HACIA LA TRANSFORMACIÓN ENERGÉTICA EN COLOMBIA
HACIA LA TRANSFORMACIÓN ENERGÉTICA EN COLOMBIA
Carlos Andrés Gómez Flórez
Carlos Andrés Gómez Flórez
14/06/2021
14/06/2021
Introducción
Con el desarrollo y profundización del modo de producción capitalista, se ha desarrollado una matriz energética con la capacidad de atender la demanda de energía necesaria para impulsar la industria y sostener las exigencias de una sociedad cada vez más consumista y con mayores necesidades de consumo energético. Con el descubrimiento del petróleo hacia finales del siglo XIX se empezó a desatar una era tecnológica sustentada en este energético. La industria, el transporte terrestre y aéreo, la agricultura, los alimentos, en general todo empezó a depender del petróleo y incluso el dispositivo en el que estas leyendo este mensaje contiene elementos hechos a partir de derivados del petróleo.
Con el paso de los años, se empezaron a observar los efectos adversos asociados al alto consumo de combustibles fósiles. Una gran cantidad de científicos a nivel mundial reconocen los efectos del Cambio Climático y su relación con las actividades humanas.
El incremento de la temperatura promedio del planeta en el periodo 1910-2016 fue de aproximadamente 1,4 °C, mientras que el incremento medido en lo corrido del siglo XXI ha sido aproximadamente de 0,5 °C, casi un 33% con respecto al siglo anterior, algo que es sumamente preocupante ya que los efectos del descongelamiento en las capas glaciares, las sequías, las plagas y demás fenómenos asociados al cambio climático empiezan a generar alertas en todo el planeta. “Se estima que las actividades humanas han causado un calentamiento global de aproximadamente 1,0 °C con respecto a los niveles preindustriales, con un rango probable de 0,8 °C a 1,2 °C. Es probable que el calentamiento global llegue a 1,5 °C entre 2030 y 2052 si continúa aumentando al ritmo actual (nivel de confianza alto).” Fuente: Colombia y la transición energéticaCambio Climático.
Definición según la IPCC - Intergovernmental Panel on Climate Change
Fig 1. Evolución del calentamiento global - IPCC 2014
Causas del cambio climático.
Las emisiones antropógenas de gases de efecto invernadero han aumentado desde la era preindustrial, en gran medida como resultado del crecimiento económico y demográfico, y actualmente son mayores que nunca. Como consecuencia, se han alcanzado unas concentraciones atmosféricas de dióxido de carbono, metano y óxido nitroso sin parangón en por lo menos los últimos 800.000 años. Los efectos de las emisiones, así como de otros factores antropógenos, se han detectado en todo el sistema climático y es sumamente probable que hayan sido la causa dominante del calentamiento observado a partir de la segunda mitad del siglo XX.
Fig 2. Evolución emisiones gases de efecto invernadero(GEI) - IPCC 2014
Como se puede observar en la figura anterior, las emisiones de gases de efecto invernadero (GEI) han aumentado constantemente con el paso de los años. Podría pensarse que conforme ha avanzado la era de la industrialización y conforme ha crecido la población mundial han aumentado las emisiones de estos gases. Entre el período de 1970-2000 se denotan un incremento relativo de 1.3%-año, mientras que en el periodo 2000-2010 se denota un crecimiento en las emisiones de 2.2%-año, algo que es sumamente preocupante. En el sentido de la gráfica se miden las emisiones de GEI en emisiones de CO2eq-año, sin embargo es importante aclarar que gases como el metano (CH4) son hasta 21 veces más contaminantes que el dióxido de carbono (CO2).
Fuente: Mitigaciones emisiones provenientes de la ganadería en la región Andina
Hay varias causas latentes del cambio climático, a las cuales buscarles solución implica plantear cambios profundos en las estructuras económicas y sociales que conocemos:
- Transporte a base de hidrocarburos.
- Algunas formas de generar energía eléctrica.
- Nuestros hábitos de consumo y la generación excesiva de residuos.
- Cultura de derroche energético aunque en Colombia no se consuma tanta energía.
- Forma de producir alimentos y carnes, pues la ganadería tiene grandes impactos debido a las altas emisiones de metano.
- Entre otras causas que podrían incluirse en la dinámica del cambio climático.
Fig 3. Emisiones de GEI por sectores económicos - IPCC 2014
Emisiones históricas de CO2 en Colombia
La tendencia histórica de emisiones de CO2 en Colombia es a aumentar, en la gráfica podemos observar el comportamiento de las emisiones totales de CO2 versus las emisiones debidas al petróleo.
#Datos recolectados desde la web de datosmacro, la gráfica de los datos se realiza con el paquete plotly y se puede analizar la gráfica independiente para cada variable dando doble click sobre la leyenda que se quiere ver.
rq = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/colombia")
tb = html_nodes(rq, xpath = '//table[@id="tb0"]')
df = html_table(tb) %>% as.data.frame() %>% select(-CO2.Kg.1000.) %>% na.omit() %>% rename(CO2_Totales_Kts = CO2.Totales..Kts, CO2_per_capita = CO2.t..per.capita, CO2_Petroleo_Kts = CO2.Petroleo.Kts )
head(df)## Fecha CO2_Totales_Kts CO2_Petroleo_Kts CO2_per_capita
## 2 2018 77.988 45.816 1,58
## 3 2017 77.531 43.876 1,58
## 4 2016 89.038 47.050 1,83
## 5 2015 80.090 44.129 1,66
## 6 2014 80.133 43.738 1,68
## 7 2013 78.112 43.241 1,65fig <- plot_ly(df, x = ~Fecha) %>% layout(title="Emisiones Históricas de CO2 en Colombia")
fig <- fig %>% add_trace(y = ~CO2_Totales_Kts, type = "scatter", name = 'Emisiones totales de CO2 en Kts',mode = 'lines+markers')
fig <- fig %>% add_trace(y = ~CO2_Petroleo_Kts, type = "scatter", name = 'Emisiones de CO2 petróleo', mode = 'lines+markers')
figRanking Mundial de Emisiones de CO2 para el año 2018
En la siguiente gráfica observamos las emisiones de CO2 para el año 2018 diferenciada por países. Se intenta mostrar un ranking de los países más contaminantes a los menos contaminantes. La base de datos que se toma como referencia aporta información de 184 países, en la gráfica se mostrarán del 1 al 15, del 30 al 45 y del 180 al 184. Para ese año, Colombia ocupó el puesto 45 en el Ranking Mundial de Emisiones y aporta el 0.246% de las emisiones mundiales. También es importante señalar que aproximadamente el 52% de las emisiones totales se concentraron en 3 países: China, Estados Unidos e India.
rq = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2")
tb = html_nodes(rq, xpath = '//table[@id="tb1"]')
df2 = html_table(tb) %>% as.data.frame()
str(df2)## 'data.frame': 184 obs. of 6 variables:
## $ Países : chr "España [+]" "Alemania [+]" "Reino Unido [+]" "Francia [+]" ...
## $ CO2.Totales..Kts : chr "259.310" "702.600" "364.906" "314.736" ...
## $ CO2.Kg.1000. : chr "0,13" "0,16" "0,12" "0,10" ...
## $ CO2.t..per.capita : chr "5,58" "8,52" "5,45" "4,81" ...
## $ CO2.t..per.capita.1: logi NA NA NA NA NA NA ...
## $ Var. : chr "-4,67%" "-6,66%" "-2,86%" "-2,41%" ...df3 <- df2 %>% rename(CO2_Totales_Kts = CO2.Totales..Kts, CO2_per_capita = CO2.t..per.capita) %>%
select(-CO2.Kg.1000., -CO2.t..per.capita.1) %>% na.omit() %>% mutate(CO2_Totales_Kts = as.numeric(gsub("\\.", "", CO2_Totales_Kts)), Países = str_remove_all(Países, "\\[\\+\\]"), Países = factor(Países)) %>% mutate(Pais = fct_reorder(Países, CO2_Totales_Kts)) %>%
arrange(desc(CO2_Totales_Kts)) %>% slice(c(1:15, 30:48, 180:184))
g <- ggplot() + geom_col(data = df3, aes(x = Pais, y = CO2_Totales_Kts, fill = Países))+theme(legend.position = "none", axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))+labs(title = "Ranking mundial de Emisiones de CO2") + labs(x = "2018", y = "Emisiones en Kts")
fig <- ggplotly(g)
fig También se pueden observar los países que se encuentran por encima de la media mundial de emisiones, con un total de 29 países que generaron aproximadamente el 87% de las emisiones de CO2 totales del planeta en el año 2018.
rq = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2")
tb = html_nodes(rq, xpath = '//table[@id="tb1"]')
df2 = html_table(tb) %>% as.data.frame()
df5 <- df2 %>% rename(CO2_Totales_Kts = CO2.Totales..Kts) %>%
select(-CO2.Kg.1000., -CO2.t..per.capita.1,-CO2.t..per.capita, -Var.) %>% na.omit() %>% mutate(CO2_Totales_Kts = as.numeric(gsub("\\.", "", CO2_Totales_Kts)), Países = str_remove_all(Países, "\\[\\+\\]"), Países = factor(Países), Países = fct_reorder(Países, CO2_Totales_Kts), Promedio = mean(CO2_Totales_Kts), Total = sum(CO2_Totales_Kts)) %>% filter(CO2_Totales_Kts >= Promedio) %>% arrange(desc(CO2_Totales_Kts))
df6 <- df5 %>% select(-Promedio, -Total ) %>% addHtmlTableStyle(align = "c") %>%
htmlTable(tfoot = "Países por encima de la media mundial de emisiones",
col.rgroup = c("none", "grey"), encoding="UTF-8")
df6| Países | CO2_Totales_Kts | |
|---|---|---|
| 1 | China | 11535200 |
| 2 | Estados Unidos | 5107261 |
| 3 | India | 2597360 |
| 4 | Rusia | 1792015 |
| 5 | Japón | 1153717 |
| 6 | Alemania | 702600 |
| 7 | Irán | 701986 |
| 8 | Corea del Sur | 651870 |
| 9 | Indonesia | 625663 |
| 10 | Arabia Saudita | 614607 |
| 11 | Canadá | 584846 |
| 12 | Sudáfrica | 494862 |
| 13 | México | 485004 |
| 14 | Brasil | 478147 |
| 15 | Australia | 433379 |
| 16 | Turquía | 415783 |
| 17 | Reino Unido | 364906 |
| 18 | Italia | 331563 |
| 19 | Polonia | 317654 |
| 20 | Francia | 314736 |
| 21 | Vietnam | 305249 |
| 22 | Kazajistán | 277365 |
| 23 | Taiwan | 276785 |
| 24 | Tailandia | 275065 |
| 25 | España | 259310 |
| 26 | Egipto | 255369 |
| 27 | Malasia | 248833 |
| 28 | Pakistán | 223626 |
| 29 | Emiratos Árabes Unidos | 222612 |
| 30 | Argentina | 199414 |
| Países por encima de la media mundial de emisiones | ||
g <- ggplot() + geom_col(data = df5, aes(x = Países, y = CO2_Totales_Kts, fill = Países), size = 2)+coord_flip()+scale_fill_viridis_d()+theme(legend.position = "none", axis.text.x = element_text( vjust = 0.5, hjust=1.5)) + geom_line(data = df5, aes(x = Países, y = Promedio, group = 1, color = "red"))+labs(title = "Países por encima de la media mundial") + labs(x = "2018", y = "Emisiones en Kts")
fig <- ggplotly(g)
figLo anterior nos permite analizar el panorama a nivel mundial. Aproximadamente el 52% de las emisiones de CO2 fueron generadas por 3 países que ocuparon para el año 2019 el 40% de la población mundial. El siguiente mapa de población mundial se realiza con información del año 2019.
# Se usa el paquete treemap de R para construir el mapa de árbol de la población mundial.
america <- read.xlsx("America.xlsx", sheetIndex = 2, encoding="UTF-8", as.data.frame = TRUE)
america <- america %>% mutate(POBLACIÓN_MUNDIAL_2019 = as.numeric(gsub("\\,", "", POBLACIÓN)))
p <- treemap(america,
index=("PAÍS"),
vSize="POBLACIÓN_MUNDIAL_2019",
type="index",
palette = "Paired",
bg.labels=("white"),
align.labels=list(
c("center", "center"),
c("right", "bottom")
)
) 
Datos Población Mundial
Emisiones de CO2 per capita para América Latina.
La intención del siguiente mapa es mostrar el aporte de los países de América Latina en emisiones de CO2 para el año 2018 y así analizar su participación en las emisiones globales y el papel de Colombia en América Latina.
#Se hace uso del paquete Leaflet para mostrar las emisiones de CO2 per cápita para los siguientes países de América Latina: brazil, venezuela, colombia, ecuador, perú, bolivia, uruguay, paraguay, argentina, chile.
america <- read.xlsx("America.xlsx", sheetIndex = 1, encoding="UTF-8", as.data.frame = TRUE)
pal <- colorNumeric(
palette = "YlOrRd",
domain = america$Emi_CO2_capita_Kts
)
america %>%
leaflet() %>%
addTiles() %>%
addCircles(weight = 3, radius = sqrt(america$Emi_CO2_capita_Kts) * 100000, label = ~as.character(america$Emi_CO2_capita_Kts), color = ~pal(america$Emi_CO2_capita_Kts)) %>%
addLegend(title = "Emisiones_CO2 _Capita_Kts_2018", values = ~america$Emi_CO2_capita_Kts, position = ("bottomleft"), pal = pal)## Assuming "longitude" and "latitude" are longitude and latitude, respectivelyPara el año 2018 Colombia ocupó el puesto 8 en emisiones de CO2 per capita entre los 10 países de América Latina listados. Es de resaltar que Colombia es el segundo país con mayor población entre los países observados, lo que nos muestra que el consumo per capita es bastante pequeño en comparación con otros vecinos, situación que se puede analizar más profundamente en relación con los Índices de Desarrollo Humano-IDH de cada país, pues Chile y Argentina son los países con mayores emisiones per capita y a su vez son los países con mejor IDH para América Latina.
FuenteComportamiento per Capita
# En este gráfico se presentará la evolución de las emisiones de CO2 per capita de diferentes países: Colombia, Chile, China, Alemania, España y EEUU. Al dar doble click en la leyenda de cada país se podrá observar la gráfica de cada país. La obtención de los datos se realiza aplicando web-scrapping con el paquete rvest y se grafican los datos con el paquete Plotly.
# Colombia
rq = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/colombia")
tb = html_nodes(rq, xpath = '//table[@id="tb0"]')
df = html_table(tb) %>% as.data.frame()
df <- df %>% select(-CO2.Totales..Kts, -CO2.Petroleo.Kts, -CO2.Kg.1000.) %>% rename(CO2_per_Capita = CO2.t..per.capita) %>% mutate(CO2_per_Capita = as.numeric(gsub("\\,", ".", CO2_per_Capita)))
# Chile
rq1 = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/chile")
tb1 = html_nodes(rq1, xpath = '//table[@id="tb0"]')
df1 = html_table(tb1) %>% as.data.frame()
df1 <- df1 %>% select(-CO2.Totales..Kts, -CO2.Petroleo.Kts, -CO2.Kg.1000.) %>% rename(CO2_Capita_Chile = CO2.t..per.capita) %>% mutate(CO2_Capita_Chile = as.numeric(gsub("\\,", ".", CO2_Capita_Chile)))
# China
rq2 = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/china")
tb2 = html_nodes(rq2, xpath = '//table[@id="tb0"]')
df2 = html_table(tb2) %>% as.data.frame()
df2 <- df2 %>% select(-CO2.Totales..Kts, -CO2.Petroleo.Kts, -CO2.Kg.1000.) %>% rename(CO2_Capita_China = CO2.t..per.capita) %>% mutate(CO2_Capita_China = as.numeric(gsub("\\,", ".", CO2_Capita_China)))
# Alemania
rq3 = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/alemania#:~:text=Las%20emisiones%20de%20CO2%20en%20Alemania%20en%202018%20han%20ca%C3%ADdo,%2C48%25%20respecto%20a%202017.")
tb3 = html_nodes(rq3, xpath = '//table[@id="tb0"]')
df3 = html_table(tb3) %>% as.data.frame()
df3 <- df3 %>% select(-CO2.Totales..Kts, -CO2.Petroleo.Kts, -CO2.Kg.1000.) %>% rename(CO2_Capita_Alemania = CO2.t..per.capita) %>% mutate(CO2_Capita_Alemania = as.numeric(gsub("\\,", ".", CO2_Capita_Alemania)))
# España
rq4 = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/espana")
tb4 = html_nodes(rq4, xpath = '//table[@id="tb0"]')
df4 = html_table(tb4) %>% as.data.frame()
df4 <- df4 %>% select(-CO2.Totales..Kts, -CO2.Petroleo.Kts, -CO2.Kg.1000.) %>% rename(CO2_Capita_España = CO2.t..per.capita) %>% mutate(CO2_Capita_España = as.numeric(gsub("\\,", ".", CO2_Capita_España)))
# EEUU
rq5 = read_html("https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/usa")
tb5 = html_nodes(rq5, xpath = '//table[@id="tb0"]')
df5 = html_table(tb5) %>% as.data.frame()
df5 <- df5 %>% select(-CO2.Totales..Kts, -CO2.Petroleo.Kts, -CO2.Kg.1000.) %>% rename(CO2_Capita_EEUU = CO2.t..per.capita) %>% mutate(CO2_Capita_EEUU = as.numeric(gsub("\\,", ".", CO2_Capita_EEUU)))
d <- df %>% left_join(df1) %>% left_join(df2) %>% left_join(df3) %>% left_join(df4) %>% left_join(df5)## Joining, by = "Fecha"
## Joining, by = "Fecha"
## Joining, by = "Fecha"
## Joining, by = "Fecha"
## Joining, by = "Fecha"fig <- plot_ly(d, x = ~Fecha) %>% layout(title="Emisiones Históricas de CO2 per capita en Kts")
fig <- fig %>% add_trace(y = ~CO2_per_Capita, type = "scatter", name = 'Colombia',mode = 'lines+markers')
fig <- fig %>% add_trace(y = ~CO2_Capita_Chile, type = "scatter", name = 'Chile', mode = 'lines+markers')
fig <- fig %>% add_trace(y = ~CO2_Capita_China, type = "scatter", name = 'China', mode = 'lines+markers')
fig <- fig %>% add_trace(y = ~CO2_Capita_EEUU, type = "scatter", name = 'EEUU', mode = 'lines+markers')
fig <- fig %>% add_trace(y = ~CO2_Capita_Alemania, type = "scatter", name = 'Alemania', mode = 'lines+markers')
fig <- fig %>% add_trace(y = ~CO2_Capita_España, type = "scatter", name = 'España', mode = 'lines+markers')
figLa gráfica anterior es un análisis histórico sobre cómo han evolucionado las emisiones de CO2 per capita para Colombia, Chile, China, EEUU, Alemania y España. Se puede observar que EEUU, Alemania y España han venido reduciendo sus emisiones de CO2 per capita mientras que Colombia y Chile pese a los esfuerzos continúan incrementándolas. China se mantiene relativamente constante en los últimos años.
Es importante tener en cuenta que el desarrollo de Colombia no se puede comparar con el nivel de desarrollo de Alemania o EEUU, y llegar a estos niveles de desarrollo social y económico exige de la implementación de diversos procesos en los que se generan emisiones de CO2 y de diferentes GEI. Por ende para seguir desarrollando las diferentes unidades productivas del país se requerirá de continuar aumentando estas emisiones en los próximos años o transformar las formas de obtención de la energía requerida.Trayectorias de concentración representativas (RCP) (Representative Concentration Pathways (RCP)
En el Quinto Informe IPCC se han definido 4 nuevos escenarios de emisión, las denominadas Trayectorias de Concentración Representativas (RCP, por sus siglas en inglés). Éstas se caracterizan por su Forzamiento Radiativo (FR) total para el año 2100 que oscila entre 2,6 y 8,5W/m2.
Las cuatro trayectorias RCP comprenden un escenario en el que los esfuerzos en mitigación conducen a un nivel de forzamiento muy bajo (RCP2.6), 2 escenarios de estabilización (RCP4.5 y RCP6.0) y un escenario con un nivel muy alto de emisiones de GEI (RCP8.5). Los nuevos RCP pueden contemplar los efectos de las políticas orientadas a limitar el cambio climático del siglo XX frente a los escenarios de emisión utilizados en el IPCC Fourth Assessment Report: Climate Change 2007 (AR4) (denominados SRES, por sus siglas en inglés) que no contemplaban los efectos de las posibles políticas o acuerdos internacionales tendentes a mitigar las emisiones.
RCP2,6
Trayectoria en la que el forzamiento radiativo alcanza el valor máximo a aproximadamente 3 W.m–2 antes de 2100 y posteriormente disminuye (la correspondiente trayectoria de concentración ampliada en el supuesto de que sean constantes las emisiones después de 2100).
RCP4,5 y RCP6,0
Dos trayectorias de estabilización intermedias en las cuales el forzamiento radiativo se estabiliza a aproximadamente 4,5 W.m–2 y 6 W.m–2 después de 2100 (la correspondiente trayectoria de concentración ampliada en el supuesto de que sean constantes las concentraciones después de 2150).
RCP8,5
Trayectoria alta para la cual el forzamiento radiativo alcanza valores superiores a 8,5 W.m–2 en 2100 y sigue aumentando durante un lapso de tiempo (la correspondiente trayectoria de concentración ampliada en el supuesto de que sean constantes las emisiones después de 2100 y sean constantes las concentraciones después de 2250). Fuente: Glosario IPCC
Fig 4. Comparación RCPs
Análisis de variación de Temperatura para el departamento de Risaralda con el escenario RCP 8,5
Bajo el escenario RCP 8,5, el peor de los escenarios, las emisiones continúan aumentando durante todo el siglo XXI (modelo de Business as usual - BAU). Aunque es un escenario poco probable debido a las acciones de transición energética que vienen adelantando diferentes países producto del acuerdo de París y debido al aseguramiento de combustibles fósiles que atiendan dichas demandas futuras, es un escenario que aún es posible y que sirve para referenciar los cambios que podríamos tener a futuro. A continuación se presenta un mapa construido con R en un diferente “script” bajo el escenario de RCP 8,5 para el departamento de Risaralda donde se muestra cómo sería el cambio en la temperatura promedio para cada municipio si nos mantuviésemos en este modelo para el periodo 2050. Hay que aclarar que se está tomando acción y que es poco probable llegar a ese escenario. Sin embargo, los efectos que se presenten en Colombia van más allá de los cambios que se puedan generar puesto que como ya se vio, las emisiones de CO2 generadas por Colombia si bien son altas no son comparables con las de otros países desarrollados.
Para la obtención de los datos para construir el mapa, se utiliza el paquete “CCAFS” con el cuál se pueden obtener los datos de todos los GCM’s para cualquier periodo de tiempo y para cualquiera de los escenarios de los RCP’s.
¿Qué es CCAFS?
“El portal de datos CCAFS-Climate proporciona conjuntos de datos climáticos de alta resolución para el futuro a nivel mundial y regional que sirven como base para evaluar los impactos del cambio climático y la adaptación en una variedad de campos, incluida la biodiversidad, la producción agrícola y ganadera, y los servicios de los ecosistemas y la hidrología.”
Para realizar el mapa del escenario RCP 8.5 se tienen en cuenta 32 GCM’s (General Circulation Model) disponibles en las bases de datos de CCAFS, como hay tantos modelos de cambio climático se usa el promedio de los modelos. El código fuente se adjuntará en una carpeta aparte ya que es tan pesado que no se puede incluir en este análisis reproducible.
Fig 5. Variación de Temperatura Departamento de Risaralda con RCP 8,5
El anterior panorama debe de generarnos reflexiones profundas desde el campo académico, social, industrial y político. Las actividades antropógenas y el desarrollo propio generado por las diferentes actividades económicas están llevando a un sobrecalentamiento del planeta del cuál quizá no haya retorno. Los glaciares se derriten, los páramos se debilitan a causa de la ampliación de la frontera agrícola-ganadera, los ríos sufren las consecuencias del calentamiento global y a su vez de la contaminación generada por el ser humano, la calidad del aire empeora conforme avanza nuestro desarrollo industrial. De allí la importancia de emprender todas las acciones necesarias para mitigar el cambio climático, pues la supervivencia de la especie humana y de los múltiples ecosistemas que conforman este maravilloso planeta dependen de las acciones que hoy tomemos.
¿Cuáles serían las consecuencias de llegar al escenario presentado anteriormente?
La pregunta anterior es bastante amplia pero la dejo planteada para que pensemos en los efectos que esta situación tendría. Es de anotar que los efectos más negativos se sentirán hacia la cordillera central y la zona andina, afectando gravemente los páramos que a su vez son nuestras fabricas de agua. Tendríamos que analizar los efectos de estos cambios de temperatura para las diferentes actividades productivas en cada municipio y a su vez analizar los impactos de estas variaciones en la Estabilidad de Tensión de los futuros proyectos solares en la región. Ya que se sabe que la tensión en los paneles solares se ve afectada directamente por la temperatura.TRANSICIÓN ENERGÉTICA
Los fenómenos ambientales, sociales y económicos globales han llevado a que una gran cantidad de países estén formulando escenarios idóneos para proyectar la transición energética hacia formas más limpias de producción de energía. Sin embargo, los análisis y discusiones sobre este tema van mucho más allá de prescindir del carbón y del petróleo como energéticos. Tiene que ver con cambios profundos en las estructuras sociales, en los patrones de consumo, en que los hábitos humanos y económicos de producción sean más armónicos con la naturaleza. Entendiendo que esta va más allá de la especie humana y que la fauna, la flora, la calidad del agua, del aire, los niveles de radiación solar, dependen directamente de las decisiones que tomemos hoy como sociedad de manera integral. Hablar hoy de transición energética implica proyectarse cambios profundos en la producción energética mundial, no basta únicamente con que en Colombia avancemos en reemplazar las plantas térmicas y las hidroeléctricas por plantas solares y turbinas eólicas y otros agentes energéticos limpios, la discusión va mucho más allá. Hay países desarrollados que tienen índices de emisiones altísimos, que tienen poblaciones increíblemente grandes, que tienen mayor grado de responsabilidad en la crisis ambiental pero que no sufrirán las mismas consecuencias que otros países con menores índices de desarrollo pero que tienen un Índice de Riesgo Climático Global bastante alto. Colombia se encuentra entre los 50 países con mayor riesgo a la variabilidad climática y aunque hagamos muchos cambios en nuestra matriz energética hay consecuencias que no dependerán únicamente de nosotros. Eso no significa que el camino no sea trabajar en la transición energética y generar esa cultura ciudadana que le apueste al cuidado del ambiente y preservarlo para las futuras generaciones que no son más que nuestros hijos y nietos.
Es necesario tener presentes los objetivos de desarrollo sostenible (ODS), estos objetivos siguen siendo una ruta muy importante para los países de cara a superar muchos de los problemas que se han mencionado. Hoy más que nunca debemos hablar de: Energía asequible y no contaminante (ODS 7), ciudades y comunicades sostenibles (ODS 11), producción y consumo responsables (ODS 12), acción por el clima (ODS 13), entre otos objetivos.
Fig 6. Índice de Riesgo Climático Global
“El Índice de Riesgo Climático Global (IRC) de Germanwatch es un análisis basado en uno de los conjuntos de datos más fiables disponibles sobre los impactos de los eventos climáticos extremos y los datos socioeconómicos asociados a ellos”.
El mapa anterior nos permite ver una escala mundial del Índice de Riesgo de Cambio Climático - IRC- en la cual se muestra que Colombia hace parte de los 50 países más afectados por la variabilidad climática. Esta situación no es menor, hay que preparar y orientar los Planes de Desarrollo de cada uno de los municipios y departamentos del país con énfasis en los efectos asociados al Cambio Climático de manera que nuestro modelo productivo y social sean responsables con el ambiente. Minimizar los impactos asociados al Cambio Climático pasa por la transformación de la matriz energética, pero también es un asunto que involucra otras dimensiones como acceso a educación, cultura y compromisos políticos que pongan la vida y el balance ambiental por encima de cualquier mandato financiero.Demanda mundial total de energía primaria por combustible - 2019
Se presenta un gráfico reconstruido a partir de datos otorgados por la IEA (International Energy Agency) sobre la demanda mundial de energía primaria discriminada por tipo de combustible. según el World Energy Outlook de 2020 “Evitar nuevas emisiones no es suficiente: si no se hace nada con respecto a las emisiones de la infraestructura existente, los objetivos climáticos seguramente están fuera de alcance”, es por esto que los esfuerzos de diversos países están orientados a promover una rápida pero eficiente transición energética en diversos sectores de la sociedad.
df <- data.frame("Uso_tradicional_de_Biomasa" = as.numeric(588), "Renovables" = as.numeric(1451), "Nuclear" = as.numeric(727), "Gas" = as.numeric(3340), "Petroleo" = as.numeric(4525), "Carbon" = as.numeric(3775), "Periodo" = as.factor(2019))
df <- gather(data = df, key = Energia_Primaria_2019, value = "Mtep", Uso_tradicional_de_Biomasa:Carbon)
df <- mutate(df, Energia_Primaria_2019 = factor(Energia_Primaria_2019), Energia_Primaria_2019 = fct_reorder(Energia_Primaria_2019, Mtep))
g <- ggplot() + geom_col(data = df, aes(x = Periodo, y = Mtep, fill = Energia_Primaria_2019))+theme(axis.text.x = element_text(hjust=1))+labs(title = "Uso de Energía Primaria 2019") + labs(x = "Periodo", y = "Consumo Mtep")
fig <- ggplotly(g)
fig“Un cambio radical en la inversión en energía limpia, en línea con el Plan de Recuperación Sostenible de la IEA, ofrece una forma de impulsar la recuperación económica, crear empleos y reducir las emisiones. Este enfoque no ha ocupado un lugar destacado en los planes propuestos hasta la fecha, excepto en la Unión Europea, el Reino Unido, Canadá, Corea, Nueva Zelanda y un puñado de otros países. En la SDS, la plena implementación del Plan de Recuperación Sostenible de la AIE , publicado en junio de 2020 en cooperación con el Fondo Monetario Internacional, coloca a la economía energética mundial en una vía diferente después de la crisis. La inversión adicional de $ 1 billón al año entre 2021 y 2023 en la SDS se dirige a mejoras en la eficiencia, energía de bajas emisiones y redes eléctricas, y combustibles más sostenibles. Esto convierte a 2019 en el pico definitivo para el CO2 global2 emisiones. Para 2030, las emisiones de la SDS serán casi 10 Gt más bajas que las de los STEPS.” Fuente: World Energy Outlook-2020
Fig 7. Emisiones de CO2 del sector energético y de los procesos industriales por trayectoria de recuperación
Fuente: World Energy Outlook-2020
“El sector de la energía toma la delantera, pero se requiere una amplia gama de estrategias y tecnologías para abordar las emisiones en todas las partes del sector energético.Las emisiones del sector de la energía se reducen en más del 40% para 2030 en la SDS, y las adiciones anuales de energía solar fotovoltaica casi se triplican con respecto a los niveles actuales. La electricidad asume un papel cada vez más importante en el consumo total de energía, ya que el aumento de la producción de energías renovables y energía nuclear ayuda a reducir las emisiones de sectores, como el transporte de pasajeros, que son rentables de electrificar. Las tareas más difíciles para la transformación del sector energético se encuentran en otras partes, particularmente en sectores industriales como el acero y el cemento, en el transporte de larga distancia, en el equilibrio de múltiples cambios que tienen lugar en paralelo en un sistema energético complejo, y en asegurar y mantener aceptación pública. Mantener un fuerte ritmo de reducción de emisiones después de 2030 requiere un enfoque implacable en la eficiencia energética y de materiales, la electrificación, y un papel importante para los líquidos y gases con bajo contenido de carbono. El hidrógeno bajo en carbono y la CCUS se amplían significativamente, basándose en una década de rápida innovación e implementación en la década de 2020.” Fuente: World Energy Outlook-2020
Como referencia el World Energy Outlook-2020, la última palabra sobre la transición energética la tienen los gobiernos en un momento en el que la Pandemia por Covid-19 ha generado inmensas incertidumbres en todos los sectores de la economía. “Pueden liderar el camino proporcionando la visión estratégica, el estímulo a la innovación, los incentivos para los consumidores, las señales de política y las finanzas públicas que catalizan la acción de los actores privados, y el apoyo a las comunidades donde los medios de vida se ven afectados por cambios rápidos. Tienen la responsabilidad de evitar consecuencias no deseadas para la fiabilidad o asequibilidad del suministro. Nuestro futuro energético seguro y sostenible es una elección: para los consumidores, los inversores y las industrias, pero sobre todo, para los gobiernos.”
Análisis de Balance Energético Colombiano para el año 2019
El análisis de balance energético para el año 2019 se realiza con los datos otorgados por la Unidad de Planeación Minero Energética (UPME) a través del Balance Energético Colombiano (BECO) para el año 2019. En el BECO se resume la información de producción, transformación y consumo de energía en el país. La información expresada en el BECO se puede observar en unidades físicas originales y en unidades comunes de energía, para este caso expresaremos las unidades en GWh para todos los sectores, esto nos dará una idea sobre las necesidades energéticas del país en términos de generación de energía eléctrica. La información será mostrada a través de un diagrama de Sankey en el cuál se observarán los energéticos presentes en el BECO 2019, su clasificación como primario-secundario y su aporte a cada uno de los sectores económicos analizados por la UPME. Para realizar este gráfico se descargó la información en formato de excel y se procesó previamente para ser analizada en R.
# Los datos se pueden descargar desde el siguiente enlace: https://www1.upme.gov.co/InformacionCifras/Paginas/BECOCONSULTA.aspx
# Para la creación del diagrama se hará uso del paquete networkD3 el cual nos permite crear diversos diagramas de redes.
nodes <- read.xlsx("BECO_19.xlsx", sheetIndex = 2, encoding="UTF-8", as.data.frame = TRUE, header=TRUE)
links <- read.xlsx("BECO_19.xlsx", sheetIndex = 1, encoding="UTF-8", as.data.frame = TRUE, header=TRUE)
links <- links %>% select(-NA.) ; nodes <- nodes %>% na.omit()
p <- sankeyNetwork(Links = links, Nodes = nodes, Source = "From.",
Target = "To", Value = "Value", NodeID = "name",
units = "GWh", nodeWidth = 30, sinksRight = TRUE, height = 800, width = 1000, fontSize= 12)
sankey <- htmlwidgets::prependContent(p, htmltools::tags$h1("Balance Energético Colombiano 2019"))
sankeyBalance Energético Colombiano 2019
Fuente: BECO-UPME-2019El diagrama de Sankey permite concluir que los retos son inmensamente grandes. Los aportes de la energía eléctrica son pequeños y están dirigidos principalmente al campo residencial e industrial. La malla de transporte no muestra aportes de la energía eléctrica y sus principales energéticos son la gasolina, el diesel y el kerosene, el gas natural tiene un ínfimo aporte en el sector transporte. En el sector industrial si bien el aporte de la energía eléctrica es importante, se muestra que el bagazo, el gas natural y el carbón mineral son los principales protagonistas y en el sector residencial para nuestro asombro se usa más leña que gas natural. Sin duda tenemos por delante un gran camino por recorrer en nuestra búsqueda por conseguir un consumo energético mayormente eléctrico, renovable y sostenible en el tiempo. Asegurar nuestro futuro energético es asegurar la vida de las futuras generaciones
Consumo de energía 2019
En el siguiente gráfico de anillos se muestra como es el consumo energético en Colombia para el año 2019. El mayor consumo se le atribuye al transporte, seguido por el sector industrial y el residencial. En la categoría “Otros” se encuentran agrupados los sectores de la minería, construcciones y los no identificados. Se presentó el consumo energético para el sector agrícola de manera independiente porque es importante denotar que es bastante bajo, con un 1.53% o 5.368 GWh.
¿Trabajar el campo requiere de muy poca energía o tenemos un campo en unas condiciones bastante precarias y poco desarrollado?
df <- data.frame("Residencial" = as.numeric(71643), "Industrial" = as.numeric(90174), "Transporte" = as.numeric(152891), "Agro" = as.numeric(5368), "Otros" = as.numeric(30359), "Periodo" = as.factor(2019))
df <- gather(data = df, key = BECO_2019, value = "Mtep", Residencial:Otros)
df <- mutate(df, BECO_2019 = factor(BECO_2019), Porc = prop.table(Mtep)*100, Prop = round(Porc, 2), ymax = cumsum(Prop), ymin = c(0, head(ymax, n=-1)), labelPosition = (ymax + ymin) / 2, label = paste0(BECO_2019, "\n Prop: ", Prop, "%"))
g <- ggplot(df, aes(ymax=ymax, ymin=ymin, xmax=4, xmin=3, fill=BECO_2019)) +
geom_rect() +
geom_label( x=3.5, aes(y=labelPosition, label=label), size=3) +
scale_fill_brewer(palette=4) + scale_color_brewer(palette=4) +
coord_polar(theta="y") +
xlim(c(-1, 4)) +
theme_void() +
theme(legend.position = "none")
g
Fuente: BECO-UPME-2019
Composición de la matriz eléctrica Colombiana
A continuación se presentará un análisis de la composición de la matriz eléctrica Colombiana entre los años 2016 y 2020. Se pretende mostrar cómo hemos generado la energía eléctrica con el paso de los años y cómo han evolucionado esas formas en los últimos 4 años.
Este análisis permitirá observar cómo nos encontramos hoy y cuáles son los principales retos a enfrentar, pues la transición energética no es un desafío fácil y de hecho requerirá de esfuerzos inimaginables de todos los actores.
Capacidad Efectiva del Sistema Eléctrico Colombiano
El siguiente análisis tiene como objetivo poder mostrar cómo se compone la matriz eléctrica colombiana, cuáles son los recursos energéticos usados para generar energía eléctrica y como se da la participación de cada uno de estos recursos. Para realizar el análisis haremos uso de los datos disponibles en la página de la UPME para la Capacidad Efectiva de generación del sistema interconectado nacional – SIN. El periodo del análisis será entre 2016-2020, por esta razón se realizarán varias gráficas con el objetivo de mostrar de diferentes formas cómo ha evolucionado nuestra matriz de energía eléctrica.
# Cargamos los datos de análisis desde un formato en Excel descargardo de:
# http://www.upme.gov.co/Reports/Default.aspx?ReportPath=%2FSIEL+UPME%2FGeneraci%C3%B3n%2FCapacidad+Efectiva+de+Generaci%C3%B3n+(SIN) ; los datos se encuentran en UPME.
Cap <- read.xlsx("Capacidad_SIN.xlsx", sheetIndex = 1, encoding="UTF-8", as.data.frame = TRUE, header=TRUE)Análisis trimestral de capacidad disponible por recurso de generación en el sistema interconectaco nacional Colombiano - SIN
Se puede ver en el gráfico el aporte trimestral por recurso de generación, permitiendo observar en qué momento han ingresado nuevos proyectos al sistema y cómo ha evolucionado cada recurso. Para analizar cada recurso de manera individual puede habilitar y deshabilitar desde cada leyenda.
#Procesamiento de la base de datos
Capacidad <- Cap %>% mutate_all(funs(replace(., is.na(.), 0))) %>% gather(key = Fecha, value = "MW", Jan_16:Sep_20)
Capacidad$Fecha = parse_date_time(Capacidad$Fecha, "m_y")
Capacidad <- Capacidad %>% filter(Recurso != 0) %>% mutate(Departamento = factor(Departamento), Recurso = factor(Recurso), Periodo = as.Date(Fecha)) %>% group_by(Recurso, Periodo) %>% summarise(Capacidad_MW = sum(MW))## `summarise()` regrouping output by 'Recurso' (override with `.groups` argument)#Construcción de la gráfica trimestral
g <- ggplot()+geom_line(data = Capacidad, aes(x = Periodo, y = Capacidad_MW, colour=Recurso, group=Recurso)) + scale_x_date(date_breaks = "3 month", date_labels = "%y-%b") + theme(axis.text.x = element_text(angle = 90, hjust = 1)) + scale_y_continuous(breaks=seq(0, 15000, 750)) ; fig <- ggplotly(g) ; figAnálisis mensual con gráfico de área de capacidad disponible por recurso de generación en el sistema interconectaco nacional Colombiano - SIN
Se puede ver en el gráfico el aporte mes a mes por recurso de generación, permitiendo observar en qué momento han ingresado nuevos proyectos al sistema, como ha evolucionado cada recurso y también ver en una proporción de área la participación. es importante denotar como ha aumentado la generación solar y la generación eólica en los últimos 2 años.
# Construcción de la gráfica mensual
g7 <- ggplot() + geom_area(data = Capacidad, aes(x = Periodo, y = Capacidad_MW, fill = Recurso)) + theme(legend.position = "bottomleft", axis.text.x = element_text(angle = 90, hjust=1))+labs(title = "Capacidad por recurso de generación año 2016-2020") + labs(x = "Periodo", y = "Capacidad MW"); fig <- ggplotly(g7); figAnálisis anual de % de participación por recurso de generación en el sistema interconectaco nacional Colombiano - SIN
Se presentan a continuación 2 gráficas que pretenden mostrar como evolucionó el % de participación por recurso de generación para el año 2016 y hasta septiembre del año 2020. Se puede observar que tanto la generación a partir de la radiación solar y del potencial eólico han aumentado y se espera que sigan aumentando.
#--% de participación por recurso para el año 2016
Capacidad_2016 <- Cap %>% select(-Departamento, -Central) %>% mutate_all(funs(replace(., is.na(.), 0))) %>% gather(key = Fecha, value = "MW", Jan_16:Sep_20)
Capacidad_2016$Fecha = parse_date_time(Capacidad_2016$Fecha, "m_y")
Capacidad_2016 <- Capacidad_2016 %>% mutate(Recurso = factor(Recurso), Periodo = as.Date(Fecha)) %>% filter(Periodo > "2016-11-01" & Periodo < "2017-01-01" & Recurso != 0) %>% group_by(Recurso, Periodo) %>% summarise(Cap_MW_2016 = sum(MW))## `summarise()` regrouping output by 'Recurso' (override with `.groups` argument)Capacidad_2016 <- as.data.frame(Capacidad_2016)
Capacidad_2016 <- Capacidad_2016 %>% mutate(Porcentaje_2016 = prop.table(Cap_MW_2016)*100, Porcentaje_2016 = round(Porcentaje_2016, 2), Recurso = fct_reorder(Recurso, Porcentaje_2016))
g5 <- ggplot() + geom_col(data = Capacidad_2016, aes(x = Periodo, y = Porcentaje_2016, fill = Recurso)) + scale_x_date(date_labels = "%b-%y") + theme(axis.text.x = element_text(hjust=1))+labs(title = "Capacidad por recurso de generación año 2016") + labs(x = "Periodo", y = "% de participación")
fig5 <- ggplotly(g5)
fig5#--% de participación por recurso para el año 2020
Capacidad_2020 <- Cap %>% select(-Departamento, -Central) %>% mutate_all(funs(replace(., is.na(.), 0))) %>% gather(key = Fecha, value = "MW", Jan_16:Sep_20)
Capacidad_2020$Fecha = parse_date_time(Capacidad_2020$Fecha, "m_y")
Capacidad_2020 <- Capacidad_2020 %>% mutate(Recurso = factor(Recurso), Periodo = as.Date(Fecha)) %>% filter(Periodo > "2020-08-01" & Recurso != 0) %>% group_by(Recurso, Periodo) %>% summarise(Cap_MW_2020 = sum(MW))## `summarise()` regrouping output by 'Recurso' (override with `.groups` argument)Capacidad_2020 <- as.data.frame(Capacidad_2020)
Capacidad_2020 <- Capacidad_2020 %>% mutate(Porcentaje_2020 = prop.table(Cap_MW_2020)*100, Porcentaje_2020 = round(Porcentaje_2020, 2), Recurso = fct_reorder(Recurso, Porcentaje_2020))
g4 <- ggplot() + geom_col(data = Capacidad_2020, aes(x = Periodo, y = Porcentaje_2020, fill = Recurso)) + theme(axis.text.x = element_text(hjust=1))+labs(title = "Capacidad por recurso de generación año 2020") + labs(x = "Periodo", y = "% de participación")
fig4 <- ggplotly(g4)
fig4# Capacidad en MW por recurso para los años 2016-2020
Capacidad <- Cap %>% select(-Departamento, -Central) %>% mutate_all(funs(replace(., is.na(.), 0))) %>% gather(key = Fecha, value = "MW", Jan_16:Sep_20)
Capacidad$Fecha = parse_date_time(Capacidad$Fecha, "m_y")
Capacidad <- Capacidad %>% mutate(Recurso = factor(Recurso), Periodo = as.Date(Fecha)) %>% filter(((Periodo > "2016-11-01" & Periodo < "2017-01-01" & Recurso != 0) | (Periodo > "2017-11-01" & Periodo < "2018-01-01" & Recurso != 0) | (Periodo > "2018-11-01" & Periodo < "2019-01-01" & Recurso != 0) | (Periodo > "2019-11-01" & Periodo < "2020-01-01" & Recurso != 0) | (Periodo > "2020-08-01" & Recurso != 0))) %>% group_by(Recurso, Periodo) %>% summarise(Cap_MW = sum(MW))## `summarise()` regrouping output by 'Recurso' (override with `.groups` argument)Capacidad <- Capacidad %>% ungroup()
Capacidad$Recurso <- fct_other(Capacidad$Recurso, keep = c("RAD SOLAR", "VIENTO", "AGUA"), other_level = "TERMICA")
Capacidad1 <- Capacidad %>% group_by(Recurso, Periodo) %>% summarise(Cap = sum(Cap_MW))## `summarise()` regrouping output by 'Recurso' (override with `.groups` argument)Capacidad2 <- Capacidad1 %>% ungroup()
Capacidad2$Recurso <- fct_other(Capacidad2$Recurso, keep = c("TERMICA", "AGUA"), other_level = "NO CONVENCIONALES")
Capacidad2 <- Capacidad2 %>% mutate(Periodo = factor(Periodo)) %>% group_by(Recurso, Periodo) %>% summarise(Cap = sum(Cap))## `summarise()` regrouping output by 'Recurso' (override with `.groups` argument)# Graficando
g6 <- ggplot() + geom_col(data = Capacidad2, aes(x = Periodo, y = Cap, fill = Recurso)) + theme(legend.position = "bottomleft", axis.text.x = element_text(angle = 90, hjust=1))+labs(title = "Capacidad por categoría de generación año 2016-2020") + labs(x = "Periodo", y = "Capacidad MW") + scale_fill_viridis_d()
fig <- ggplotly(g6)
figTrilema energético mundial
El trilema energético reconoce los complejos vínculos entre 3 dimensiones fundamentales: seguridad energética, equidad energética y sostenibilidad ambiental. Según World Energy Council:
• Seguridad energética: Gestión eficaz del suministro de energía primaria a partir de recursos internos y externos. La fiabilidad de la infraestructura energética y la capacidad de los proveedores de energía para satisfacer la demanda actual y futura.
• Equidad energética: Accesibilidad y asequibilidad del suministro de energía en toda la población.
• Sostenibilidad ambiental: Abarca el logro de eficiencias energéticas del lado de la oferta y la demanda y el desarrollo de la oferta de energía a partir de recursos renovables y otros recursos de bajo carbono.
Fig 8. Diferencias y prioridades regionales - World Energy Trilemma 2015
Debido a las discusiones mundiales sobre Cambio Climático, muchos de los países han avanzado en la formulación de políticas energéticas orientadas a transformar las matrices energéticas con tecnologías que permitan la sostenibilidad en el tiempo y que ante todo mitiguen las emisiones de Gases de Efecto Invernadero – GEI, la ciencia tiene claro que esto es una carrera contra el tiempo y ello ha hecho eco en diferentes países. El sector energético mundial se encuentra en marcha hacia un ambicioso acuerdo climático, cada país con sus particularidades y limitaciones. Se necesita de un marco común internacional que ayude a los países a evaluar el cumplimiento de los objetivos frente a reducción de las emisiones de GEI y el desarrollo de alternativas energéticas bajas en carbono.
La transición energética no es un asunto menor, es un proceso bastante complejo y depende de un compromiso político real por parte de los gobiernos, de una voluntad y comprensión inmensa de las problemáticas por parte del sector privado y de una transformación cultural en la sociedad para cuidar y preservar el ambiente. Es un proceso que traza la perspectiva de desarrollo energético en el largo plazo, se requiere también del compromiso y apoyo internacional, no todos los países tienen el mismo grado de evolución tecnológica, económica, política y cultural.
Se requieren mecanismos de financiación accesibles para los países en vías de desarrollo como Colombia, también necesitamos fortalecer la investigación y los presupuestos en Educación Superior Pública, es menester preparar a las futuras generaciones bajo una perspectiva crítica para asumir los retos sociales y económicos que implica la Transición Energética y el Cambio Climático. Fortalecer la financiación de las iniciativas I+D+i es fundamental, no sólo se tratará de instalar paneles solares o turbinas eólicas en algún lugar del país, necesitamos investigar cuáles son las mejores soluciones energéticas posibles, aprovechar al máximo nuestros recursos siendo responsables con el ambiente, desarrollar y potenciar nuevas tecnologías de generación de energía eléctrica a pequeña y mediana escala.
Importancia del balance del trilema energético
Uno de los aspectos sobre los cuáles más énfasis se hace es en el balance del trilema energético y su importancia para asegurar sistemas de energía sostenible. Ya que en conjunto y en equilibrio, estas 3 dimensiones son de vital importancia para la competitividad y el fomento de la prosperidad en los diferentes países. Un acuerdo internacional o nacional sobre el cambio climático debe involucrar los retos que exige el balance de este trilema.
Fig 9. The World Energy Trilemma - World Energy Trilemma 2015
[Fuente:] (Wyman, O. (2013). The World Energy Trilemma [Ilustración]. https://www.worldenergy.org/assets/downloads/2015-World-Energy-Trilemma-Priority-actions-on-climate-change-and-how-to-balance-the-trilemma.pdf)
Una de las preocupaciones de los países es cómo un acuerdo sobre cambio climático y el balance de este trilema pueden poner en riesgo su autonomía para establecer políticas energéticas nacionales. Por ejemplo, el aumento en el acceso puede tener repercusiones en la seguridad energética y en la sostenibilidad ambiental, pues se requiere mayor cantidad de energía y por ende mayor cantidad de sistemas cada vez más complejos. El panorama es incierto, pues el desarrollo económico depende del consumo energético y limitarlo puede traer repercusiones negativas para países en vías de desarrollo o para países con grandes mercados energéticos emergentes como China, Brasil, India, EEUU. Sin embargo, no cambiar implica desconocer los devastadores efectos del calentamiento global y condenar a la humanidad a vivir en un caos que es aún más incierto.
Es importante resaltar que se han allanado los caminos para favorecer una transición energética de los países hacia el uso de energías más limpias. Hay diferentes países que han avanzando enormemente en las diferentes tecnologías de generación de energía eléctrica a partir del aprovechamiento de recursos como el viento, la radiación solar, el agua a pequeñas escalas, la geotermia, la biomasa, el Hidrogeno (H), entre otras. Sin duda alguna los retos son enormes pero esa transición va avanzando en Colombia y el mundo. Se espera que los estados realmente se comprometan a garantizar el cumplimiento de estas metas aunque el panorama sea aún un poco difuso.
Costos de Generación de Energía Renovable en 2019
Algo que posibilita la transición energética es la accesibilidad financiera a este tipo de energías renovables más amigables con el ambiente. Como se muestra en la siguiente imagen, los costos de implementación en la última década de este tipo de proyectos se han reducido drásticamente debido a factores como el mejoramiento de la tecnología, de las economías de escala, la experiencia desarrollando este tipo de proyectos energéticos, mayor competitividad mundial.
Fig 10. Costos energías renovables 2010-2019
[Fuente:] (Tecnologías de energía renovable: Reducción de costos desde 2010. (2020). [Gráfico]. https://www.irena.org/-/media/Files/IRENA/Agency/Publication/2020/Jun/IRENA_Costs_2019_ES.PDF?la=en&hash=A74F5A6BA01D86C175702B4F27C7086AF5D23F99
La generación de energía eléctrica a partir de fuentes renovables sigue creciendo cada vez más. Su aumento en la competitividad y desarrollo tecnológico, la generación constante de empleo a partir de este tipo de proyectos, la modularidad para ampliar o reducir la capacidad de una planta, entre otros atributos hacen que sean ideales según las condiciones del entorno para impulsar esta transición.El aprovechamiento principalmente de la energía solar (fotovoltaíca-ESC) y eólica (terrestre-marina) se convierten en una posibilidad muy interesante para la recuperación económica y energética a corto plazo, además de generar mejor sostenibilidad ambiental en el mediano y largo plazo.
Para Colombia es fundamental avanzar en esta área, en el documento CONPES 3918 del año 2018 se determinaron 16 grandes apuestas para dar cumplimiento a los ODS.Se ha adoptado la meta de reducir el 20% de las emisiones de GEI al 2030 y pasar del 97,2% al 100% de la población con acceso a la energía eléctrica, lo que genera enormes desafíos tanto para la industria como para la academia.
Promedio anual de radiación solar directa en Pereira
La siguiente gráfica tiene como intención mostrar el aporte de radiación solar anual para la ciudad de Pereira. Según la gráfica, el mínimo de radiación solar directa se tiene normalmente en el mes de abril con aproximadamente 3.15 kW-hr/m^2/day, lo que significa aproximadamente 3.2 horas solares pico (HSP) aprovechables para el diseño de nuestras instalaciones solares, ya que se diseña con el mínimo pero se pueden aprovechar mayor cantidad de radiación en otros meses como julio con hasta 4.2 HSP.
p <- read.csv(file = 'solar.csv', sep = ';', header = TRUE)
p <- p %>% select(MONTH, DNR) %>% na.omit()
p$MONTH <- parse_date_time(p$MONTH, "m")
p <- p %>% mutate(MONTH = as.Date(MONTH)) %>% ggplot() + geom_line(aes( x = MONTH, y = DNR, group = 1), col = "steelblue") + scale_x_date(date_labels = "%b") + geom_label(aes(x = MONTH, y = DNR, label = DNR, group = 1), col = "steelblue", vjust = 1) + labs(title = " Radiación solar anual - Pereira") + labs(x = "Periodo", y = "Radiación Normal Directa kW-hr/m^2/day ") ; p
Fuente: NASA’s power data access
Ejemplo para mi casa:
Fig 11. Cuadro de cargas para mi casa
Si tenemos en cuenta 3.2 HSP diarias, al año se tendrían alrededor de 1168 HSP aprovechables. Se tiene una demanda anual de energía de 4803 kW.h.
PV system size = (4803 kW.h / 1168 h) / 0.8 = 5.14 kW
Número de modulos fotovoltaícos = 5140 w / 330 w = 16 paneles
Se asumen paneles de 330 w de dimensiones Ancho x Largo: 99 cm x 197 cm y un costo aproximado de 500.000 en mercado libre. Las dimensiones del techo de mi casa son de 11 m de largo y 6 m de ancho, un área suficiente para instalar varias arrays de paneles solares y lograr la configuración deseada para mi instalación. Adicional a los paneles se requeriría un controlador de carga y un inversor para tener una instalación on-grid, lo que podría generar un costo de más o menos 10 millones de pesos.
El anterior ejercicio se realiza para demostrar de que no estamos tan lajos de lograr este objetivo de transición energética en el sector residencial, si se requiere mucho más apoyo del estado y del sector privado para lograrlo.
La transición ya está en marcha
Fig 12. Avances de proyectos de generación eléctrica con energía solar y eólica
Fuente: Presentación Ministerio de Minas y Energía
A partir del año 2019 como se puede evidenciar en gráficas anteriores se empezó la inserción de proyectos de generación de energía eléctrica a partir del aprovechamiento del sol y del viento. En el año 2019 se pasó de tener alrededor de 103 MW instalados a 605 MW aproximadamente y se espera que para el año 2022 sean 2500 MW instalados con energías renovables no convencionales, una potencia similar a la capacidad que tendrá Hidroituango cuando entre en operación. Eso representa alrededor del 12% de la capacidad instalada actual.
Colombia es un país con una riqueza energética grandísima, tiene inmensas cordilleras y ríos que han posibilitado sostener la matriz eléctrica a partir del agua y en el departamento de La Guajira la radiación solar es aproximadamente 60% mayor al promedio mundial y la velocidad del viento es el doble de la velocidad promedio mundial que es 9 m/s a una altura de 80 metros. ¡La Guajira es un tesoro energético! Y hoy se están gestando grandes proyectos eólicos allí. Esperamos que las condiciones de desarrollo social mejoren, es un territorio con uno de los índices de desarrollo humano (IDH) más bajos del país, aún cuando tener una de las minas de carbón a cielo abierto más grandes del mundo supondría generar mejores índices de desarrollo social y económico.
Complementariedad entre los recursos hídrico-solar: Caso Montería
A propósito del proyecto solar que se tiene en el departamento de Córdoba, en las siguientes gráficas se mostrará el comportamiento de la radiación solar directa anual en la ciudad de Montería y del promedio mensual multianual del río Sinú. Como se puede observar, este río históricamente se ha comportado con un periodo húmedo entre los meses de abril a noviembre y con un periodo seco que va desde diciembre hasta inicios de abril. En los periodos húmedos hay más agua disponible y por ende hay mayor disponibilidad para generar energía eléctrica, en los periodos secos esta deficiencia de agua suele compensarse con mayor participación de plantas térmicas en el SIN. Se puede ver que durante el periodo seco del río aumentan los niveles de radiación solar y por ende la oportunidad de generar mayor cantidad de energía eléctrica aprovechando esta radiación. Si bien es algo que puede ser “lógico”, analizar esas complementariedades entre los recursos es bastante importante en términos de mejorar la planeación y optimizar el aprovechamiento de estos recursos.
Cordoba <- read.xlsx("Córdoba.xlsx", sheetIndex = 2, encoding="UTF-8", as.data.frame = TRUE)
Cordoba <- Cordoba %>% select(MONTH, DNR, PMM) %>% na.omit() %>% mutate(DNR = as.numeric(DNR))
Cordoba$PMM = round(Cordoba$PMM,2)
Cordoba$MONTH <- parse_date_time(Cordoba$MONTH, "m")
Cordoba <- Cordoba %>% mutate(MONTH = as.Date(MONTH), meanDNR = mean(DNR), meanPMM = mean(PMM))
g <- ggplot(data = Cordoba) + geom_line(aes( x = MONTH, y = DNR, group = 1), col = "steelblue") + geom_line(aes(x = MONTH, y = meanDNR, group = 1), col = "red") + scale_x_date(date_labels = "%b") + geom_label(aes(x = MONTH, y = DNR, label = DNR, group = 1), col = "steelblue", vjust = 1) + labs(title = " Radiación Solar Anual - Montería kW-hr/m^2/day") + labs(x = "Periodo", y = "Radiación Normal Directa") ; g
g1 <- ggplot(data = Cordoba) + geom_line(aes( x = MONTH, y = PMM, group = 1), col = "green") + geom_line(aes(x = MONTH, y = meanPMM, group = 1), col = "red") + scale_x_date(date_labels = "%b") + geom_label(aes(x = MONTH, y = PMM, label = PMM, group = 1), col = "green", vjust = 1) + labs(title = "Promedio Mensual Multianual-Caudal Río-Sinú m^3/s") + labs(x = "Periodo", y = " Caudal Río-Sinú"); g1
Plan Energético Nacional 2020-2050
El plan energético nacional es una apuesta encaminada a garantizar la satisfacción de los requerimientos energéticos del país, en el marco de una transformación energética mundial con mayor equilibrio ambiental. Procurando el crecimiento económico de los países, el desarrollo tecnológico, comprometidos en la mitigación de los efectos del cambio climático.
La transformación energética trae consigo replantear la forma en la cual generamos la energía que utilizamos en nuestra vida diaria, mucha de ella proveniente de energéticos como el petróleo y el carbón. Esto implica generar las condiciones económicas, políticas, sociales, jurídicas, para poder promover la inserción de energías renovables de manera masiva, algo que es costoso y requiere generar unas condiciones óptimas desde el sector público y privado.
“Asistimos a la creciente electrificación de la economía mundial y con ella una mayor descentralización y digitalización, no solo para proveer soluciones en el plano estrictamente energético, sino también servir como instrumentos de desarrollo para alcanzar metas insertas en la política global de desarrollo. Además, por las interacciones del sistema energético con la economía, la sociedad, el ambiente y la política macroeconómica, es indispensable que los objetivos de la política energética de largo plazo tengan un carácter sistémico y un enfoque multi-objetivo.”
Escenarios futuros de energía - UPME
Para los análisis de escenarios futuros y con base en la tendencia y la dinámica que se ha establecido desde los pactos internacionales y proyecciones nacionales, la UPME hace uso principalmente de 2 escenarios para este análisis: escenario 266 y Escenario de Nuevas Apuestas.
Escenario 266: En este escenario el gobierno se compromete con las metas ambientales y de sostenibilidad planteadas en la COP21 y así reducir las emisiones de GEI en un 20% a 2030. Lograr esta meta permitiría cumplir con la nueva normatividad sobre calidad del aire y alinear a las regiones en el propósito de reducir las emisiones de CO2 a cero para el año 2050, como lo refirió el actual presidente en la entrevista de la revista Portafolio La transición energética: Hoja de ruta de Minminas
Escenario Nuevas Apuestas: Este escenario se da bajo el enfoque del “266” pero con un mayor involucramiento del gobierno nacional en coordinación con todos los gobiernos regionales y locales y de la inversión privada. Sería un paso muy importante en políticas de protección ambiental y de la salud pública puesto que es un escenario que contempla la reducción de las emisiones de GEI y contaminantes atmosféricos hasta en un 30% para el año 2030. Esto permitiría cumplir con las metas planteadas por el Acuerdo de París y se alcanzarían estandares de la guía de calidad del aire de la OMS.
Bajo cualquiera de los 2 escenarios se puede observar que Colombia ha estado avanzando en los temas de transición energética y la electrificación de los diferentes procesos es cada vez más usual y más urgente. Una de las apuestas más urgentes es la electrificación del campo y la posibilidad de generar soluciones a partir de las microredes y la generación distribuida. Eso implica esfuerzos desde todos los actores sociales y también genera retos académicos inmensos, se requiere que la academia en especial la pública genere conocimiento que nos lleve a lograr estas metas, maximizando el bienestar social y minimizando los costos financieros y efectos ambientales de la generación energética para la actividad humana. Es muy importante formar a nuestros jóvenes en las disciplinas asociadas a estos retos, pues la ingeniería eléctrica, en sistemas y computación, en electrónica, en análisis de datos, en desarrollo de software, en sistemas de información geográfica, en energías renovables, en ciencias ambientales, el trabajo social y comunitario, entre otras disciplinas, serán de gran necesidad para avanzar y consolidar un futuro energético sostenible y que mitigue los efectos sobre acelerados del cambio climático.
Sector transporte y la transición energética
Uno de las mayores hazañas de la transición energética será superar los retos que impone el sector transporte, un sector bastante amplio y que siempre está en movimiento, exigiendo grandes cantidades de energía y mecanismos cada vez más eficientes. Según el BECO-2019 de la UPME el sector transporte es el que mayor cantidad de energía consumió con aproximadamente 43% del total.
El siguiente gráfico muestra la cantidad de energía primaria y secundaria utilizada en cada uno de los sectores del transporte en Colombia. Se observa claramente que el subsector del transporte que más requiere energía es el Carretero con aproximadamente un 80% del total.
Consumo1 <- read.xlsx("BECO_19.xlsx", sheetIndex = 3, encoding="UTF-8", as.data.frame = TRUE, header=TRUE)
Consumo <- gather(data = Consumo1, key = "Nivel", value = "Num", E.Primario:E.Secundario)
g <- ggplot() + geom_col(data = Consumo, aes(x = Nivel, y = Num, fill = Transporte))+theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))+labs(title = "Consumo de energía por sector y nivel del energético") + labs(x = "Categoría energético", y = "Consumo Gw.h/año") ; fig <- ggplotly(g); fig
Fig 13. Desagregación subsectorial-Consumo del transporte
Según el BECO-2019 entre los subsectores el que más consume es el de “Pasajeros Privado Interurbano”, seguido por el de “Pasajeros Privado Urbano” y en tercer lugar “Carga Interurbana”. Se trata de cambiar una gran parte o todo lo que está establecido en términos del transporte: carros particulares, motos, camiones de carga urbana (turbos), tractomulas, etc. El reto no es menor, para poder llegar a este escenario se requiere tener la capacidad eléctrica instalada para atender la energía que estas flotas requieren, garantizando sostenibilidad, estabilidad, seguridad y confiabilidad en el sistema, de ahí la importancia de que la academia pueda nutrir con investigación y desarrollo constante esta área indispensable y mitigar los efectos del cambio climático.
Consumo2 <- Consumo1 %>% select(-E.Primario, -E.Secundario) %>% mutate( Transporte = factor(Transporte), Porc = prop.table(Total)*100, Prop = round(Porc, 2), ymax = cumsum(Prop), ymin = c(0, head(ymax, n=-1)), labelPosition = (ymax + ymin) / 2, label = paste0(Transporte, "\n Prop: ", Prop, "%"))
g <- ggplot(Consumo2, aes(ymax=ymax, ymin=ymin, xmax=4, xmin=3, fill=Transporte))+
geom_rect() +
geom_label( x=3.5, aes(y=labelPosition, label=label), size=3) +
scale_fill_brewer(palette= "Spectral") + scale_color_brewer(palette= "Spectral") +
coord_polar(theta="y") +
xlim(c(-1, 4)) +
theme_void() +
theme(legend.position = "none") ; g
Consumo3 <- read.xlsx("BECO_19.xlsx", sheetIndex = 4, encoding="UTF-8", as.data.frame = TRUE, header=TRUE)
Consumo3 <- Consumo3 %>% na.omit()
g <- ggplot() + geom_col(data = Consumo3, aes(x = Categoria, y = Consumo, fill = Categoria))+geom_label(size = 4)+theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))+labs(title = "Consumo de energía subsector Carretero") + labs(x = "Actividades", y = "Consumo Gw.h/año") ; g
El aporte actual de la energía eléctrica al sector transporte es bastante ínfimo, se tiene hacia el futuro una labor bastante grande para reemplazar la flota actual a base principalmente de Diesel y Gasolina por una a base de Electricidad o Gas Natural. Teniendo en cuenta esta caracterización, el gobierno nacional ha avanzado en el establecimiento de metas a mediano y largo plazo.
Consumo <- read.xlsx("BECO_19.xlsx", sheetIndex = 5, encoding="UTF-8", as.data.frame = TRUE, header=TRUE)
Consumo <- Consumo %>% mutate(Combustible = factor(Combustible), Combustible = fct_reorder(Combustible, Cantidad))
g <- ggplot() + geom_col(data = Consumo, aes(x = Combustible, y = Cantidad, fill = Combustible))+theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))+labs(title = "Consumo de energía en el sector de transporte") + labs(x = "Combustible", y = "Consumo Gw.h/año") ; fig <- ggplotly(g); figSupuestos de proyección del sector transporte - UPME
Se han considerado los siguiente supuestos en los análisis de proyección realizados por la UPME en el PEN 2020-2050, es importante mencionar que estos supuestos se asumen con base en los escenarios previamente planteados y con la evolución de la política energética del país.
* Ley de movilidad eléctrica:
La ley 1964 de 2019 tiene como objetivo generar esquemas de promoción para el uso de vehículos eléctricos y de cero emisiones, contribuyendo a la movilidad sostenible y a las metas de reducción de emisiones de GEI. Se pretende impulsar el transporte eléctrico en el país a través de acciones como las siguientes:
- Eliminar las restricciones vehiculares como el pico y placa para este tipo de vehículos.
- La iniciativa pública de uso de vehículos eléctricos que obliga a la adquisición de mínimo el 30% de vehículos eléctricos que cada año sean comprados o contratados por el gobierno nacional y municipios de categoría 1.
- Programar el reemplazo de flota en sistemas de uso masivo como se muestra en la siguiente tabla:
Fig 14. Porcentaje de penetración de vehículos oficiales
[Fuente: Ley 1964 de 2019] (http://www.suin-juriscol.gov.co/viewDocument.asp?id=30036636)
* Estrategia Nacional de Movilidad Eléctrica:
La ENME tiene como objetivo el fortalecimiento de la movilidad eléctrica en 4 frentes que se relacionan con la ley 1964: - Creación y fortalecimiento del marco regulatorio, político e institucional. - Desarrollar infraestructura de recarga - Generar aproximaciones al mercado - Acciones que incentiven y faciliten la transición hacia tecnologías de cero emisiones.
* Paridad en el costo de vehículos eléctricos frente al costo de vehículos de combustión interna:
De acuerdo a la evolución de las tecnologías como baterías, se prevee que para el año 2024 habrá paridad en el costo de estos vehículos, lo que fomentaría mucho más la adquisición de vehículos eléctricos. Por esta razón hacia el año 2030 bajo el escenario 266 se podría reemplazar hasta un 15% en la flota de vehículos livianos (1.8 millones de vehículos) y hasta un 27% en el escenario de nuevas apuestas (3.3 millones de vehículos).
* Penetración de GNL en transporte de carga:
Con base en los estudios realizados por la UPME para la estructuración de la ruta de inserción de vehículos de carga de cero emisiones y de penetración de gas natural a pequeña escala (UTP 2019), se determinó el GNL como combustible para los vehículos de carga interurbana por sus beneficios ambientales, técnicos y económicos. Con estos supuestos, cada escenario para el año 2050 prevee aproximadamente 37% de los tractocamiones a base de GNL.
* Transición energética en transporte urbano e interurbano de pasajeros:
Las medidas anteriores tendrán efecto en las flotas de transporte de pasajeros urbano e interurbano, allí los retos para las empresas de transporte público son grandísimos y se espera que las debilidades se transformen en oportunidades para poder hacer esta transición. Según el escenario 266 para el año 2050 se espera que aproximadamente un 65% de la flota urbana e interurbana sean a base de electricidad y GNL. En ambos escenarios sigue existiendo el diesel y la gasolina pero con una participación de aproximadamente el 35%.
* Transición energética en transporte de carga urbana:
El mapa de ruta para la transición de vehículos de cero emisiones establece que el transporte de carga urbana puede ser soportado por vehículos eléctricos, lo que implica según las proyecciones que para el año 2050 aproximadamente un 40% de los camiones de la flota serán eléctricos y un 11% a base de GNL.
* Transición energética en transporte de taxis:
El mapa de ruta para la transición a vehículos de cero emisiones establece que para el año 2050 la flota de taxis en las principales ciudades y de vehículos de uso intensivo deberían de ser eléctricos tal como está sucediendo en las principales ciudades del planeta. Según el escenario 266 a 2050 aproximadamente el 70% de la flota de taxis funcionará a base de electricidad y GNL y el 30% con gasolina. En el escenario de nuevas apuestas aproximadamente el 97% funcionaría con electricidad.
* Electrificación motos:
Según el boletín Cifras Runt: Balance 2018 el 57% del parque automotor de Colombia son motos, con un aproximado de 8.313.954 de un total de 14.486.716 vehículos. Cada vez es más usual ver motos eléctricas y a precios más competitivos. Según el escenario 266 para el año 2050 se tendría un 56% de motos eléctricas y un 44% de motos a gasolina y el escenario de nuevas apuestas plantea 64% eléctricas y 36% a gasolina. Se requieren campañas y estrategias de mercado de parte de las empresas de manera que se incentive mucho más el uso de motos eléctricas, a su vez un compromiso estatal, industrial y social también muy grande para poder avanzar hacia el escenario de nuevas apuestas o incluso mejor.
* Sustitución de flota oficial de vehículos:
La UPME establece que en las 279 entidades públicas que tiene el país existen alrededor de 170700 vehículos, de los cuales 71401 tienen potencial de reemplazo.
Retos y oportunidades de la movilidad eléctrica
El sector del transporte actualmente es poco eficiente y muy contaminante, es uno de los mayores generadores de emisiones al ambiente, lo que genera también serios problemas de salud debido al material particulado.
Transformar la malla de transporte, así como la de generación eléctrica, genera grandes retos y oportunidades en toda la cadena productiva, es una oportunidad para que el país se piense a futuro una política energética sostenible y enfocada a garantizar el desarrollo social y económico del país.
La transformación de la malla de transporte impulsaría la modernización de la red eléctrica, permitiendo una alta penetración de energías renovables no convencionales a través de sistemas de generación distribuida y microredes. Esto supone unos nuevos retos y un impulso al desarrollo tecnológico, pues se deben generar las condiciones para que estos sistemas puedan operar de manera segura, confiable y óptima. Esto implica que nos fijemos más en los sistemas de almacenamiento de energía, en la sensorica necesaria para obtener datos de los sistemas en tiempo real, la medición inteligente es otro proceso vital para tomar decisiones acertadas en la operación de las redes.
Retos
se requiere una oferta limpia y confiable de energía eléctrica, por ende mayor participación de las FENCR.
Es necesario promover el desarrollo científico y tecnológico en diferentes áreas para ofrecer mejores soluciones a las necesidades energéticas que hoy tiene el país.
Es necesario conocer el impacto fiscal que tiene toda esta transformación y poder analizar en términos concretos donde se ubican las debilidades y las fortalezas.
La participación de la demanda es baja, hay un nivel de consciencia bajo frente a la situación ambiental y la disposición de la sociedad al cambio sigue estando bastante estática. Hay que avanzar en este pacto social y fijarse más en el mercado minorista a futuro.
Es necesario ir ajustando el marco regulatorio para que cada vez se promueva más la inserción de nuevas tecnologías y la innovación a nivel regional, es necesario que cada región aproveche de la mejor manera las potencialidades energéticas que posea.
Se hace necesaria la diversifiación de nuestra economía. Con el paso del tiempo los aportes de regalías e impuestos de los proyectos minero energéticos se irán reduciendo.
Oportunidades
La matriz energética tiende a ser cada vez más eléctrica y con ello se despiertan inmensas oportunidades para todo el sector.
Es la oportunidad para que se creen pequeñas empresas de servicios eléctricos enfocadas en la transición energética, estas empresas tienen un gran mercado emergente por delante.
El desarrollo de la movilidad eléctrica y de la inserción de energías renovables para responder a esta demanda permitirá pensar en modelos de ciudades inteligentes y sostenibles.
El desarrollo de estas nuevas tecnologías generará empleo y nuevos nichos de mercado, es muy importante formar académicamente en estos temas.
Es un momento importante para fortalecer la política alrededor del uso y aseguramiento del agua para las futuras generaciones.
Aumentará la competitividad del país y los procesos energéticos serán más eficientes, reduciendo pérdidas de energía y mejorando la conectividad a través del transporte multimodal.
Rol del gas en la transición energética
En los últimos años se ha generado una reducción sostenida de la producción de Gas Natural en Colombia. Según la Misión de transformación energética para el año 2021 la demanda será mayor a la oferta, por esta razón Colombia necesitará importar gas para poder atender la demanda de gas domiciliario. Se hace necesario que el país pueda buscar los consensos sociales y políticos para asegurar una buena oferta de gas a mediano y largo plazo, como se pudo ver en análisis anteriores el gas natural se considera un energético de transición entre los recursos térmicos (carbono) y renovables. Para garantizar la confiabilidad y la estabilidad en el sistema eléctrico se requiere del gas natural, es un recurso fundamental para el funcionamiento del parque generador térmico, en especial bajo las metas de reducción de emisiones de GEI al ambiente y en los periodos de baja hidrología.
Después de las fuentes de energía renovable no convencionales, el gas natural presenta la mayor tasa de crecimiento entre los energéticos destinados a la generación de energía eléctrica. Si bien generar energía eléctrica con gas natural puede llegar a ser hasta 15 veces más costoso que generar con carbón, es la clave para impulsar una transición energética hacia una malla libre de carbono, permitiendo alivianar los problemas ambientales, sociales y de salud pública que se generan por la contaminación del petróleo y el carbón.
Según el ministerio de minas y energía: Las reservas probadas de petróleo pasaron de 1.958 millones de barriles reportados en 2018 a 2.036 millones de barriles en 2019. Su vida media útil aumentó de 6,2 años a 6,3 años. En gas, las reservas probadas pasaron de 3.782 giga pies cúbicos en 2018 a 3.149 giga pies cúbicos en 2019, y su vida útil media se redujo de 9,8 años a 8,1 años. El informe preliminar de recursos y reservas de hidrocarburos de Colombia tuvo en cuenta la información de 456 campos que fue entregada por 64 compañías, cuatro más que las registradas en 2018.
De ahí la urgente necesidad de buscar consensos y soluciones a esta problemática, el gas es un energético fundamental para la transición, pero Colombia tiene muy pocas reservas de Gas Natural. Esa es una de las razones por las cuales el gobierno nacional insiste en los pilotos de “Fracking”, una práctica que tiene demasiados antagonistas a nivel social y ambiental y que aparentemente podría solucionar una parte del problema de reservas de petróleo y gas.
Análisis de variación de Temperatura para el departamento de Risaralda con el escenario RCP 4,5
Anteriormente se analizó como se comportaría la variación de temperatura del departamento de Risaralda para el año 2050 bajo un escenario de RCP 8.5, o sea, continuar como vamos (modelo BAU) y no tomar acciones significativas frente al cambio climático. En este segmento, se analizan los cambios en la temperatura para el mismo periodo de tiempo bajo el RCP 4.5, el cual proyecta que las emisiones de GEI alcanzarán su punto máximo para el año 2040 y luego tenderán a estabilizarse y/o disminuir. Es importante este análisis porque nos permite observar aproximaciones de la respuesta climática a las transformaciones energéticas que se están gestando y que se tienen proyectadas en el mediano y largo plazo. Fuente
Fig 15. Variación de Temperatura departamento de Risaralda - RCP 4.5
Se puede observar que, con medidas de transición energética, bajo el escenario de estabilización RCP 4.5 habría una reducción entre 0.6 a 0.8 °c con respecto al RCP 8.5. Sin embargo, es importante anotar que aún bajo este escenario para el año 2050 habría un aumento de temperatura superior a los 1.5 °c que se propone el acuerdo de parís, una situación que no es la mejor para la región y para el mundo por los cambios ambientales que ello implica. De ahí la necesidad de que las medidas en transición energética sean lo más rigurosas y que haya una apuesta nacional, continental y mundial para marchar hacia un planeta libre de emisiones de GEI a la mayor brevedad posible, un escenario algo hipotético, pero totalmente necesario.
Análisis de regresión lineal múltiple para las emisiones de CO2
En esta sección se realiza un ejercicio experimental para tratar de establecer un modelo de regresión lineal múltiple con la capacidad de predecir las emisiones de CO2 a partir de otras variables de interés como lo son la población, el PIB anual, la generación de energía eléctrica, las emisiones debidas al petróleo. Esto se hace con la intención de poder entender la dinámica con la cual evolucionan las emisiones totales de CO2.
# Se cargan los datos en formato dataframe de una base de datos construida con las siguientes variables: Año, Emisiones anuales de CO2, Emisiones anuales de CO2 debidas al petróleo, PIB anual en Millones de euros, Generación anual de Energía Eléctrica, Población.
Colombia <- read.xlsx("Emisiones.xlsx", sheetIndex = 1, encoding="UTF-8", as.data.frame = TRUE)
# Los supuestos que se usarán para examinar la calidad del modelo de regresión son los siguientes:
# 1. Linealidad
# 2. Normalidad de Residuos
# 3. Homocedasticidad
# 4. Ausencia de Multicolinealidad
# 5. Ausencia de valores influyentes
## Análisis de Linealidad entre las variables elegidas
Colombia <- Colombia %>% na.omit()
Corr <- ggpairs(Colombia, columns = 1:6, title = "Correlograma entre: Emisiones de CO2, PIB, Generación Enérgía, Población, Tiempo")
Corre <- Corr + theme(axis.text.x = element_text(angle = 90, hjust = 1))
Corre
En la gráfica anterior observamos una matriz de correlaciones que a su vez nos muestra la distribución de cada variable y su relación con las demás. Todas las variables presentan un alto nivel de correlación pero no todas muestran una fiel distribución lineal entre pares.
Colombia_PCA <- read.xlsx("Colombia_PCA.xlsx", sheetIndex = 1, encoding="UTF-8", as.data.frame = TRUE)
Colombia_PCA <- Colombia_PCA %>% na.omit()Análisis de Regresión
#
training <- Colombia_PCA[1:13, ]
test <- Colombia_PCA[14:19, ]
#modelo <- lm(CO2_Totales._Kts ~ ., data = training)
#summary(modelo)Análisis de Regresión Múltiple
modelo1 <- lm(CO2_Totales._Kts ~ CO2_Petroleo_Kts + PIB_anual_M.euros + Año + Gen_GW.año + Población, data = training)
summary(modelo1)##
## Call:
## lm(formula = CO2_Totales._Kts ~ CO2_Petroleo_Kts + PIB_anual_M.euros +
## Año + Gen_GW.año + Población, data = training)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2393.6 -1403.4 289.2 1084.7 3375.2
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.138e+07 6.062e+07 1.507 0.175
## CO2_Petroleo_Kts 1.022e-01 3.008e-01 0.340 0.744
## PIB_anual_M.euros 1.161e-02 3.706e-02 0.313 0.763
## Año -4.755e+04 3.149e+04 -1.510 0.175
## Gen_GW.año -1.382e-01 9.100e-01 -0.152 0.884
## Población 9.353e-02 5.898e-02 1.586 0.157
##
## Residual standard error: 2185 on 7 degrees of freedom
## Multiple R-squared: 0.9722, Adjusted R-squared: 0.9523
## F-statistic: 48.93 on 5 and 7 DF, p-value: 2.696e-05confint(modelo1, 1:6, 0.95)## 2.5 % 97.5 %
## (Intercept) -5.196940e+07 2.347294e+08
## CO2_Petroleo_Kts -6.090674e-01 8.134684e-01
## PIB_anual_M.euros -7.601766e-02 9.923497e-02
## Año -1.220088e+05 2.691667e+04
## Gen_GW.año -2.289980e+00 2.013670e+00
## Población -4.594649e-02 2.329998e-01AIC <- stepAIC(modelo1, trace=TRUE, direction="backward")## Start: AIC=203.88
## CO2_Totales._Kts ~ CO2_Petroleo_Kts + PIB_anual_M.euros + Año +
## Gen_GW.año + Población
##
## Df Sum of Sq RSS AIC
## - Gen_GW.año 1 110043 33530758 201.92
## - PIB_anual_M.euros 1 468529 33889245 202.06
## - CO2_Petroleo_Kts 1 551165 33971880 202.09
## <none> 33420715 203.88
## - Año 1 10884115 44304831 205.54
## - Población 1 12004155 45424870 205.87
##
## Step: AIC=201.92
## CO2_Totales._Kts ~ CO2_Petroleo_Kts + PIB_anual_M.euros + Año +
## Población
##
## Df Sum of Sq RSS AIC
## - PIB_anual_M.euros 1 400235 33930993 200.07
## - CO2_Petroleo_Kts 1 654734 34185492 200.17
## <none> 33530758 201.92
## - Año 1 10829171 44359930 203.56
## - Población 1 12059626 45590384 203.91
##
## Step: AIC=200.07
## CO2_Totales._Kts ~ CO2_Petroleo_Kts + Año + Población
##
## Df Sum of Sq RSS AIC
## - CO2_Petroleo_Kts 1 2284596 36215589 198.92
## <none> 33930993 200.07
## - Año 1 18102466 52033459 203.63
## - Población 1 20184630 54115623 204.14
##
## Step: AIC=198.92
## CO2_Totales._Kts ~ Año + Población
##
## Df Sum of Sq RSS AIC
## <none> 36215589 198.92
## - Año 1 20531088 56746677 202.76
## - Población 1 23047607 59263196 203.32# Análisis de los supuestos:
# 1. Linealidad:
plot(modelo1, 1)
# De la gráfica 1 se puede observar que hay un problema de linealidad en el modelo ya que la línea roja no se distribuye totalmente sobre la línea punteada.
#Analizamos correlación lineal entre las variables independientes y la dependiente:
cor.test(training$CO2_Totales._Kts, training$Año)##
## Pearson's product-moment correlation
##
## data: training$CO2_Totales._Kts and training$Año
## t = 14.561, df = 11, p-value = 1.558e-08
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.9163011 0.9927053
## sample estimates:
## cor
## 0.9750264cor.test(training$CO2_Totales._Kts, training$CO2_Petroleo_Kts)##
## Pearson's product-moment correlation
##
## data: training$CO2_Totales._Kts and training$CO2_Petroleo_Kts
## t = 5.6909, df = 11, p-value = 0.0001401
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.5973640 0.9586224
## sample estimates:
## cor
## 0.86398cor.test(training$CO2_Totales._Kts, training$PIB_anual_M.euros)##
## Pearson's product-moment correlation
##
## data: training$CO2_Totales._Kts and training$PIB_anual_M.euros
## t = 5.4955, df = 11, p-value = 0.0001875
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.5776934 0.9561161
## sample estimates:
## cor
## 0.8561619cor.test(training$CO2_Totales._Kts, training$Gen_GW.año)##
## Pearson's product-moment correlation
##
## data: training$CO2_Totales._Kts and training$Gen_GW.año
## t = 12.758, df = 11, p-value = 6.184e-08
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.8930972 0.9905789
## sample estimates:
## cor
## 0.9678296cor.test(training$CO2_Totales._Kts, training$Población)##
## Pearson's product-moment correlation
##
## data: training$CO2_Totales._Kts and training$Población
## t = 14.897, df = 11, p-value = 1.226e-08
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.9197963 0.9930216
## sample estimates:
## cor
## 0.9760998# De los análisis de correlación lineal de Pearson puede verse que todas las variables cumplen con correlación lineal, sin embargo las que más aportan información son la generación de energía eléctrica, la población y el tiempo.
# 2. Normalidad de los residuos:
plot(modelo1, 2)
# De la gráfica 2 se puede observar que aunque la muestra de análisis es pequeña los datos tienden a ajustarse de manera "normal" a lo largo de la línea proyectada, lo que podría indicarnos que se cumple el supuesto de Normalidad de los residuos. Para verificar esta hipótesis se aplicará un test de normalidad de Shapiro.
shapiro.test(modelo1$residuals)##
## Shapiro-Wilk normality test
##
## data: modelo1$residuals
## W = 0.9639, p-value = 0.8125# Hipótesis nula: Existe distribución normal
# Hipótesis alterna: No existe distribución normal
# Como el p-value del test de Shapiro es mayor a 0.05 podemos inferir que los residuos cuenta con una distribución normal.
# 3. Homocedasticidad o homogeneidad de varianzas:
plot(modelo1, 3)
# De la gráfica anterior se puede concluir que estamos ante un modelo heterocedastico ya que la línea roja no es horizontal y expresa un patrón claro, lo que le quita estabilidad y acuciocidad al modelo. Para corroborar lo anterior, implementaremos el test de Breusch Pagan.
ncvTest(modelo1)## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 3.915833, Df = 1, p = 0.047833# Hipótesis nula: Existe homocedasticidad
# Hipótesis alterna: No existe homocedasticidad
# Como nos indica el p-value del test < 0.05, podemos rechazar la hipótesis nula y afirmar que nuestro modelo es heterocedastico.
# 4. Ausencia de multicolinealidad:
# La multicolinealidad se da cuando hay una fuerte correlación entre las variables independientes del modelo (las X's), de la matriz de correlación podríamos inferir que existe un fuerte problema de multicolinealidad en el modelo. Sin embargo, se implementará el test estadístico de VIF (factor de inflación de varianza), si VIF > 5, hay multicolinealidad.
# Test VIF
VIF(modelo1)## CO2_Petroleo_Kts PIB_anual_M.euros Año Gen_GW.año
## 6.11137 14.47138 37801.35238 66.37755
## Población
## 37845.61476# El test VIF nos muestra un escenario de multicolinealidad bastante malo, nos indica que todas las variables analizadas generan multicolinealidad. Cuando este fenómeno sucede, puede generar que los resultados generados por el modelo sean engañosos.
# 5. Identificación de valores influyentes:
# Es importante analizarlos porque tienen impacto en el modelo construido afectando los coeficientes de la ecuación.Para detectarlos recurrimos a medidas de influencia como la Distancia de Cook.
# Distancia de Cook >= 1 indica que un valor es influyente
plot(modelo1, 4)
# Se puede observar que tenemos un valor influyente en el modelo. Para corroborar la información brindada por el gráfico anterior observaremos la siguiente gráfica.
plot(modelo1, 5)
training$Cook <- cooks.distance(modelo1)
which(training$Cook > 1)## [1] 1Según el p-value y el Adjusted R-squared el modelo es válido. Sin embargo viendo los p-values de cada una de las variables puede pensarse que las variables no están aportando significativamente al modelo. Después de hacer el análisis de los 5 supuestos que se analizaron se puede establecer que el modelo planteado no cumple con 4 de estos supuestos: El modelo es heterocedastico, posee multicolinealidad, también posee valores influyentes y tiene problemas de linealidad.
Análisis de Regresión Múltiple eliminando variables: CO2_Petróleo, PIB_anual
modelo2 <- lm(CO2_Totales._Kts ~ Año + Gen_GW.año + Población, data = training)
summary(modelo2)##
## Call:
## lm(formula = CO2_Totales._Kts ~ Año + Gen_GW.año + Población,
## data = training)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2552.0 -1057.2 -406.5 1467.1 3050.8
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.108e+07 3.586e+07 2.261 0.0501 .
## Año -4.220e+04 1.863e+04 -2.265 0.0498 *
## Gen_GW.año -1.213e-01 8.174e-01 -0.148 0.8853
## Población 8.402e-02 3.502e-02 2.400 0.0399 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2004 on 9 degrees of freedom
## Multiple R-squared: 0.9699, Adjusted R-squared: 0.9599
## F-statistic: 96.77 on 3 and 9 DF, p-value: 3.621e-07confint(modelo2, 1:4, 0.95)## 2.5 % 97.5 %
## (Intercept) -4.443437e+04 1.622029e+08
## Año -8.435220e+04 -5.429509e+01
## Gen_GW.año -1.970365e+00 1.727708e+00
## Población 4.810805e-03 1.632333e-01AIC <- stepAIC(modelo2, trace=TRUE, direction="backward")## Start: AIC=200.89
## CO2_Totales._Kts ~ Año + Gen_GW.año + Población
##
## Df Sum of Sq RSS AIC
## - Gen_GW.año 1 88445 36215589 198.92
## <none> 36127145 200.89
## - Año 1 20594670 56721815 204.75
## - Población 1 23112640 59239785 205.32
##
## Step: AIC=198.92
## CO2_Totales._Kts ~ Año + Población
##
## Df Sum of Sq RSS AIC
## <none> 36215589 198.92
## - Año 1 20531088 56746677 202.76
## - Población 1 23047607 59263196 203.32# Análisis de los supuestos:
# 1. Linealidad:
plot(modelo2, 1)
# De la gráfica 1 se puede observar que hay un problema de linealidad en el modelo ya que la línea roja no se distribuye totalmente sobre la línea punteada.
# 2. Normalidad de los residuos:
plot(modelo2, 2)
# De la gráfica 2 se puede observar que aunque la muestra de análisis es pequeña los datos tienden a ajustarse de manera "normal" a lo largo de la línea proyectada, lo que podría indicarnos que se cumple el supuesto de Normalidad de los residuos. Para verificar esta hipótesis se aplicará un test de normalidad de Shapiro.
shapiro.test(modelo2$residuals)##
## Shapiro-Wilk normality test
##
## data: modelo2$residuals
## W = 0.95286, p-value = 0.6422# Hipótesis nula: Existe distribución normal
# Hipótesis alterna: No existe distribución normal
# Como el p-value del test de Shapiro es mayor a 0.05 podemos inferir que los residuos cuenta con una distribución normal.
# 3. Homocedasticidad o homogeneidad de varianzas:
plot(modelo2, 3)
# De la gráfica anterior se puede concluir que estamos ante un modelo heterocedastico ya que la línea roja no es horizontal y expresa un patrón claro, lo que le quita estabilidad y acuciocidad al modelo. Para corroborar lo anterior, implementaremos el test de Breusch Pagan.
ncvTest(modelo2)## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 3.371111, Df = 1, p = 0.066349# Hipótesis nula: Existe homocedasticidad
# Hipótesis alterna: No existe homocedasticidad
# Aunque el p-value del test es ligeramente mayor a 0.05, hay un patrón claro que nos indica que debemos rechazar la hipótesis nula y afirmar que nuestro modelo es heterocedastico.
# 4. Ausencia de multicolinealidad:
# Test VIF
VIF(modelo2)## Año Gen_GW.año Población
## 15740.12965 63.69474 15864.02177# El test VIF nos muestra un escenario de multicolinealidad bastante malo, nos indica que todas las variables analizadas generan multicolinealidad.
# 5. Identificación de valores influyentes:
# Es importante analizarlos porque tienen impacto en el modelo construido afectando los coeficientes de la ecuación.Para detectarlos recurrimos a medidas de influencia como la Distancia de Cook.
# Distancia de Cook >= 1 indica que un valor es influyente
plot(modelo2, 4)
# Se puede observar que tenemos un valor influyente en el modelo. Para corroborar la información brindada por el gráfico anterior observaremos la siguiente gráfica.
plot(modelo2, 5)
training$Cook <- cooks.distance(modelo2)
which(training$Cook > 1)## [1] 1Ya que ninguno de los modelos anteriores cumple fielmente los supuestos de la regresión lineal múltiple se analizará si debido al alto nivel de correlación entre las variables podemos hacer una reducción de dimensionalidad. Se implementará un Análisis de Componentes Principales-PCA.
PCA
## Análisis de PCA
pca <- PCA(Colombia_PCA, graph = FALSE)
plot(pca, choix = "ind")
plot(pca, choix = "var")
Como muestra el análisis de PCA, todas las variables tienen un alto nivel de correlación y la dimensionalidad de la base de datos construida puede ser explicada por 2 dimensiones. La dimensión principal explica el 91.95% de varianza y la dimensión secundaria expresa el 5.2%.
Conclusiones
El modelo de desarrollo imperante en el planeta ha generado que las emisiones de gases de efecto invernadero aumenten hasta un punto en el cual las consecuencias ya son devastadoras.
Se requieren acciones urgentes a nivel local, regional, nacional y mundial para minimizar los impactos negativos que ha generado la actividad humana en el planeta, afectando el clima y los recursos naturales de manera grave.
Es importante replantear nuestra forma de producir-consumir, se consume de manera sobre exagerada y no hay un tratamiento adecuado de los residuos que se generan, especialmente plásticos.
Se requiere que la gente sea realmente consciente del problema de cambio climático y que desde todos los frentes se tomen acciones que ayuden a descontaminar nuestra habitad.
La transformación energética es inminente en la mayoría de países, pero, ¿a qué velocidad? Se requiere un compromiso inmenso de parte de los gobiernos y la empresa privada para avanzar en este horizonte.
La matriz eléctrica de Colombia es bastante limpia, en su mayoría funciona a base de agua, aunque esto también genera unos impactos negativos sociales y ambientales. Se espera que para el año 2022 haya una participación de alrededor del 12% de energías renovables no convencionales como solar y eólica.
Bajo los escenarios RCP 8.5 y 4.5 la temperatura promedio en el departamento de Risaralda sobrepasará para el año 2050 un aumento 1.5 °C planteado por el acuerdo de París, lo que implica pensar en prepararnos para ese escenario ya que al cambiar las condiciones climáticas cambian las condiciones de vida y de producción agrícola entre otros temas. Queda pendiente hacer el análisis del escenario RCP 2.6 que es el más optimista de los modelos de cambio climático.
El sector residencial en varias regiones del país podría funcionar a base de energía solar como se mostró para la ciudad de Pereira, el sol es democrático, está allí, debemos aprovechar esta radiación que llevamos años perdiendo. Para lograr este objetivo, se pueden implementar modelos de negocio donde las operadoras de red financien las instalaciones de manera gratuita y aprovechen los excedentes de energía para surtir otras áreas, o tener modelos de red on-grid que funcionen durante el día con radiación solar y durante la noche con energía proveniente del SIN. Modelos e ideas hay muchas.
Se concluye que la matriz eléctrica Colombiana se sostiene por la riqueza hídrica del departamento de Antioquia, es necesario que cada región tenga unos mínimos de sostenibilidad energética.
Es necesario actualizar los planes de estudio de los programas de Ingeniería Eléctrica y potencias las habilidades en diseño e implementación de sistemas de generación solar, eólica y otras fuentes como la biomasa. También es necesario potenciar las habilidades en análisis de datos para tomar mejores decisiones en el futuro.
Se intentó hacer un experimento de predicción de las emisiones de CO2 a partir de varias variables que eligió el autor, se encontró que no fue viable establecer este modelo debido a: muy pocos datos para hacer el análisis, problemas de multicolinealidad en las variables elegidas, puede ser mejor descartar la variable temporal ya que no se trata de un análisis de series de tiempo. Se hizo un análisis de componentes principales (PCA) y se encontró que se podría reducir la dimensión del dataset utilizado a 2 variables, esto debido a la alta correlación entre variables.
Por último, considero muy importante impulsar campañas masivas de educación y concientización sobre el problema climático. Según Hofstede, la cultura Colombiana es bastante arraigada a las costumbres, temerosa al cambio y esto implica reforzar programas educativos sobre cómo va a cambiar el transporte y la forma en la cual obtenemos energía y cómo pueden las personas desde su vida cotidiana ayudar a minimizar a reducir la contaminación ambiental, que se da cada vez que arrojamos una colilla de cigarrillo al piso, a la alcantarilla, cada vez que tiramos la basura al río o a la calle.