,63 | < 0,001 | [-0,952; -0,761] |
| Sector: Madera, papel e imprenta | -0,423 | 0,053 | -8,02 | < 0,001 | [-0,526; -0,320] |
| Sector: Química, caucho y plástico | -0,161 | 0,044 | -3,69 | < 0,001 | [-0,247; -0,076] |
| Sector: Minerales no metálicos | 0,117 | 0,068 | 1,71 | 0,088 | [-0,017; 0,251] |
| Sector: Metalurgia y productos metálicos | -0,685 | 0,054 | -12,56 | < 0,001 | [-0,791; -0,578] |
| Sector: Maquinaria, equipo y otras | -0,728 | 0,041 | -17,80 | < 0,001 | [-0,809; -0,648] |
Variable dependiente: ln(Energía, kWh); n = 6.498; errores estándar robustos HC3; categoría de referencia: Alimentos, bebidas y tabaco. R² = 0,748; R² ajustado = 0,748; F(11, 6486) = 1.750,8, p < 0,001.
El modelo explica el 74,8 % de la variabilidad del logaritmo del consumo (R² = 0,748), y el R² ajustado (0,748) es prácticamente igual, lo que indica que las variables aportan información real y no inflan el ajuste. La prueba F (F = 1.750,8, p < 0,001) confirma que el modelo es significativo en conjunto. Para un corte transversal con plantas tan distintas entre sí, explicar tres cuartas partes de la variación con seis variables es un resultado bueno.
El personal ocupado es el factor con mayor peso. Su elasticidad es de 0,659 (p < 0,001): si dos plantas son iguales en todo excepto en que una tiene el doble de trabajadores, se espera que esta consuma alrededor de un 58 % más de energía. El efecto es menor que proporcional, lo que sugiere que parte del consumo es fijo (iluminación, equipos base, administración) y no crece al mismo ritmo que la planta.
Los costos de producción tienen una elasticidad de 0,235 (p < 0,001). Duplicarlos se asocia con un consumo 18 % mayor. Como el personal ya está en el modelo, este coeficiente captura el nivel de actividad adicional: dos plantas con el mismo número de trabajadores consumen más si una de ellas produce más.
La maquinaria tiene una elasticidad de 0,201 (p < 0,001). Una planta con el doble de valor en maquinaria consume aproximadamente un 15 % más, a igual personal y actividad. Este resultado confirma lo que se veía en la Tabla 6: la mecanización aumenta el consumo por sí misma, no solo a través del tamaño.
El gasto en agua tiene un efecto positivo y significativo, pero pequeño (0,029, p < 0,001). La inversión, en cambio, no resultó significativa (0,0049, p = 0,119). De acuerdo con la investigación, en un solo año los dos efectos posibles tienden a compensarse: hay plantas que invierten para ampliar su capacidad y otras que lo hacen para cambiar equipos por otros más eficientes. Además, el efecto de una inversión suele verse en los años siguientes, algo que este corte transversal no alcanza a medir.
La suma de las elasticidades de personal, costos y maquinaria es 1,09. Esto quiere decir que si una planta creciera al doble en esas tres dimensiones, su consumo aumentaría alrededor de 114 %. En otras palabras, el consumo crece casi en la misma proporción que el tamaño: las plantas grandes no resultan más eficientes en energía por el simple hecho de ser grandes.
Figura 10
Diferencia en el consumo de energía de cada sector frente a Alimentos, bebidas y tabaco, a igual tamaño
Los puntos son las diferencias estimadas y las líneas, intervalos de confianza del 95 %.
La Figura 10 muestra cuánto más o menos energía consume cada sector frente a Alimentos, bebidas y tabaco cuando se comparan plantas con el mismo personal, costos, maquinaria, agua e inversión. Textiles, confecciones y cuero consume un 57,5 % menos, Maquinaria, equipo y otras un 51,7 % menos, Metalurgia y productos metálicos un 49,6 % menos, Madera, papel e imprenta un 34,5 % menos y Química, caucho y plástico un 14,9 % menos; todas estas diferencias son significativas. Minerales no metálicos consume un 12,4 % más, pero la diferencia no es significativa (p = 0,088).
Al comparar con el análisis descriptivo aparece un matiz interesante. En la Figura 5, Minerales no metálicos tenía el mayor consumo por trabajador, por encima de Alimentos. Sin embargo, cuando el modelo compara plantas del mismo tamaño y con la misma maquinaria, la diferencia entre ambos sectores desaparece. Esto indica que buena parte del alto consumo de Minerales no metálicos se explica por su mayor intensidad de capital, y que Alimentos y Minerales son, en la práctica, los dos sectores más intensivos en energía de la industria colombiana. Para un programa de eficiencia, esto significa que comparar el consumo de una planta solo con el promedio general sería injusto: la referencia debe ser su propio sector.
Figura 11
Residuos frente a valores ajustados
La línea negra es una curva de suavizado (LOWESS).
Los residuos se distribuyen alrededor de cero en casi todo el rango, aunque la curva de suavizado sube en los valores ajustados más bajos, donde hay pocos establecimientos; allí el modelo tiende a subestimar el consumo de las plantas más pequeñas. La prueba RESET rechaza la forma funcional correcta (RESET = 192,45, p < 0,001). Con una muestra tan grande la prueba detecta incluso desviaciones pequeñas, por lo que la especificación en logaritmos se considera una aproximación razonable, aunque se reconoce como una limitación.
Figura 12
Gráfico cuantil-cuantil de los residuos estandarizados
La línea negra representa la distribución normal teórica.
Los puntos siguen la línea en la parte central, pero se separan en los extremos, lo que indica colas más pesadas que las de una normal. La prueba de Shapiro-Wilk, aplicada a una muestra aleatoria de 5.000 residuos, rechaza la normalidad (W = 0,9867, p < 0,001). Con 6.498 observaciones, el teorema central del límite permite que las pruebas t y F sigan siendo aproximadamente válidas.
Figura 13
Gráfico de escala-localización
La línea negra es una curva de suavizado (LOWESS).
La prueba de Breusch-Pagan rechaza la varianza constante (BP = 321,08, p < 0,001). En la Figura 13 se ve que la dispersión es mayor en las plantas pequeñas y se estabiliza a partir de un valor ajustado cercano a 10. Una posible explicación es que entre las plantas pequeñas hay una mayor diversidad de procesos y de formas de operar. Por esta razón todos los resultados de la Tabla 8 se reportan con errores estándar robustos HC3.
Tabla 9
Factor de inflación de la varianza (VIF)
| Variable | VIF | Grados de libertad |
|---|---|---|
| ln(Personal) | 3,06 | 1 |
| ln(Costos de producción) | 2,71 | 1 |
| ln(1 + Maquinaria) | 2,02 | 1 |
| ln(1 + Agua) | 1,40 | 1 |
| ln(1 + Inversión) | 1,88 | 1 |
| Sector (6 categorías) | 1,16 | 6 |
Fuente:Para el sector se reporta el VIF generalizado (Fox y Weisberg, 2019).
El VIF más alto es el de ln(Personal) (3,06), lejos de los umbrales usuales de 5 y 10, así que no hay problemas de multicolinealidad.
Al ser un corte transversal no hay dependencia temporal, pero 268 empresas tienen más de un establecimiento en la base y sus plantas pueden compartir tecnología y prácticas. Al estimar errores agrupados por empresa, ninguna variable cambia su conclusión de significancia. Con la distancia de Cook, 369 establecimientos (5,7 %) superan el umbral de 4/n, pero el valor máximo es 0,023, muy por debajo de 1, así que ninguna observación cambia por sí sola los resultados.
El consumo de energía eléctrica de la industria manufacturera colombiana depende principalmente de la escala de operación de cada planta. El personal ocupado es el factor con mayor peso, seguido de los costos de producción y del valor de la maquinaria. Que la maquinaria sea significativa aun controlando por el tamaño muestra que la mecanización aumenta el consumo por sí misma, lo que coincide con el análisis descriptivo, donde el consumo por trabajador de las plantas grandes era cuatro veces el de las pequeñas. La suma de las elasticidades, cercana a uno, indica que el consumo crece casi al mismo ritmo que el tamaño, de modo que ser grande no hace a una planta más eficiente en energía.
El sector también importa. A igual tamaño, Alimentos, bebidas y tabaco y Minerales no metálicos son los sectores más intensivos en electricidad, mientras que Textiles, confecciones y cuero consume 58 % menos. Estas diferencias tienen una explicación técnica en los procesos de cada sector (refrigeración y cocción en alimentos, hornos y molienda en minerales, trabajo manual en confección) y son una advertencia para quien quiera evaluar la eficiencia de una planta: la comparación debe hacerse dentro de su sector.
Desde el punto de vista territorial y de política, el consumo está muy concentrado. El 10 % de las plantas usa el 84,0 % de la energía, y tres departamentos, encabezados por el Valle del Cauca, suman el 42,4 %. Esto sugiere que los programas de eficiencia, como el PROURE, lograrían más impacto si se enfocan primero en las plantas grandes de los sectores más intensivos y en las regiones donde se concentra el consumo. También llama la atención que la mitad de las plantas pequeñas no invirtió en 2024, lo que podría frenar la renovación de equipos en ese grupo.
Es importante aclarar que estos resultados son asociaciones y no relaciones de causa y efecto. La EAM es un corte transversal y las variables no se asignaron de forma experimental, por lo que no es posible afirmar, por ejemplo, que contratar más personal cause un mayor consumo; ambas cosas dependen del tamaño y la tecnología de cada planta.
De acuerdo con los resultados, el modelo sí logró responder al objetivo de la investigación. Es globalmente significativo, explica el 74,8 % de la variabilidad del consumo y permite identificar qué factores se asocian con él y en qué magnitud. Además, sus resultados son coherentes con lo observado en el análisis descriptivo y con la lógica de los procesos industriales. Los incumplimientos de normalidad y homocedasticidad se atendieron con errores robustos y con el tamaño de la muestra, y no se encontró multicolinealidad ni observaciones influyentes.
Entre las limitaciones se encuentran el uso de un solo año, la posible no linealidad que sugiere la prueba RESET, la ausencia en la EAM de información sobre la eficiencia de los equipos y el uso de otros energéticos como el gas o el carbón, el uso de pesos corrientes en las variables monetarias y la exclusión de las plantas con consumo, personal o costos iguales a cero.
Como extensiones se propone construir un panel con varias ediciones de la EAM para ver si la inversión reduce el consumo en los años siguientes, modelar directamente la intensidad energética (kWh por trabajador o por unidad producida) e incluir el uso de otros energéticos y la autogeneración. Desde la ingeniería industrial, los valores de consumo por trabajador de la Tabla 7 pueden servir como punto de partida para que una empresa compare su desempeño con el de su sector.
Congreso de la República de Colombia. (2014). Ley 1715 de 2014, por medio de la cual se regula la integración de las energías renovables no convencionales al Sistema Energético Nacional. Diario Oficial.
Departamento Administrativo Nacional de Estadística. (2026). Encuesta Anual Manufacturera – EAM 2024 [Conjunto de datos]. https://microdatos.dane.gov.co/index.php/catalog/888
Departamento Administrativo Nacional de Estadística. (s. f.). Marco Geoestadístico Nacional [Cartografía de departamentos]. https://geoportal.dane.gov.co/
Fox, J., y Weisberg, S. (2019). An R companion to applied regression (3.ª ed.). SAGE.
Unidad de Planeación Minero Energética. (2022). Programa de Uso Racional y Eficiente de Energía – PROURE 2022–2030. https://docs.upme.gov.co/DemandayEficiencia/Documents/PROURE/Documento_PROURE_2022-2030.pdf
Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7.ª ed.). Cengage.