Por Jacint Enrich (Barcelona School of Economics)
Los costes de generar electricidad varían significativamente entre fuentes y tecnologías. A la vez, el consumo de electricidad fluctúa considerablemente a lo largo del tiempo, generando períodos con picos de demanda. Durante estos períodos, se requiere generar electricidad con tecnologías de altos costes marginales, lo que debería llevar a un aumento en los precios para equilibrar la oferta y la demanda. Sin embargo, en el caso de la electricidad, los consumidores suelen pagar precios fijos que no reflejan estos desajustes, distorsionando el consumo y generando ineficiencias en el mercado.
Como economistas, es posible que la primera solución que nos venga a la mente sea la introducción de precios dinámicos que reflejen los costes de producir electricidad en cada momento del tiempo. De hecho, esta idea se remonta a los años 50, impulsada entre otros por Marcel Boiteux, entonces vicepresidente de EDF y arquitecto del programa nuclear francés. El problema, sin embargo, radica en que los supuestos sobre los cuáles se sustentan las posibles mejoras de eficiencia son difíciles de cumplir en el mercado en cuestión.
Tomemos, por ejemplo, el caso de los precios a tiempo real (RTP, por sus siglas en inglés), donde los precios se fijan a nivel horario un día antes. Para que los consumidores puedan responder a las señales de precios, es necesario que, en primer lugar, dispongan de esta información y, seguidamente, tengan la capacidad de adaptar su consumo. Por lo tanto, es posible que sin la ayuda de una tecnología que permita organizar el consumo (por ejemplo, eligiendo a qué hora poner la lavadora), los consumidores sean incapaces de (o les suponga demasiado esfuerzo) cambiar su comportamiento. De hecho, España es el único país donde se han introducido precios a tiempo real para los consumidores de la tarifa regulada. Sin embargo, un reciente trabajo de Natalia Fabra, Mar Reguant y coautores encuentra que la elasticidad de la demanda a corto plazo ante cambios en los precios horarios no era significativamente diferente de cero.
Ante estos fallos de mercado, es posible que unos precios que varíen por periodos, pero de una manera predeterminada, faciliten a los consumidores planificar mejor el uso de electricidad sin ningún coste para obtener la información en cada momento. En un nuevo estudio, junto con Mar Reguant, Alejandro Mizrahi y Ruoyi Li, analizamos este mecanismo de precios, conocido como time-of-use pricing (TOU en adelante), aprovechando su implementación en el sector residencial español. En junio de 2021, el Gobierno español introdujo una nueva regulación en la que los costes regulados, que incluyen, entre otros, el coste de las redes de transporte y distribución (representando aproximadamente el 50% del total de la factura eléctrica), se cobrarían a tres precios diferentes según la hora del día y el día de la semana. Con la nueva regulación, se define como periodo punta de 10 de la mañana a 2 de la tarde y de 6 a 10 de la noche, mientras que las horas valle cubren de 12 de la noche a 8 de la mañana durante los días laborables. Las horas restantes en días laborables se consideran de llano, mientras que todas las horas en fines de semana y festivos nacionales son de valle. En particular, consumir electricidad en horas valle pasó a ser un 86% más barato, mientras que los precios en horas punta aumentaron un 200%.
En este trabajo evaluamos los efectos de esta política sobre el consumo de electricidad para aquellos consumidores sujetos a la tarifa regulada, que representan un 40% del total del sector residencial español. Para estimar el impacto causal de la política, usamos un modelo de Diferencias-en-Diferencias (DID), comparando patrones de consumo entre España y Portugal. Elegimos Portugal como grupo control por varias razones: en primer lugar, ambos países presentan condiciones climáticas similares, un factor determinante de la demanda de electricidad. Segundo, España y Portugal pertenecen al mismo mercado mayorista de electricidad. Esto atenúa la posibilidad de que nuestros resultados estén afectados por diferencias en las curvas de oferta. Además, dado el grado de granularidad de nuestros datos, complementamos el análisis estándar de DID con un modelo de Machine Learning (ML) que nos permite seleccionar los controles relevantes y la especificación econométrica correcta. La idea es la siguiente: en un primer paso, usamos datos previos a la introducción de la política para estimar un modelo de demanda de electricidad que incluye todos los controles posibles, así como sus interacciones, y utilizamos estos modelos para generar predicciones pre- y post-tratamiento. En un segundo paso, usamos la diferencia entre la predicción y los datos reales (es decir, los errores de predicción) como variable dependiente en el modelo estándar de DID. Intuitivamente, si la política tuvo efectos, estos errores de predicción deberían ser mayores para España después de su introducción. Des de un punto de vista econométrico, se puede entender este modelo como una extensión del DID, donde no solo controlamos por variaciones en el tiempo y entre países, sino que las predicciones del primer paso actúan como otra dimensión para controlar por factores externos.
Nuestros resultados indican una reducción general en el consumo de electricidad. En nuestra especificación preferible combinando DID con ML, los resultados son insignificantes para las horas valle, mientras observamos una disminución del 6.4% y del 9.4% durante las horas llano y punta, respectivamente. Seguidamente, separamos los efectos de la política entre días laborables y fines de semana donde, recordemos, se establecía un único precio valle. Sorprendentemente, encontramos cambios en el comportamiento de las familias durante las horas punta en los fines de semana. Mientras que estos efectos podrían comprometer nuestra identificación de los efectos de la política, no observamos este fenómeno los meses anteriores a su introducción. Por ello, argumentamos que es posible que las familias formaron un hábito durante la semana que aplicaron también durante los fines de semana.
Posteriormente, complementamos nuestro análisis principal con dos extensiones que nos ayudan a entender los mecanismos mediante los cuales la política tuvo efectos. En primer lugar, usamos la exogeneidad de la política como instrumento para estimar la elasticidad de los consumidores ante los cambios de precios. Las elasticidades estimadas oscilan entre el -0.08 i el -0.135, significativamente por encima de los valores encontrados en la literatura, sugiriendo que mecanismos como el TOU pricing pueden lograr una mayor respuesta en la demanda aunque, teoréticamente, otras opciones como los precios a tiempo real puedan parecer más eficientes. En segundo lugar, observando que esta política fue ampliamente divulgada en los medios, vemos cómo la magnitud de los cambios en la demanda es paralela a la evolución de búsquedas en Google sobre el cambio de regulación.
En resumen, este estudio sugiere que mecanismos de precios con bajos costes para obtener información, junto con factores de comportamiento como la creación de hábitos, pueden ser una herramienta eficaz para provocar cambios en los patrones de consumo.
Como nota final, el 14 de septiembre de ese mismo año, el Gobierno aprobó un Real Decreto-Ley con medidas urgentes para mitigar el impacto de la crisis energética, que incluía la eliminación casi total de los costes regulados. Aunque entendemos y apoyamos la decisión en un contexto en el que se buscaba proteger a los consumidores (especialmente a los más vulnerables), esperamos que medidas efectivas del lado de la demanda como la analizada en este artículo sean consideradas de nuevo, ya que éstas constituyen una condición necesaria para que la tan esperada transición energética sea una realidad.
