Demanda de Gasolina 2022

UNIVERSIDAD AUTÓNOMA
“GABRIEL RENE MORENO”

FACULTAD: CIENCIAS ECONOMICAS Y FINANCIERAS
DEMANDA DE GASOLINA EN BOLIVIA
MATERIA : ECONOMETRIA 1
NOMBRE : CAROLINA PEÑARRIETA CONDORI

ESTEFANIA CALLE QUISPE
BRAYAN MONTAÑO MAMANI
DANNY JANETH ORE ARRIETA
GRUPO :Z
DOCENTE : LIC. MARTIN MONTERO

CONTENIDO
DEMANDA DE GASOLINA EN BOLIVIA.............................................................................1
Resumen..................................................................................................................................1
1. INTRODUCCIÓN..............................................................................................................1
2. REVISIÓN DE LA LITERATURA...................................................................................2
3. MODELO ECONOMÉTRICO Y DATOS........................................................................5
Datos...................................................................................................................................5
Matriz de correlaciones....................................................................................................7
Modelo econométrico.........................................................................................................7
4. RESULTADOS...................................................................................................................8
PRUEBAS DE HIPOTESIS...............................................................................................9
MULTICOLINEALIDAD................................................................................................10
HETEROSCEDASTICIDAD...........................................................................................11
AUTO CORRELACIÓN..................................................................................................12
5. CONCLUSIONES Y REFLEXIONES FINALES...........................................................13
BIBLIOGRAFIA..................................................................................................................13
ANEXO.................................................................................................................................14
1
DEMANDA DE GASOLINA EN BOLIVIA
Resumen
En Bolivia, la demanda de gasolina ha ascendido notablemente en los últimos años (1998-
2022). Según el planteamiento del problema: ¿Como se analiza la demanda de Gasolina
mediante un pronóstico econométricamente en Bolivia, para el año 2023?
El comportamiento de la demanda de gasolina en Bolivia tiene una relación directa positiva en
relación al parque automotor y la población. En relación a la significatividad, el Parque
Automotor explica a la demanda y la Población explica a la demanda de gasolina, es decir al 5%
es significativa el Parque Automotor y la Población. Por otro lado, de forma global el modelo es
significativo.
1. INTRODUCCIÓN
Bolivia es un país rico en diversos recursos naturales que no son aprovechados al 100 % por
diferentes limitaciones que tiene la nación, se conoce que los volúmenes de producción de
hidrocarburos líquidos y gas natural en el país ascendieron considerablemente en los últimos
años. Sin embargo, Bolivia produce mayormente Gas Natural, de manera que se está
desarrollando en gran escala la producción, procesamiento y comercialización de este recurso.
Ahora bien, existe una creciente demanda de gasolina que se debe al gran crecimiento del
parque automotor, donde de 96.634 autos en 1998 a pasar a 2.493.753 autos en el año 2022,
representa un crecimiento del 2480,62% del Parque Automotor. Seguido el crecimiento de la
Población de 1998 al 2022 fue de 49,03%, según datos del Registro Único para la
Administración Tributaria Municipal (RUAT) y del Instituto Nacional de Estadística (INE); de
esta cantidad de vehículos, el 80,03% está constituido por vehículos a gasolina
aproximadamente, según datos del (INE). La tradicional forma de obtener la gasolina en el país
2
es por el proceso de destilación del petróleo, pero debido a la calidad del crudo en Bolivia, la
gasolina producida tiene bajos rangos de octanaje, además no abastece al mercado interno.
El presente trabajo tiene por objeto analizar la demanda de Gasolina mediante un pronóstico
econométrico en Bolivia, para el año 2023.
Las variables que influyen a la demanda de gasolina en Bolivia son el Parque Automotor, la
Población y otras que no se tomaron en cuenta en el modelo como por ejemplo el precio por litro
de gasolina, la inflación que no explican significativamente a la demanda de gasolina en Bolivia,
etc.
La principal interrogante del modelo es: ¿Como se analiza la demanda de Gasolina mediante
un pronóstico econométricamente en Bolivia, para el año 2023? El objetivo principal es analizar
la demanda de Gasolina mediante un pronóstico econométrico en Bolivia, para el año 2023.
El tipo de datos que se plantea son de tipo series de tiempo con frecuencia anual 1998 al 2022.
Las fuentes son: El Instituto de Estadística de Bolivia (I.N.E.) y el Registro Único para la
Administración Tributaria Municipal (R.U.A.T.) de Bolivia.
Las fuentes son: El Instituto de Estadística de Bolivia (I.N.E.) y el Registro Único para la
Administración Tributaria Municipal (R.U.A.T.) de Bolivia.
2. REVISIÓN DE LA LITERATURA
El análisis de la demanda de gasolina es relevante dado que, después del gas natural, es el
combustible que mayor crecimiento ha observado en las últimas décadas en Bolivia.
Adicionalmente, un mayor consumo de gasolina genera impactos significativos ambientales, en
particular emisiones de gases de efecto invernadero (GEI). Entre los factores más importantes
que tradicionalmente explican el incremento en la demanda de gasolina, en la última década, sin

3
duda se encuentran los precios y el ingreso de las familias. Sin embargo, el acelerado
crecimiento de la flota vehicular en nuestro país también ha jugado un papel determinante.
Revisando la literatura de trabajos anteriores en sus conclusiones sobre la demanda de
gasolina:
Según Sánchez A et al. (2015) , los resultados muestran que el gasto en gasolina es
heterogéneo y que el ingreso es una variable significativa para los deciles de más bajos ingresos.
El precio de la gasolina resultó ser una variable significativa para todos los deciles; sin embargo,
los sectores que más consumen son inelásticos al precio del combustible. Estos resultados
sugieren que una política de aumento sostenido en el precio de la gasolina impactará más a los
hogares de bajos ingresos que cuentan con vehículo y no representará una reducción importante
en el consumo de gasolina. Seguido, según Carbonell F. et al, “Revista de Economía del
Rosario”, Se modela el consumo de gasolina como una función del ingreso y el precio relativo.
Utilizando el enfoque de cointegración se encuentra una relación estable y de largo plazo entre
las variables, que indica que la respuesta de la demanda es mayor ante cambios en el ingreso que
frente a cambios en el precio, por lo que las políticas públicas basadas solo en precios no son
suficientes para disminuir el consumo de gasolina en esta zona metropolitana, sino que estas
deben complementarse con medidas de regulación.
Según, Ibarra L. et al, “La demanda de gasolina en México”, en la hipótesis que
fundamentalmente se prueba en el artículo es que la demanda de gasolina en la región fronteriza
del norte de México es más sensible a cambios en el precio en comparación con la demanda en la
región no fronteriza. Este resultado puede justificar la política diferencial de precios que ha
aplicado el gobierno federal en la frontera norte desde 2002.

4
Según, Moran F. et al, en la “Estimación de las elasticidades de la demanda de gasolina en el
Ecuador: Un análisis empírico”. Se concluye que todas las hipótesis propuestas para la gasolina
fueron corroboradas por los resultados. La elasticidad precio de la demanda revela, en todos los
casos, que el bien s insensible a los cambios en los precios. Adicionalmente, la elasticidad
ingreso es también en todos los casos negativa, lo cual indica que el bien es un bien inferior, es
decir, a medida que se incrementan, los ingresos reales, la cantidad consumida de gasolina extra
disminuye.
Según, Reyes O. et al, en la “La demanda de gasolinas en México: Efectos y alternativas ante
el cambio climático”. concluye, el autotransporte es de los sectores más contaminantes en
México, generando alrededor de 17% del total de emisiones de CO2. El consumo de gasolina y
Diesel son la principal fuente de estas emisiones. Este artículo analiza empíricamente la demanda
de gasolinas del sector automotor en México durante el periodo 1960-2008. Las estimaciones de
las elasticidades de largo y corto plazos del precio e ingreso fueron: -0.285, -0.041, 1.004 y
0.721, lo que implica que la demanda de gasolinas es sensible a la trayectoria del ingreso e
inelástica a los precios. Por tanto, un crecimiento económico continuo, sin una adecuada política
de precios, generará un aumento en el consumo de gasolinas. Esta situación puede ser más grave
al considerar los efectos del cambio climático suponiendo una demanda relativamente constante.
Bajo estas circunstancias es necesario implantar diversas políticas públicas simultáneamente para
frenar las consecuencias del consumo de gasolinas sobre el cambio climático.

5
3. MODELO ECONOMÉTRICO Y DATOS
Datos
Tabla:
Tabla No 1
BOLIVIA: Demanda de gasolina, 1998-2022
(Expresada en porcentajes)
AÑOS lnY lnX2 lnX3
1998 15,23 11,48 15,90
1999 15,21 12,53 15,92
2000 15,11 12,87 15,95
2001 15,06 12,92 15,97
2002 15,03 12,95 15,98
2003 15,03 13,00 16,00
2004 15,07 13,11 16,02
2005 15,05 13,19 16,04
2006 15,14 13,31 16,06
2007 14,96 13,46 16,07
2008 13,99 13,64 16,09
2009 15,57 13,72 16,11
2010 15,67 13,78 16,12
2011 15,76 13,90 16,14
2012 15,83 14,00 16,15
2013 15,91 14,10 16,17
2014 15,99 14,19 16,18
2015 16,07 14,27 16,20
2016 16,16 14,35 16,21
2017 16,22 14,40 16,23
2018 16,27 14,46 16,24
2019 16,30 14,52 16,26
2020 16,11 14,56 16,27
2021 16,37 14,62 16,28
2022 16,44 14,73 16,30
Fuente: I.N.E, R.U.A.T. y Datos macro (Elaboración propia)
6
A continuación, se muestra las gráficas de las series:

Grafica 1
BOLIVIA: Graficas 1998-2022
En la Grafica 1 se observa que existe un comportamiento creciente en las series lnY, lnX2 y
lnX3.
TABLA 2
INDICADORES: Estadísticos de las variables de estudio 1998-2022
(Expresado en porcentajes)
Indicadores lnY lnX2 lnX3
Media 15,58 13,68 16,11
Mediana 15,67 13,78 16,12
Desviación estándar 0,61 0,79 0,12
Curtosis -0,01 0,75 -1,10
Coeficiente de
-0,52 -0,86 -0,18
asimetría
Mínimo 13,99 11,48 15,90
Máximo 16,44 14,73 16,30
Años 25 25 25
En la TABLA 2 se muestra los indicadores de cada variable desde la media, mediana, moda,
desviación típica, varianza, donde se muestra los momentos estadísticos, donde se puede ver que
7
el lnY tiene una media de -15,58% con una desviación típica de 0,61 %. La distribución presenta
una deformación hacia la izquierda de 0,52 y de forma vertical la distribución presenta una
deformación platicurtica. Por su parte, el logaritmo del Parque automotor tiene una media de
13,68%, con una desviación típica de 0,79%. La distribución presenta una deformación hacia la
izquierda de 0,86 y de forma vertical la distribución presenta una deformación platicurtica.
Por su parte, el logaritmo de la poblacion tiene una media de 16,11%, con una desviación
típica de 0,12%. La distribución presenta una deformación hacia la izquierda de 0,18 y de forma
vertical la distribución presenta una deformación platicurtica.
En conclusión, todas las variables presentan una leve simetría ya que son próximos a cero y
de forma vertical se acercan a una distribución mesocúrtica, ya que son próximos a 3 puntos.
Matriz de correlaciones
TABLA 3
BOLIVIA: Matriz de correlaciones, 2023
(Expresada en proporciones)
LNX2 LNX3
LNX2 1.000000
LNX3 0.969495 1.000000
Las asociaciones entre lnX2 y lnX3 muestran una correlación alta directa de 0,96, es decir hay
indicios de multicolinealidad entre las 2 variables independientes
Modelo econométrico
Y^ t =α 1+ β2 X 2 t ++ β 3 X 3 t + ε t (1)
ln Y^ t =ln α 1+ β2 lnX 2 t + β3 lnX 3 t + β 4 lnY t−1 + β 5 lnY t−2 +ε t (2)
Donde Modelo lineal:
Y = Demanda de Gasolina (Expresada en barriles)
X 2 = Parque Automotor (Expresada en número de vehículos)
X 3 = Población (Expresada en número de personas)

8
Donde Modelo log-log:
Variable dependiente:
lnY = Demanda de Gasolina (Expresada en porcentajes)
Variables independientes:
lnX 2= Parque automotor (Expresada en porcentajes)
lnX 3= Población (Expresada en porcentajes)
Y t −1= Demanda de Gasolina 1 año anterior (Expresada en porcentajes)
Y t −2= Demanda de Gasolina 2 años anteriores (Expresada en porcentajes)
Coeficientes y el componente estocástico:
^β = Intercepto del modelo

1
^β y ^β = Pendientes del modelo

2 3
^β y ^β = Pendientes del modelo rezados en un periodo y dos periodos

4 5
µt = Componente estocástico
4. RESULTADOS
TABLA 4
BOLIVIA: Estimaciones de la demanda de Gasolina, 1998-2022
(Expresado en porcentajes)
Intercepto LNX2 LNX3 LNY(-1) LNY(-2)
Parámetros -16,21 0,34 -1,33 0,30 0,07
Desviaciones típicas 96,56 1,22 7,03 0,23 0,22
P value 0,86 0,78 0,85 0,21 0,75
Prob. LM Breusch-Godfrey (2) 0,48*
Prob.BPG 0,28*
Prob.Harvey 0,04***
FIV <= 3,41
Observations 23
R2 0,74
Adjusted R2 0,68
Residual Std. Error 0,35
F Statistic 12,97***
9
***Significativa al 1%
**Significativa al 5%
*Significativa al 10%
En la TABLA 4 se muestra los resultados del modelo final en, donde se puede ver que en el
cumplimiento de la no violación a los supuestos econométricos, el modelo no presenta el
problema de heteroscedasticidad en el modelo. El modelo no presenta el problema de
Heteroscedasticidad, es decir que no se rechaza la Hipótesis Nula, por ende, las varianzas en el
modelo son constantes en Breusch Pagan Goodfrey y Harvey.
En el supuesto de no Autocorrelación en el modelo, el modelo tampoco presenta el problema,
es decir no existe autocorrelación, porque en las probabilidades de Breusch-Godfrey (2) es 0,48,
donde implica no rechazar la Hipótesis Nula.
Seguido No existe Multicolinealidad alta en el modelo donde en FIV) Factor de Inflación de
la varianza todos los valores rezagados son menores a 10 puntos.
En el analisis de su magnitud del signo,el Parque automotor y la poblacion tienen signo
correcto, , porque si se incrementa un automovil al parque automotor de Bolivia la demanda de
gasaolina tiene que aumentar y tambien si se aumenta una persona a la Poblacion de Bolivia, la
demanda de gasolina tiene que aumentar igual.
PRUEBAS DE HIPOTESIS
Prueba de Parque automotor:
1. Planteamiento formal de la hipótesis
H0 : ^
β2≤ 0
H1 : ^
β 2> 0
2. Nivel de significancia ∝=5 % 0,05
3. Regla de decisión:
0,7853>0,05 No se rechaza la hipótesis nula, concluyendo que estadísticamente no es
significativa.
Prueba para Población:

10
H0 : ^
β3≤ 0
H1 : ^
β 3 >0
0,8525>0,05 No se rechaza la hipótesis nula, concluyendo que estadísticamente no es
significativa.
Prueba F Global:
H 0 :^
β 2=¿ ^
β 3=0
H 1 :^ ^
β2≠ β3≠ 0
0,0000<0,05 Se rechaza la hipótesis nula, concluyendo que estadísticamente es significativa
de forma conjunta.
MULTICOLINEALIDAD
FIV >10 Puntos
TABLA 5
BOLIVIA: Varianzas centradas 1998-2022
(Expresado en puntos)
Coefficient Uncentered Centered
Variable Variance VIF VIF
C 9323.899 1710839. NA

LNX2 1.494204 52525.82 100.9267
LNX3 49.35071 2356496. 99.97741
LNY(-1) 0.052290 2325.893 3.409488
LNY(-2) 0.047855 2114.886 2.890930
El modelo en lnX2 y lnX3 tiene indicios de multicolinealidad alta, pero en un rezago y dos
rezados a la variable dependiente no hay indicios de multicolinealidad alta.
11
HETEROSCEDASTICIDAD
Métodos:
1. Método gráfico
Grafica 2
Grafica de los residuos
Fuente: I.N.E y R.U.A.T. (Elaboración propia).
La Grafica 2 muestra que los puntos observados giran en torno a la media de cero, por lo
tanto, no hay evidencia de heteroscedasticidad en el modelo.
2. Prueba de BPG
Heteroskedasticity Test: Breusch-Pagan-Godfrey

Null hypothesis: Homoskedasticity
F-statistic 1.378068 Prob. F(4,18) 0.2809

Obs*R-squared 5.392174 Prob. Chi-Square(4) 0.2494
Scaled explained SS 20.46515 Prob. Chi-Square(4) 0.0004
1. Planteamiento formal de la hipótesis:

H 0 : σ uj2=σ µi 2
H 1 : σ µj2 ≠ σ µi 2
2. Nivel de significancia ∝ = 5% 0,05
3. Regla de decisión: 0,2809>0,05

12
Se acepta la hipótesis nula, concluyendo que existe igualdad entre las varianzas del error, el
modelo demanda de gasolina es Homoscedastico.
3. Prueba de Harvey
Heteroskedasticity Test: Harvey



H 0 : σ uj2=σ µi 2
H 1 : σ µj2 ≠ σ µi 2
Se acepta la hipótesis nula, concluyendo que existe igualdad entre las varianzas del error, el
modelo demanda de gasolina es Homoscedastico.
AUTO CORRELACIÓN
La autocorrelación es uno de
los problemas que habitualmente
encontramos en modelos
econométricos, junto a la
heteroscedasticidad, y, se puede
definir como la correlación entre
13
miembros de series de
observaciones ordenadas en el
tiempo (información de series de
tiempo)
o en el espacio (información de
corte de transversal). El modelo de
regresión lineal supone que
no debe existir Autocorrelación en
los errores, es decir, el término de
perturbación relacionado
con una observación cualquiera
no debería estar influenciado por
el término de perturbación
relacionado con cualquier otra
observación.
1. Test de Multiplicador de Lagrange LM (Test Breusch-Godfrey):
Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags

14
H 0 : E( µi ; µ j )=0
H 1 : E( µi ; µ j )≠ 0
Se acepta la hipótesis nula, Por lo tanto, no existe el problema de auto correlación en 2do
orden.
5. CONCLUSIONES Y REFLEXIONES FINALES
De acuerdo al análisis de demanda de gasolina para el periodo (1998-2022) en Bolivia, la

demanda de gasolina ha ascendido notablemente en los últimos años. La tradicional forma de
obtener la gasolina en el país es por destilación del petróleo, pero debido a la calidad del crudo
en Bolivia, la gasolina producida tiene bajos rangos de octanaje, además no abastece el mercado
interno y se ve la necesidad de importar, lo cual significa un impacto económico negativo. De
esta manera el presente proyecto tuvo como objetivo principal analizar la demanda de Gasolina
mediante un pronóstico econométricamente en Bolivia, para los años 1998-2022.
El comportamiento de la demanda de gasolina en Bolivia tiene una relación directa positiva en
relación al parque automotor y la población. En relación a la significatividad, el Parque
Automotor no trata de explicar a la demanda y la Población no lo explica, es decir al 5% no es
significativa el Parque Automotor y la Población. Por otro lado, de forma conjunta o global si lo
tratan de explicar a la demanda de Gasolina en Bolivia.
En los supuestos econométricos el modelo no tiene el problema de Heteroscedasticidad,
Autocorrelación y Multicolinealidad.
BIBLIOGRAFIA
Sánchez A et al. (2015) en la “Demanda de gasolina y la heterogeneidad en los ingresos de los

hogares en México”
15
Carbonell F. et al, “Revista de Economía del Rosario”

Ibarra L. et al, “La demanda de gasolina en México”
Moran F. et al, en la “Estimación de las elasticidades de la demanda de gasolina en el
Ecuador: Un análisis empírico”
Reyes O. et al, en la “La demanda de gasolinas en México: Efectos y alternativas ante el
cambio climático”
Instituto Nacional de Estadística de Bolivia (INE)
R.U.A.T. Bolivia
Materia, Econometría, semestre II/2022
Gujarati, Damodar N., y Dawn C. Porter. Econometría. 5a.ed, México: McGraw Hill, 2010.
Johnson, T.M., Alatorre, C., Romo, Z. y Liu, F., 2009. México: estudio sobre la disminución
de emisiones de carbono, Banco Mundial.
Pérez, R.N., Vargas, A.P., Ochoa, I.M. y Medina, C.E.S., 2007.
ANEXO
Modelo lineal
Dependent Variable: LNY

Method: Least Squares
Date: 08/03/23 Time: 17:25
Sample: 1998 2022
Included observations: 25
Variable Coefficient Std. Error t-Statistic Prob.
C -100.9639 36.11480 -2.795638 0.0105

LNX2 -0.566873 0.386904 -1.465149 0.1570
LNX3 7.714046 2.558328 3.015269 0.0064
R-squared 0.669078 Mean dependent var 15.58036

Adjusted R-squared 0.638994 S.D. dependent var 0.613941
S.E. of regression 0.368879 Akaike info criterion 0.955470
Sum squared resid 2.993577 Schwarz criterion 1.101735
Log likelihood -8.943377 Hannan-Quinn criter. 0.996038
F-statistic 22.24043 Durbin-Watson stat 1.228332
Prob(F-statistic) 0.000005
Modelo log-log con 2 rezagos:
Dependent Variable: LNY

Date: 08/03/23 Time: 17:27
16
Sample (adjusted): 2000 2022

Included observations: 23 after adjustments
C -16.21393 96.56034 -0.167915 0.8685

LNX2 0.337972 1.222376 0.276488 0.7853
LNX3 1.326928 7.025006 0.188886 0.8523
LNY(-1) 0.297628 0.228669 1.301564 0.2095
LNY(-2) 0.071989 0.218757 0.329081 0.7459

Supuestos
Heteroscedasticidad
Heteroskedasticity Test: Breusch-Pagan-Godfrey


Test Equation:
Dependent Variable: RESID^2
Date: 08/03/23 Time: 19:02
Sample: 2000 2022
C 105.9209 93.15670 1.137019 0.2704

LNX2 1.572404 1.179289 1.333349 0.1990
LNX3 -7.510050 6.777383 -1.108105 0.2824
LNY(-1) -0.382974 0.220609 -1.735983 0.0997
LNY(-2) -0.029661 0.211046 -0.140545 0.8898

17
Heteroskedasticity Test: Harvey


Test Equation:
Dependent Variable: LRESID2
Date: 08/03/23 Time: 19:03
Sample: 2000 2022
C 1122.769 462.4891 2.427665 0.0259

LNX2 15.59507 5.854742 2.663665 0.0158
LNX3 -80.38011 33.64724 -2.388906 0.0281
LNY(-1) -2.247567 1.095244 -2.052116 0.0550
LNY(-2) -0.755875 1.047766 -0.721416 0.4799
R-squared 0.446248 Mean dependent var -4.917104

Autocorrelación
Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags

Test Equation:
Dependent Variable: RESID
Date: 08/03/23 Time: 19:03
Sample: 2000 2022
Presample missing value lagged residuals set to zero.
C -14.07947 99.81183 -0.141060 0.8896

LNX2 -0.737663 1.490881 -0.494784 0.6275
LNX3 0.807179 7.233551 0.111588 0.9125
18
LNY(-1) 1.006156 1.687350 0.596293 0.5593

LNY(-2) -0.283490 1.108728 -0.255690 0.8014
RESID(-1) -1.088804 1.682506 -0.647132 0.5267
RESID(-2) -0.144142 0.710184 -0.202965 0.8417
R-squared 0.086447 Mean dependent var 2.99E-15

Adjusted R-squared -0.256135 S.D. dependent var 0.320246
Multicolinealidad
Variance Inflation Factors

Date: 08/03/23 Time: 18:17
Sample: 1998 2022
Coefficient Uncentered Centered

Variable Variance VIF VIF
C 9323.899 1710839. NA

LNX2 1.494204 52525.82 100.9267
LNX3 49.35071 2356496. 99.97741
LNY(-1) 0.052290 2325.893 3.409488
LNY(-2) 0.047855 2114.886 2.890930

Demanda de Gasolina 2022

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Demanda de Gasolina 2022

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA

“GABRIEL RENE MORENO”

DEMANDA DE GASOLINA EN BOLIVIA

NOMBRE : CAROLINA PEÑARRIETA CONDORI

DOCENTE : LIC. MARTIN MONTERO

3. MODELO ECONOMÉTRICO Y DATOS........................................................................5

5. CONCLUSIONES Y REFLEXIONES FINALES...........................................................13

DEMANDA DE GASOLINA EN BOLIVIA

En Bolivia, la demanda de gasolina ha ascendido notablemente en los últimos años (1998-

2022). Según el planteamiento del problema: ¿Como se analiza la demanda de Gasolina

mediante un pronóstico econométricamente en Bolivia, para el año 2023?

El comportamiento de la demanda de gasolina en Bolivia tiene una relación directa positiva en

relación al parque automotor y la población. En relación a la significatividad, el Parque

Automotor explica a la demanda y la Población explica a la demanda de gasolina, es decir al 5%

hidrocarburos líquidos y gas natural en el país ascendieron considerablemente en los últimos

desarrollando en gran escala la producción, procesamiento y comercialización de este recurso.

representa un crecimiento del 2480,62% del Parque Automotor. Seguido el crecimiento de la

Administración Tributaria Municipal (RUAT) y del Instituto Nacional de Estadística (INE); de

esta cantidad de vehículos, el 80,03% está constituido por vehículos a gasolina

econométrico en Bolivia, para el año 2023.

de gasolina, la inflación que no explican significativamente a la demanda de gasolina en Bolivia,

un pronóstico econométricamente en Bolivia, para el año 2023? El objetivo principal es analizar

la demanda de Gasolina mediante un pronóstico econométrico en Bolivia, para el año 2023.

Administración Tributaria Municipal (R.U.A.T.) de Bolivia.

Administración Tributaria Municipal (R.U.A.T.) de Bolivia.

combustible que mayor crecimiento ha observado en las últimas décadas en Bolivia.

Adicionalmente, un mayor consumo de gasolina genera impactos significativos ambientales, en

que tradicionalmente explican el incremento en la demanda de gasolina, en la última década, sin

crecimiento de la flota vehicular en nuestro país también ha jugado un papel determinante.

Revisando la literatura de trabajos anteriores en sus conclusiones sobre la demanda de

en el consumo de gasolina. Seguido, según Carbonell F. et al, “Revista de Economía del

deben complementarse con medidas de regulación.

Según, Ibarra L. et al, “La demanda de gasolina en México”, en la hipótesis que

fundamentalmente se prueba en el artículo es que la demanda de gasolina en la región fronteriza

aplicado el gobierno federal en la frontera norte desde 2002.

Según, Moran F. et al, en la “Estimación de las elasticidades de la demanda de gasolina en el

el cambio climático”. concluye, el autotransporte es de los sectores más contaminantes en

frenar las consecuencias del consumo de gasolinas sobre el cambio climático.

3. MODELO ECONOMÉTRICO Y DATOS

A continuación, se muestra las gráficas de las series:

Fuente: I.N.E, R.U.A.T. y Datos macro (Elaboración propia)

indicios de multicolinealidad entre las 2 variables independientes

ln Y^ t =ln α 1+ β2 lnX 2 t + β3 lnX 3 t + β 4 lnY t−1 + β 5 lnY t−2 +ε t (2)

Donde Modelo lineal:

Y = Demanda de Gasolina (Expresada en barriles)

X 2 = Parque Automotor (Expresada en número de vehículos)

X 3 = Población (Expresada en número de personas)

Donde Modelo log-log:

lnY = Demanda de Gasolina (Expresada en porcentajes)

lnX 2= Parque automotor (Expresada en porcentajes)

lnX 3= Población (Expresada en porcentajes)

Y t −1= Demanda de Gasolina 1 año anterior (Expresada en porcentajes)

Y t −2= Demanda de Gasolina 2 años anteriores (Expresada en porcentajes)

Coeficientes y el componente estocástico:

^β = Intercepto del modelo

^β y ^β = Pendientes del modelo

^β y ^β = Pendientes del modelo rezados en un periodo y dos periodos

Prueba de Parque automotor:

1. Planteamiento formal de la hipótesis

0,7853>0,05 No se rechaza la hipótesis nula, concluyendo que estadísticamente no es

Prueba para Población:

1. Planteamiento formal de la hipótesis

0,8525>0,05 No se rechaza la hipótesis nula, concluyendo que estadísticamente no es