Modelado y Predicción del Índice de Intensidad Energética por Provincias del Ecuador Utilizando Redes Neuronales y Análisis de Conglomerados con Algoritmos de Aprendizaje Automático
| Páginas | 234-273 |
| Fecha | 01 Enero 2025 |
| Fecha de publicación | 01 Enero 2025 |
| Autor | Xavier Rodriguez-Cruz,Julio Litardo |
Volumen 35 • Número 1
e-ISSN: 2697-3367
Revista
Cuestiones Económicas
1ORCID: 0000-0002-2931-0702. CRediT: investigación, análisis formal, metodología, redacción – borrador original. Correo
electrónico: lester.rodriguezc@ug.edu.ec.
2ORCID: 0009-0008-3931-8151. CRediT: conceptualización, supervisión, validación, redacción – revisión y edición. Correo
electrónico: julio.litardou@ug.edu.ec.
Copyright © 2025 Rodriguez-Cruz y Litardo. Los autores conservan los derechos de autor del artículo. El artículo se distribuye
bajo la licencia Creative Commons Attribution 4.0 License.
JEL:
C45, C53, Q41, O13
Palabras clave:
Intensidad energética
Redes neuronales
articiales
Aprendizaje automático
K-means
DBSCAN.
Resumen
Mediante un diseño experimental comparativo, se evalúan cuatro
arquitecturas de redes neuronales feedforward, LSTM, feedforward
secuencial y LSTM robusto para predecir el índice de intensidad ener-
gética provincial, utilizando datos de panel de 2018 a 2023 con variables
claves relacionadas con el consumo energético, la actividad económica
y la dinámica demográfica. El modelo feedforward secuencial mostró
mayor precisión predictiva (R2 = 0,724), superando el rendimiento de
los enfoques recurrentes en la capacidad para capturar patrones tempo-
rales, precisión y eficiencia computacional.
Los métodos de agrupamiento permiten caracterizar el comportamiento
de las provincias en términos de intensidad energética, identificando
grupos con patrones de consumo energético similares en relación con
su producción económica. Orellana, Pastaza, Santa Elena y Zamora
Chinchipe destacan por presentar perfiles energéticos diferenciados
o atípicos, resaltando la utilidad de algoritmos como DBSCAN para
detectar dinámicas regionales singulares.
Los resultados permiten identificar asimetrías territoriales en eficiencia
energética, proporcionando una base empírica para el diseño e imple-
mentación de políticas energéticas diferenciadas. Estos conocimientos
son particularmente valiosos en contextos geográficos y socioeconómi-
cos diversos, donde promover el uso sostenible de la energía y reducir
las desigualdades en la distribución y el consumo son objetivos fun-
damentales.
Información
Recibido:
10 de marzo de 2025
Aceptado:
4 de junio de 2025
Modelado y predicción del
índice de intensidad energética
por provincias del Ecuador
utilizando redes neuronales
y análisis de conglomerados
con algoritmos de aprendizaje
automático
Xavier Rodriguez-Cruz1 y Julio Litardo2
Universidad de Guayaquil – Facultad de Ingeniería Industrial
DOI:
https://doi.org/10.47550/
RCE/35.1.8
Guayaquil, Ecuador
Revista
Cuestiones Económicas
Volumen 35 • Número 1
e-ISSN: 2697-3367
1
ORCID: 0000-0002-2931-0702. CRediT: research, formal analysis, methodology, writing – original draft. Email: lester.
rodriguezc@ug.edu.ec.
2ORCID: 0009-0008-3931-8151. CRediT: conceptualization, supervision, validation, writing – review and editing. Email:
julio.litardou@ug.edu.ec.
Copyright © 2025 Rodríguez-Cruz and Litardo. The authors retain copyright of the article. The article is distributed under the
Creative Commons Attribution 4.0 License.
JEL:
C45, C53, Q41, O13
Keywords:
Energy Intensity
Articial Neural
Networks
Machine Learning
K-means
DBSCAN
Abstract
Using a comparative experimental design, four neural network archi-
tectures—feedforward, LSTM, sequential feedforward, and robust
LSTM—are evaluated to predict the provincial energy intensity index,
based on panel data from 2018 to 2023 and key variables related to
energy consumption, economic activity, and demographic dynamics.
The sequential feedforward model demonstrated the highest predictive
accuracy (R2 = 0.724), outperforming recurrent approaches in capturing
temporal patterns, precision, and computational efficiency.
Clustering methods allow for the characterization of provinces’ behavior
in terms of energy intensity, identifying groups with similar energy con-
sumption patterns relative to their economic output. Orellana, Pastaza,
Santa Elena, and Zamora Chinchipe stand out for exhibiting distinct or
atypical energy profiles, highlighting the usefulness of algorithms such
as DBSCAN in detecting unique regional dynamics.
The results help identify regional differences in energy efficiency,
providing an empirical basis for designing and implementing tailored
energy policies. These insights are especially useful in varied geographic
and socio-economic settings, where encouraging sustainable energy
use and reducing disparities in distribution and consumption are key
objectives.
Article Info
Received:
10th March 2025
Accepted:
4th June 2025
Modeling and Prediction of
the Energy Intensity Index by
Provinces of Ecuador Using
Neur al Networks and Cluster
Analysis with Machine Learning
Algorithms
Xavier Rodriguez-Cruz1 and Julio Litardo2
DOI:
https://doi.org/10.47550/
RCE/35.1.8
University de Guayaquil– Faculty of Industrial Engineering
Guayaquil, Ecuador
236
Modelado y predicción del índice de intensidad energética por provincias del
Ecuador utilizando redes neuronales y análisis de conglomerados con algoritmos
de aprendizaje automático
Xavier Rodriguez-Cruz
Julio Litardo
1. INTRODUCCIÓN
La transición hacia economías sostenibles y bajas en carbono requiere un
enfoque riguroso en la eficiencia energética como un eje central de las polí-
ticas públicas. La previsión precisa y eficiente del consumo de energía es
un requisito previo crucial para una planificación y formulación de políticas
energéticas sustentables y eficaces dentro de una economía.
En ese contexto, la intensidad energética (IE), definida como la cantidad
de energía consumida (CE) por unidad de producto interno bruto (PIB) en un
determinado periodo, es un indicador crítico que no solo mide la eficiencia
en el uso de recursos energéticos, sino que también refleja las interacciones
entre el crecimiento económico, el progreso tecnológico y las estrategias de
sostenibilidad en una economía.
Una menor intensidad energética indica un uso más eficiente de la ener-
gía para generar actividad económica; en otras palabras, se necesita menos
energía para generar la misma cantidad de PIB, reflejando una mayor eficien-
cia energética. En cambio, si la intensidad energética es alta, significa que
se requiere más energía para generar cada unidad de PIB, lo que indica una
menor eficiencia energética.
De acuerdo con la International Energy Agency (2023), reducir la inten-
sidad energética se ha establecido como una prioridad global para optimizar
el uso de recursos y minimizar emisiones de gases de efecto invernadero. Por
esta razón, los estudios subnacionales tienen relevancia debido a que permi-
ten identificar dinámicas locales que podrían ser ignoradas en análisis a nivel
nacional.
Se debe de considerar que la disminución de emisiones de gases de
efecto invernadero se alinea con compromisos internacionales de mitigación
del cambio climático, especificados en los Objetivos de Desarrollo Sosteni-
ble (ODS), de manera particular con el ODS13, y que una mayor eficiencia
energética puede liberar recursos que podrían ser destinados a otros sectores
como el de educación, salud e infraestructura.
Otro aspecto relevante del indicador se relaciona con el impacto sobre
los recursos naturales. Un menor consumo energético por unidad de PIB puede
implicar una menor presión sobre recursos como el petróleo, el gas, el carbón
o la biomasa, promoviendo un desarrollo más sostenible. En este sentido, cons-
tituye una señal de avance hacia una economía baja en carbono, reflejada en la
evolución de sectores económicos de mayor valor agregado y menor intensidad
energética, como los servicios y las industrias basadas en el conocimiento.
Ecuador enfrenta desafíos significativos debido al crecimiento sostenido
de la demanda energética, su histórica dependencia de fuentes no renovables
y una alta participación de la generación hídrica en la capacidad instalada.
Esta combinación ha dejado al país vulnerable a las variaciones climáticas y
a la disponibilidad de agua, como se evidenció en la reciente crisis eléctrica
de 2024, agravada por los efectos del cambio climático.
Para continuar leyendo
Comienza GratisAccede a todo el contenido con una prueba gratuita de 7 días
Transforma tu investigación jurídica con vLex
-
Accede a resúmenes de sentencias generados por IA, que destacan al instante los aspectos jurídicos clave.
-
Realiza búsquedas avanzadas con opciones precisas de filtrado y ordenamiento.
-
Consulta contenido jurídico completo de más de 100 jurisdicciones, incluyendo una amplia colección de libros y revistas a texto completo.
-
Disfruta de funcionalidades exclusivas como comparador de versiones de una ley, notas de vigencia, análisis de citas, y mucho más.
-
Con la confianza de más de 2 millones de profesionales, incluidas las firmas más importantes del mundo.
Accede a todo el contenido con una prueba gratuita de 7 días
Transforma tu investigación jurídica con vLex
-
Accede a resúmenes de sentencias generados por IA, que destacan al instante los aspectos jurídicos clave.
-
Realiza búsquedas avanzadas con opciones precisas de filtrado y ordenamiento.
-
Consulta contenido jurídico completo de más de 100 jurisdicciones, incluyendo una amplia colección de libros y revistas a texto completo.
-
Disfruta de funcionalidades exclusivas como comparador de versiones de una ley, notas de vigencia, análisis de citas, y mucho más.
-
Con la confianza de más de 2 millones de profesionales, incluidas las firmas más importantes del mundo.
Accede a todo el contenido con una prueba gratuita de 7 días
Transforma tu investigación jurídica con vLex
-
Accede a resúmenes de sentencias generados por IA, que destacan al instante los aspectos jurídicos clave.
-
Realiza búsquedas avanzadas con opciones precisas de filtrado y ordenamiento.
-
Consulta contenido jurídico completo de más de 100 jurisdicciones, incluyendo una amplia colección de libros y revistas a texto completo.
-
Disfruta de funcionalidades exclusivas como comparador de versiones de una ley, notas de vigencia, análisis de citas, y mucho más.
-
Con la confianza de más de 2 millones de profesionales, incluidas las firmas más importantes del mundo.
Accede a todo el contenido con una prueba gratuita de 7 días
Transforma tu investigación jurídica con vLex
-
Accede a resúmenes de sentencias generados por IA, que destacan al instante los aspectos jurídicos clave.
-
Realiza búsquedas avanzadas con opciones precisas de filtrado y ordenamiento.
-
Consulta contenido jurídico completo de más de 100 jurisdicciones, incluyendo una amplia colección de libros y revistas a texto completo.
-
Disfruta de funcionalidades exclusivas como comparador de versiones de una ley, notas de vigencia, análisis de citas, y mucho más.
-
Con la confianza de más de 2 millones de profesionales, incluidas las firmas más importantes del mundo.
Accede a todo el contenido con una prueba gratuita de 7 días
Transforma tu investigación jurídica con vLex
-
Accede a resúmenes de sentencias generados por IA, que destacan al instante los aspectos jurídicos clave.
-
Realiza búsquedas avanzadas con opciones precisas de filtrado y ordenamiento.
-
Consulta contenido jurídico completo de más de 100 jurisdicciones, incluyendo una amplia colección de libros y revistas a texto completo.
-
Disfruta de funcionalidades exclusivas como comparador de versiones de una ley, notas de vigencia, análisis de citas, y mucho más.
-
Con la confianza de más de 2 millones de profesionales, incluidas las firmas más importantes del mundo.