ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(596)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(597)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
7
14
2026
Enero 2026 - Junio 2026 (continua)
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(598)
http://www.aulavirtual.web.ve
Tipo de Publicación: Articulo Científico
Recibido: 01/02/2026
Aceptado: 02/03/2026
Publicado: 01/04/2026
Código Único AV: e682
Páginas: 1(596-616)
DOI: https://doi.org/10.5281/zenodo.19373027
Autor:
Carlos Aurelio Garván Gamarra
Ingeniero Mecánico
Maestría en Ingeniería, mención en Aplicación
Energética del Gas Natural
https://orcid.org/0009-0007-0888-8779
E-mail: carlos.garvan.g@uni.pe
Afiliación: Universidad Nacional de Ingeniería
País: República del Perú
Resumen
El sector transporte en Perú es el principal generador de CO₂, con un alto uso
de combustibles fósiles como el diésel y la gasolina, lo cual representa una
problemática en cuanto al cumplimiento de los compromisos climáticos del
país. Al respecto, la investigación tuvo como objetivo modelar las emisiones de
dióxido de carbono que resultarían de sustituir estos combustibles por opciones
que generen menos contaminación, como el gas natural vehicular (GNV) y el
gas licuado de petróleo (GLP). La metodología partió de un enfoque cuantitativo
mediante el estudio de series temporales, utilizando modelos autorregresivos
integrados de medias móviles (ARIMA), programación lineal y redes
neuronales artificiales sobre datos de consumo recopilados entre 2007 y 2021.
Los resultados mostraron que el modelo ARIMA (2,1,1) (1,1,1) [12] ofreció el
mejor ajuste para predecir las emisiones relacionadas con el diésel, la gasolina
y el GLP, mientras que la serie del GNV mostró un crecimiento lineal. Las
proyecciones para el año 2030 indicaron que, en un escenario continuo, el diésel
seguiría siendo responsable del 64% de las emisiones totales en el sector. Por lo
tanto, la sustitución completa del diésel por GNV podría llevar a una
disminución del 99. 21% en emisiones, y un cambio a GLP podría reducirlas en
un 85.85%. Se concluye que avanzar hacia combustibles más ecológicos,
especialmente el GNV, tiene un gran potencial para la mitigación, además de
ofrecer un análisis basado en modelos predictivos para respaldar las políticas de
descarbonización del transporte en Perú.
Palabras Clave
Emisiones de CO₂, Transporte terrestre, Sustitución de
combustibles, Modelo ARIMA, Redes neuronales
artificiales, Gas natural vehicular, Perú.
Abstract
The transportation sector in Peru is the main generator of CO₂, with high use of
fossil fuels such as diesel and gasoline, which poses a challenge to the country's
climate commitments. In this regard, the research aimed to model the carbon
dioxide emissions that would result from replacing these fuels with less
polluting alternatives, such as compressed natural gas (CNG) and liquefied
petroleum gas (LPG). The methodology employed a quantitative approach
using time series analysis, with autoregressive integrated moving average
(ARIMA) models, linear programming, and artificial neural networks applied
to consumption data collected between 2007 and 2021. The results showed that
the ARIMA (2,1,1) (1,1,1) model [12] provided the best fit for predicting
emissions related to diesel, gasoline, and LPG, while the CNG series showed
linear growth. Projections for 2030 indicated that, under business as usual,
diesel would still be responsible for 64% of total emissions in the sector.
Therefore, a complete replacement of diesel with CNG could lead to a 99.21%
decrease in emissions, and a switch to LPG could reduce them by 85.85%. It is
concluded that moving towards cleaner fuels, especially CNG, has great
potential for mitigation, and this analysis, based on predictive models, can
support transportation decarbonization policies in Peru.
Keywords
CO2 emissions, Land transport, Fuel substitution, ARIMA
model, Artificial neural networks, Vehicular natural gas, Peru.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(599)
http://www.aulavirtual.web.ve
Introducción
La situación actual del sector transporte en la
matriz energética del Perú demanda un enfoque que
contemple la eliminación de combustibles fósiles,
tales como el diésel y la gasolina, que son los
principales generadores de las emisiones de dióxido
de carbono (CO₂) a la atmósfera y responsables del
calentamiento global, un fenómeno cuyo efecto ya
se está haciendo notar en todo el mundo. Este
contexto se relaciona con los compromisos
climáticos internacionales asumidos por el Perú,
desde el Acuerdo de París hasta la más reciente
Conferencia de las Partes (COP), donde se
establecieron objetivos progresivas de reducción de
emisiones de gases de efecto invernadero (GEI),
alcanzando un compromiso del 40% para el año
2030 (MINAM – COP21, 2015).
La relevancia del tema radica en que el sector
transporte es el mayor emisor de GEI dentro del
sector energético peruano, representando
aproximadamente el 40.56% de sus emisiones
(MINAM – COP25, 2019). Por lo tanto, abordar la
descarbonización de este sector no solo es
importante para cumplir con los acuerdos
internacionales, sino también para mejorar la calidad
del aire, promover la seguridad energética y
encaminar al país hacia un desarrollo sostenible de
bajas emisiones.
El análisis de la sustitución de combustibles es
delicado al observar la estructura del consumo
energético final nacional. En el año 2022, el sector
transporte consumió 399.260,2 tera joule (TJ), lo que
representa el 41,4% del consumo final nacional,
dominado por derivados del petróleo como el diésel
B5 y el gasohol (MINEM – BNE, 2022).
La dependencia con respecto al uso de
combustibles fósiles genera una doble preocupación:
por un lado, contribuye significativamente al cambio
climático a través de las emisiones de CO₂; y por
otro, expone al país a la volatilidad de los precios
internacionales del petróleo y a los riesgos asociados
con el agotamiento de recursos no renovables (Salaet
& Roca, 2010). En consecuencia, transitar hacia una
matriz de transporte más limpia se convierte en un
imperativo ambiental, económico y social.
El problema central que aborda esta
investigación es la elevada contribución del sector
transporte terrestre peruano a las emisiones
nacionales de gases de efecto invernadero,
específicamente de dióxido de carbono (CO₂). Según
el Inventario Nacional de GEI 2019, este sector es
responsable del 40.56% de las emisiones del sector
energía, siendo los combustibles fósiles derivados
del petróleo sus principales fuentes (MINAM –
INGEI, 2019). Esta situación genera externalidades
negativas críticas, como el deterioro de la calidad del
aire, de hecho Lima es la octava ciudad más
contaminada de Latinoamérica (World Air Quality,
2018) y la contribución al calentamiento global.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(600)
http://www.aulavirtual.web.ve
La dependencia tecnológica actual, dominada
por motores de combustión interna que utilizan
diésel y gasolina, perpetúa este modelo insostenible.
Además, factores como la antigüedad del parque
automotor, donde el 30% de los vehículos supera los
16 años de uso, y el predominio del diésel en el 86%
de la flota, agravan el problema de las emisiones
(OCDE / ITF, 2009). Por lo tanto, se identifica una
clara necesidad de transformar el paradigma
energético del transporte.
Un aspecto clave del problema es la falta de
aplicación de modelos predictivos que permitan
cuantificar con precisión el impacto potencial de la
sustitución de combustibles tradicionales por
alternativos más limpios. Si bien existen
compromisos políticos nacionales, como los
establecidos en las COP y la Estrategia Nacional
ante el Cambio Climático al 2050, la planificación
para alcanzarlos carece frecuentemente de
herramientas analíticas sofisticadas que simulen
escenarios futuros bajo diferentes supuestos (Santa
& Regalado, 2022). Esta carencia limita la capacidad
de los tomar decisiones para priorizar inversiones,
diseñar incentivos efectivos y evaluar el ritmo
necesario de descarbonización. En consecuencia, la
pregunta de investigación que guía este trabajo es:
¿De qué manera se puede modelar las emisiones de
dióxido de carbono, debido a la sustitución de los
combustibles en el sector transporte? Esta
interrogante busca no solo desarrollar una
metodología predictiva, sino también generar
evidencia concreta sobre el potencial de mitigación
que ofrece el cambio de matriz energética en el
transporte.
La justificación teórica de esta investigación
se fundamenta en su contribución al conocimiento
sobre la dinámica de las emisiones del sector
transporte y la evaluación de estrategias de
mitigación en el contexto peruano, alineándose con
marcos conceptuales de economía ambiental,
transición energética y análisis de sistemas
complejos mediante series temporales (Sharma et
al., 2024; Iftikhar et al., 2024; Altikat, 2021; Jena et
al., 2021).
Desde una perspectiva práctica, el estudio
posee alto potencial para influir en políticas públicas
e inversiones, como lo evidencia su apoyo a
iniciativas como el programa de cambio a GNV con
tecnología EURO V, al cuantificar el impacto de
sustituir diésel y gasolina por GNV y GLP,
orientando así incentivos fiscales, normas técnicas e
infraestructura. Metodológicamente, se justifica por
la aplicación rigurosa y comparativa de técnicas
cuantitativas avanzadas como modelos ARIMA,
programación lineal y redes neuronales artificiales,
que permiten una evaluación comprehensiva y una
triangulación que fortalece la validez de los
resultados (Li & Zhang, 2023), ofreciendo un marco
replicable para futuras investigaciones en otros
sectores o regiones.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(601)
http://www.aulavirtual.web.ve
El marco teórico se sustenta en varias bases
conceptuales clave. En primer lugar, el cambio
climático, definido por el IPCC (2013) como una
alteración del estado del clima atribuible directa o
indirectamente a la actividad humana, constituye el
contexto global del problema. Los gases de efecto
invernadero (GEI), especialmente el CO₂, actúan
como forzantes radiactivos, reteniendo calor en la
atmósfera y provocando el calentamiento global
(CMNUCC, 1992).
En el Perú, el sector energía es el segundo
mayor emisor de GEI, y dentro de él, el transporte es
la subcategoría más importante (MINAM - INGEI,
2019). La cadena de valor de los combustibles
fósiles, desde su extracción hasta su combustión en
los motores, está intrínsecamente ligada a estas
emisiones. Por el contrario, el gas natural y sus
derivados, como el GNV, presentan una huella de
carbono significativamente menor debido a su
mayor contenido de hidrógeno en la molécula de
metano (CH₄), lo que resulta en una combustión más
completa y con menores emisiones de CO₂ por
unidad de energía liberada (OSINERGMIN, 2014).
La tecnología de los motores de combustión
interna (MCI) es otro pilar teórico fundamental.
Estos motores, que operan bajo los ciclos
termodinámicos Otto (para gasolina y GNV) y
Diésel (para diésel), son los principales
convertidores de la energía química de los
combustibles en trabajo mecánico para el transporte
(Rafael & Hernández, 2014). Sin embargo, su
eficiencia y sus emisiones varían considerablemente
según el combustible utilizado. Mientras los motores
diésel suelen ser más eficientes térmicamente,
también tienden a emitir mayores cantidades de
material particulado y óxidos de nitrógeno. La
conversión o adaptación de los MCI para utilizar
combustibles gaseosos como el GNV o el GLP es
una estrategia tecnológica viable para reducir
emisiones, especialmente cuando se combina con
sistemas de inyección y control electrónico
modernos (García et al., 2016). Los antecedentes de
la investigación parten del estudio de la Tabla 1:
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(602)
http://www.aulavirtual.web.ve
Autores (Año)
País/Región
Modelo(s)
Utilizado(s)
Principal Hallazgo
Sharma et al.,
(2024)
India
ARIMA
Los modelos ARIMA son efectivos para capturar tendencia y
estacionalidad en emisiones de carbono.
Iftikhar et al.,
(2024)
Pakistán
Combinaciones
híbridas (Regresión +
Series de Tiempo)
Las técnicas de pronóstico híbridas propuestas son altamente
precisas y eficientes.
Li & Zhang
(2023)
China
ARIMA, SARIMAX,
ANN, LSTM
Los modelos de aprendizaje automático (especialmente LSTM)
superan sistemáticamente a los modelos estadísticos.
Mantilla et al.,
(2023)
Colombia
Método estandarizado
IPCC/AEMA
Las emisiones del transporte por carretera mostraron un aumento
progresivo, con reducción en 2020 por COVID-19.
Altikat (2021)
Condiciones
de
invernadero
ANN, DLNN,
Regresión Lineal
Múltiple
Las redes neuronales de aprendizaje profundo (DLNN) modelaron
el flujo de CO₂ con la mayor precisión (98.29%).
Hagos &
Ahlgren (2020)
Dinamarca
Modelo TIMES
El gas natural puede servir como un combustible de transición
rentable hacia 2050 en un sistema descarbonizado.
Tabla 1. Comparación de modelos de pronóstico de emisiones según estudios previos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(603)
http://www.aulavirtual.web.ve
El objetivo general de esta investigación es
modelar las emisiones de dióxido de carbono debido
a la sustitución de combustibles en el sector
transporte. Para operacionalizar este propósito
general, se plantean dos objetivos específicos. En
primer lugar, establecer escenarios de sustitución de
combustibles en el sector transporte, lo que implica
definir y caracterizar diferentes trayectorias de
penetración de combustibles alternativos como el
GNV y el GLP en reemplazo del diésel y la gasolina.
En segundo lugar, determinar las emisiones de
dióxido de carbono para los diferentes escenarios a
proponer, mediante la aplicación de modelos
predictivos (ARIMA, Programación Lineal y Redes
Neuronales Artificiales) a las series históricas de
consumo, lo que permitirá cuantificar y comparar el
impacto en las emisiones de CO₂ de cada escenario
a lo largo del horizonte de planificación hasta el año
2030.
Metodología
El método utilizado en este estudio se basa en
un diseño correlacional descriptivo, no
experimental, apoyado en un enfoque cuantitativo, y
aplica un enfoque analítico interpretativo.
Inicialmente, se eligió este modelo porque el
objetivo principal era identificar y probar las
relaciones de causa y efecto entre las variables de
interés sin interferir ni modificar las condiciones
bajo las cuales se obtuvieron los datos. El estudio se
centró específicamente en examinar las emisiones de
CO2 resultantes de la sustitución de fuentes de
energía fósiles, como el diésel y la gasolina, por
fuentes de energía alternativas más sostenibles,
como el gas natural automotor (GNC) y el gas
licuado de petróleo (GLP) en el sector del transporte
por carretera en Perú.
Para ello se utilizan modelos estadísticos para
describir tendencias históricas y evaluar emisiones,
basados en series temporales y utilizando técnicas de
previsión como ARIMA, programación lineal y
redes neuronales artificiales para predecir escenarios
futuros. En cuanto a las limitaciones del estudio, el
tema incluye todas las emisiones de CO2 generadas
por el tráfico rodado en el Perú durante el período de
análisis, incluyendo las emisiones de automóviles,
camiones, autobuses y motocicletas en todo el país.
Debido a la naturaleza del estudio y a la
disponibilidad de documentos oficiales completos,
el muestreo no se realizó en el sentido estadístico
habitual. En su lugar, trabajamos con escaneo de
datos, analizando todos los registros de consumo
mensual de diésel, gasolina, GLP y GNC del sector
del transporte por carretera durante el período
especificado, asegurando así una cobertura total de
la población de interés.
En cuanto a la recolección de información, la
técnica utilizada fue examinar documentos de
fuentes secundarias únicamente. Esto incluyó la
consulta sistemática de bases de datos nacionales e
internacionales, informes oficiales del Gobierno del
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(604)
http://www.aulavirtual.web.ve
Perú y publicaciones de organismos multilaterales.
Específicamente, se recopilan datos de entidades
como el Ministerio del Ambiente (MINAM), el
Ministerio de Energía y Minas (MINEM), el
Organismo Supervisor de Inversiones Energéticas y
Mineras (OSINERGMIN) y el sistema INFOGAS,
entre otros organismos mencionados en el
documento. Un aspecto clave del proceso es probar
la validez y confiabilidad de estos datos, asegurando
que sean relevantes, consistentes y actualizados para
respaldar un análisis riguroso.
Una vez recopilada la información, para
procesar los datos se utilizará el software libre
RStudio, el cual fue elegido por su efectividad en el
análisis estadístico y modelado de series de tiempo.
El primer paso es limpiar y clasificar la información,
donde se realizan análisis descriptivos para resumir
las características más relevantes, incluyendo
medidas de tendencia central y varianza. Por lo
tanto, para estudiar las relaciones subyacentes y el
pronóstico, en la práctica se han aplicado muchas
técnicas estadísticas avanzadas.
Para pronosticar futuras emisiones de CO2, se
han implementado y comparado tres tipos de
modelos: modelos ARIMA para análisis de series
temporales, modelos de programación lineal para
capturar relaciones funcionales específicas y
modelos de redes neuronales artificiales para
estudiar predicciones basadas en aprendizaje
automático.
Finalmente, los resultados de todos estos
análisis y predicciones se han condensado y
presentado de forma clara a través de tablas, figuras
y gráficos, facilitando la interpretación de los
resultados y el alcance de los objetivos marcados en
el estudio.
Resultados
Los resultados logrados, junto con las
referencias bibliográficas, se muestran en la Tabla 1,
respectivamente. En esta sección se presentan los
resultados de la investigación, organizados según los
objetivos específicos y obtenidos mediante la
aplicación de un modelo autorregresivo móvil
integrado, programación lineal y redes neuronales
artificiales (RNA) los cuales ayudan a pronosticar
las emisiones de dióxido de carbono (CO₂) en el
sector transporte peruano, teniendo en cuenta la
transición de combustibles fósiles tradicionales
(diésel y gasolina) a opciones más sostenibles (gas
licuado de petróleo-GLP y gas natural vehicular-
GNC). El análisis se basa en datos históricos de
consumo de 2007 a 2021 y se extiende hasta 2030,
lo que permite escenarios de mitigación.
Modelado de las Emisiones de CO₂
El objetivo general de la investigación
fue modelar las emisiones de dióxido de carbono
derivadas de la sustitución de combustibles en el
sector transporte. Este objetivo se cumplió mediante
la aplicación y comparación de tres técnicas de
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(605)
http://www.aulavirtual.web.ve
modelado predictivo a las series temporales de
emisiones de CO₂ asociadas al consumo de diésel,
gasolina, GLP y GNV.
Se utilizaron los datos secundarios de
consumo proporcionados por OSINERGMIN (para
diésel, gasolina y GLP, período 2007-2021) e
INFOGAS (para GNV, período 2013-2021). Previo
al modelado, se realizó un proceso de limpieza y
tratamiento de datos para imputar valores atípicos y
garantizar la consistencia de las series, tal como se
ejemplifica en la Figura 1:
Figura 1. Imputación de valores atípicos (espurios) de CO2
del diésel ™, gasolina ™ y GLP ™
Nota. La Figura muestra la imputación de valores atípicos
(espurios) de las emisiones de CO₂ en distintos combustibles
del sector transporte. En el caso del diésel, se observan los
puntos rojos como datos atípicos, la línea gris representa las
emisiones reales, la línea azul la serie ajustada y la línea roja el
efecto causado por dichos valores. Para la gasolina (TM) y el
GLP (TM), se identifican igualmente valores espurios que
afectan la representación de las emisiones. Fuente: Elaboración
propia.
El modelado se dividió en dos fases
principales: a) el desarrollo y validación de modelos
predictivos individuales para cada combustible, y b)
la integración de estos pronósticos para construir
escenarios agregados de emisiones y sustitución.
Los resultados demuestran que es factible generar
modelos robustos que capturen la tendencia histórica
y permitan proyectar con un grado de confianza
aceptable las emisiones futuras bajo condiciones de
continuidad, sentando las bases para evaluar el
impacto de políticas de sustitución.
Establecimiento de escenarios de sustitución de
combustibles
El primer objetivo específico se orientó
a establecer escenarios de sustitución de
combustibles en el sector transporte. Para ello, fue
necesario primero caracterizar la participación
histórica de cada combustible en la matriz de
emisiones del sector y, posteriormente, proyectar su
trayectoria futura bajo un escenario "business as
usual" (BAU), es decir, sin intervenciones de
política adicionales. Estos pronósticos constituyen la
línea base contra la cual se pueden medir los
potenciales efectos de programas de sustitución.
Caracterización histórica de las emisiones por
combustible (2007-2021)
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(606)
http://www.aulavirtual.web.ve
Un dato importante, que sustenta plantear
escenarios de sustitución, es la marcada
heterogeneidad en la contribución de los diferentes
combustibles a las emisiones totales del sector
transporte. El análisis de la serie histórica 2007-
2021, representada en la Figura 2 (Emisiones de CO₂
del sector transporte del Perú 2007-2021), revela una
tendencia general de crecimiento en las emisiones
hasta 2019, con una caída abrupta en 2020 debido a
las restricciones impuestas por la pandemia de
COVID-19, seguida de una recuperación incipiente
en 2021.
Figura 2 Emisiones de CO! del sector transporte del Perú,
2007– 2021 (TM)
Nota. La Figura detalla las emisiones de CO2 del transporte
nacional, 2007-2021(TM). Tomado el 2023 de
OSINERGMIN-INFOGAS.
Al desagregar esta tendencia agregada por tipo
de combustible, se identificó que el diésel fue, con
gran diferencia, el principal emisor de CO₂ a lo largo
de todo el período analizado. Le siguieron en orden
decreciente la gasolina, el GLP y, finalmente, el
GNV.
Este orden de prelación se mantuvo incluso
durante la caída de 2020, aunque con una
particularidad: mientras las emisiones de diésel,
gasolina y GLP experimentaron una reducción
significativa ese año, las del GNV mostraron una
notable resiliencia, con una disminución mucho
menos pronunciada.
Modelado predictivo para la construcción de la
línea base (2022-2030)
La construcción de escenarios prospectivos
requiere de pronósticos confiables. Para generar la
línea base de emisiones hasta 2030, se seleccionaron
y calibraron los mejores modelos para cada
combustible.
Tras el análisis de las funciones de
autocorrelación simple y parcial (ejemplificado en
la Figura 3 para diésel, gasolina y GLP,
respectivamente), el modelo que presentó el mejor
ajuste y capacidad predictiva para estas tres series
fue un ARIMA (2,1,1)(1,1,1)[12]. Este modelo
indica que la serie requiere una diferenciación
simple y estacional (parámetros "1" en las partes no
estacional y estacional) para alcanzar
estacionariedad, e incorpora componentes
0
200000
400000
600000
800000
1000000
1200000
1400000
1600000
1800000
2000000
1/1/2007
1/10/2007
1/7/2008
1/4/2009
1/1/2010
1/10/2010
1/7/2011
1/4/2012
1/1/2013
1/10/2013
1/7/2014
1/4/2015
1/1/2016
1/10/2016
1/7/2017
1/4/2018
1/1/2019
1/10/2019
1/7/2020
1/4/2021
TOTAL DE EMISIONES DE CO2 EN TON.
FECHA
GASOLINA DIESEL GLP GNV
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(607)
http://www.aulavirtual.web.ve
autorregresivos y de medias móviles tanto para los
rezagos inmediatos (orden 2,1) como para el patrón
estacional anual (orden 1,1 con período 12 meses).
Figura 3. Autocorrelación simple y parcial de emisión CO2,
diésel, gasolina y GLP 2007-2020
Nota. Las Figuras comparativas muestran la autocorrelación
simple y parcial de las emisiones de CO₂ en distintos
combustibles del sector transporte. Fuente: Elaboración propia.
Específicamente, con respecto al diésel, la
ecuación del modelo ajustado para las emisiones de
CO2 (en toneladas métricas) fue:
!
!" #$%&'(!
!"# ) #$#*#(!
!"$ + #$(*,*-!"# + #$#.((!
!"#$
+ #$(//*-!"#$ ) -!
Las medidas de error en la etapa de testeo
(2021) fueron RMSE = 52,012.78 TM y MAPE =
2.58% (Tabla 2), indicando una alta precisión.
Modelo
Medidas de
ajuste 2007-
2020
Medidas de
testeo 2021
RMSE
MAPE
RMSE
MAPE
ARIMA (2,1,1) (1,1,1) [12]
49945.11
2.61
52012.78
2.58
Tabla 2. MAPE y RMSE de emisiones de CO2 del diésel.
Nota. La Tabla muestra el MAPE y RMSE de las emisiones de
CO2 del diésel.
El pronóstico (Ver Figura 4) muestra una
tendencia de crecimiento sostenido hacia 2030.
Figura 4. Valores pronosticados ARIMA 2022 – 2030, CO2
diésel (TM)
Nota. La Figura habla de la afinidad de tendencia ARIMA
2022-2030 del CO2 del diésel (TM): Elaboración propia 2023.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(608)
http://www.aulavirtual.web.ve
En cuanto a la gasolina, el modelo ajustado
para las emisiones de CO2 (en toneladas métricas)
fue:
!
!" +#$','%!
!"# + #$/#%/!
!"$ ) #$%##'-!"# ) #$#/.,!
!"#$
+ #$(.0(*-!"#$ ) -!
Con un RMSE de 37,873.53 TM y un MAPE
de 4.94% en 2021 (Tabla 3), el pronóstico (Figura 5)
también proyecta un crecimiento, aunque con una
pendiente menos pronunciada que la del diésel.
Modelo
Medidas de
ajuste 2007-2020
Medidas de
testeo 2021
RMSE
MAPE
RMSE
MAPE
ARIMA (2,1,1) (1,1,1) [12]
12404.99
2.13
37873.53
4.94
Tabla 3. Error porcentual absoluto medio (MAPE) y raíz
cuadrada media del error (RMSE) de emisiones de CO2 de la
gasolina
Nota. La figura muestra el MAPE y RMSE de emisiones de
CO2 de la gasolina. Fuente: Elaboración propia 2023.
Figura 5. Valores pronosticados 2022 – 2030, CO2 gasolina
(TM)
Nota. La figura nos da a conocer los valores pronosticados
2022 al 2030 de CO2 de la gasolina (TM).
Para el caso de GLP, la ecuación resultante
para las emisiones de CO2 (en toneladas métricas)
fue:
!
!" +#$*0%(!
!"# + #$..(.!
!"$ ) #$#%&*-!"# ) #$0&&'!
!"#$
+ #$(0/(-!"#$ ) -!11111
Los errores de pronóstico para 2021 fueron
RMSE = 17,829.1 TM y MAPE = 6.42% (Tabla 4).
La proyección (Figura 6) evidencia la tendencia
creciente de este combustible.
Modelo
Medidas de
ajuste 2007-
2020
Medidas de
testeo 2021
RMSE
MAPE
RMSE
MAPE
ARIMA (2,1,1) (1,1,1) [12]
6059.68
4.13
17829.1
6.42
Tabla 4. MAPE y RMSE de emisiones de CO2 del GLP
Nota. La tabla muestra el MAPE y RMSE de las emisiones de
CO2 del GLP.
Figura 6. Valores pronosticados 2022 - 2030 ARIMA de CO2
del GLP (TM)
Nota. La Figura muestra los valores pronosticados 2022-2030
ARIMA de CO2 del GLP (TM).
Para GNV, dada la naturaleza marcadamente
lineal y con menor historial de datos (desde 2013) de
la serie de emisiones del GNV, el modelo óptimo fue
una regresión lineal simple. Como se muestra en
la Figura 7.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(609)
http://www.aulavirtual.web.ve
Figura 7. Valores ajustados de emisiones CO2 del GNV,
2013-2020 (TM)
Nota. La Figura detalla el comportamiento lineal de emisiones
de CO2 del GNV.
El ajuste fue casi perfecto, con la ecuación 24
y un coeficiente de determinación R² = 0.9992.
𝑦!"# " = "2.9495𝑥" − "119077
El resultado indica que, en el período
analizado, el crecimiento de las emisiones por GNV
siguió un patrón lineal constante, permitiendo
proyecciones muy confiables (Ver Figura 8).
La Tabla 5 sintetiza la superioridad del modelo
ARIMA sobre los modelos de Redes Neuronales
Artificiales (RNA) tipo NNAR para pronosticar las
series de diésel, gasolina y GLP, al presentar
menores valores de Error Cuadrático Medio (RMSE)
y Error Porcentual Absoluto Medio (MAPE).
Figura 8. Valores pronosticados 2022 - 2030 con y"#$$de
CO2 del GNV (TM)
Nota. La Figura detalla los valores pronosticados 2022-2030
con modelo YGNV de CO2 (TM).
Componente
Modelo
Medidas de ajuste
2007 - 2020
Medidas de testeo
2021
RMSE
MAPE
RMSE
MAPE
Diésel
ARIMA
(2,1,1)
(1,1,1)
[12]
49945.1
1
2.61
52012.78
2.58
NNAR
(4,1,3)
[12]
48217.6
5
2.64
91456.90
3.94
Gasolina
ARIMA
(2,1,1)
(1,1,1)
[12]
12404.9
9
2.13
37873.53
4.94
NNAR
(2,1,2)
[12]
15834.9
0
2.57
45507.86
4.99
GLP
ARIMA
(2,1,1)
(1,1,1)
[12]
6059.68
4.13
17829.10
6.42
NNAR(
2,1,2)[1
2]
6280.50
4.68
17887.05
6.79
Tabla 5. Comparación de modelos ARIMA y NNAR de
emisiones de CO2 (TM)
Nota. La tabla muestra los modelos ARIMA y NNAR con sus
emisiones de CO2 (TM).
Esta comparación valida la elección del
ARIMA como herramienta principal para establecer
la línea base de emisiones de los combustibles
convencionales.
Composición de la línea base de emisiones al 2030
La agregación de los pronósticos individuales
permite cuantificar el escenario tendencial. Los
resultados, consolidados en el análisis son
contundentes: si se mantienen las dinámicas actuales
de consumo, el diésel continuará dominando la
matriz de emisiones del transporte peruano al menos
hasta 2030. La participación porcentual proyectada
y = 2.9495x - 119077
R² = 0.9992
0
2000
4000
6000
8000
10000
12000
1/1/2013
8/1/2013
3/1/2014
10/1/2014
5/1/2015
12/1/2015
7/1/2016
2/1/2017
9/1/2017
4/1/2018
11/1/2018
6/1/2019
1/1/2020
8/1/2020
Emisiones de CO2 en Ton.
Fecha
GNV
Lineal (GNV)
0
5000
10000
15000
20000
25000
1/1/2013
9/1/2013
5/1/2014
1/1/2015
9/1/2015
5/1/2016
1/1/2017
9/1/2017
5/1/2018
1/1/2019
9/1/2019
5/1/2020
1/1/2021
9/1/2021
5/1/2022
1/1/2023
9/1/2023
5/1/2024
1/1/2025
9/1/2025
5/1/2026
1/1/2027
9/1/2027
5/1/2028
1/1/2029
9/1/2029
5/1/2030
Emisiones de CO2 en Ton.
Fecha
GNV GNV pronosticado
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(610)
http://www.aulavirtual.web.ve
del total de emisiones de CO₂ para el período 2022-
2030 sería la siguiente:
Componente
Suma total de emisiones de
CO2 proyectados de 2022
hasta 2030 (en toneladas
métricas)
% de
emisiones
de CO2
Diésel
234 355 536.00
64.00
Gasolina
96 807 968.00
26.44
GLP
33 168 736.70
9.06
GNV
1 853 188.06
0.51
Total
366 185 428.76
100.00
Tabla 6. Comparación de componentes contaminantes de
CO2 ,2022-2030 (TM)
Nota. La tabla muestra el resultado de las emisiones de CO2
del 2022-2030 (TM)
Las cifras, derivadas de la modelación,
constituyen el escenario de referencia (BAU) y
enfatizan la urgencia de intervenir, principalmente,
sobre el consumo de diésel, dado su impacto
desproporcionado.
Determinación de emisiones de CO₂ para
diferentes escenarios
El segundo objetivo específico
buscaba determinar las emisiones de dióxido de
carbono para los diferentes escenarios a proponer.
Con la línea base definida, la investigación procedió
a estimar el impacto potencial en la reducción de
emisiones mediante la sustitución parcial de diésel y
gasolina por GLP y GNV.
Construcción y cuantificación de escenarios de
sustitución
Un insumo clave para la construcción de
escenarios de sustitución es la comprensión del
factor de emisión relativo entre combustibles. Si
bien el modelo pronostica volúmenes absolutos, la
justificación para promover un combustible sobre
otro reside en su menor intensidad de carbono por
unidad de energía entregada.
Por lo tanto, desde una perspectiva de
mitigación, cada unidad de diésel o gasolina
sustituida por GLP, y en mayor medida por GNV,
genera una reducción neta de emisiones de
CO₂. La Tabla 6, podría interpretarse como un
resumen de las contribuciones absolutas proyectadas
en el escenario BAU, que son el punto de partida
para calcular los potenciales de reducción.
La investigación propone la construcción de
escenarios basados en tasas hipotéticas de
sustitución, como se muestra en la Tabla 7. Los
valores de emisiones corresponden a la proyección
acumulada total para el período 2022-2030 en el
escenario base (business as usual), según los
modelos ARIMA y de Programación Lineal
desarrollados. La "Reducción de Contaminación
Lograda" representa el porcentaje teórico en que se
reducirían las emisiones si el combustible sustituto
reemplazara completamente al combustible
sustituido, manteniendo constante la demanda
energética del sector.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(611)
http://www.aulavirtual.web.ve
Tabla 7. Escenarios de reducción de emisiones de CO₂ por sustitución de combustibles
Nota: La Tabla muestra la propuesta de escenarios para la reducción de emisiones de CO₂ por sustitución de combustibles.
Para mayor entendimiento la Figura 9, muestra los posibles escenarios de reducción de emisiones de CO2,
producto de la investigación desarrollada.
Figura 9. Resumen de escenarios posibles 2022-2030 de mitigación de CO2 (TM)
Nota. La Figura muestra el resumen de los posibles escenarios
Nº
Combustible
Sustituto
Emisiones del
sustituto (tm)
Emisiones del
sustituido (tm)
% De emisiones del
sustituto
Reducción de
contaminación
lograda
1
Diésel
GNV
1 853 188.063
234 355 536
0.79%
99.21%
2
Diésel
GLP
33 168 736.70
234 355 536
14.15%
85.85%
3
Diésel
Gasolina
96 807 968
234 355 536
41.31%
58.69%
4
Gasolina
GLP
33 168 736.70
96 807 968
34.26%
65.74%
5
Gasolina
GNV
1 853 188.063
96 807 968
1.91%
98.09%
6
Gasolina +
Diésel
GNV +
GLP
35 021924.763
331 163 504
10.57%
89.42%
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(612)
http://www.aulavirtual.web.ve
Discusión
Al comparar esta investigación con otras
recientes a nivel global y regional, se puede
observar que, en cuanto al desempeño predictivo de
los modelos, los resultados de este artículo indican
que el modelo ARIMA (2,1,1)(1,1,1)[12] se destaca
en la predicción de emisiones de diésel, gasolina y
GLP, ya que mostró bajos errores (MAPE de 2,58%
a 6,42%). El dato coincide con el aporte de Sharma
et al., (2024) quienes confirmaron la efectividad de
los modelos ARIMA para detectar tendencias y
estacionalidad en series de emisiones de carbono.
Sin embargo, para Li & Zhang (2023) esto es
diferente ya que desde su estudio en China, los
modelos de aprendizaje profundo (LSTM) fueron
más efectivos que los modelos estadísticos. La
diferencia puede ser por la naturaleza más estable y
estacional de la serie peruana, donde prevalecen
patrones lineales y estacionales en lugar de
comportamientos complejos y no lineales.
En cuanto al uso de redes neuronales
artificiales (RNA), los resultados muestran que los
modelos NNAR, aunque competitivos, no logran
una precisión de predicción similar a ARIMA para
las secuencias analizadas. Esto difiero de los
hallazgos de Altikat (2021), quien informó que una
RNA de aprendizaje profundo logró una tasa de
precisión de más del 98 % al modelar el flujo de
CO2. Pese a, el presente estudio confirma que las
RNA pueden ser una herramienta adicional útil para
la validación y el emparejamiento, como
demostraron Cemrek & Demir (2021) en su estudio
comparativo de métodos.
En el contexto latinoamericano, los hallazgos
coinciden con el estudio de Mantilla et al., (2023) en
Colombia, que registró una fuerte caída de las
emisiones en 2020 debido a la pandemia, seguida de
una recuperación gradual. Además, el notable
predominio del diésel en la composición de las
emisiones del Perú, con el 64% en 2030 en el
escenario BAU, resalta una dependencia estructural
similar a la de otros países de la región, destacando
la necesidad urgente de implementar políticas de
sustitución tecnológica.
En cuanto a escenarios alternativos, el análisis
valida que sustituir completamente diésel por GNV
podría reducir las emisiones en un 99.21% entre
2022 y 2030, mientras que el cambio a gas licuado
de petróleo podría reducirlo en un 85,85%. Estos
resultados apoyan la idea de que el gas natural es
una opción viable como combustible de transición,
similar a lo sugerido por Hagos & Ahlgren (2020)
en Dinamarca, quienes destacaron el GNV como
una alternativa económica a los sistemas más
limpios. Además, estos resultados coinciden con
pronósticos del Panorama Energético de América
Latina y el Caribe (OLACDE) (2024) que predicen
un aumento significativo en el uso de gas natural en
el transporte regional para 2050.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(613)
http://www.aulavirtual.web.ve
Finalmente, desde una perspectiva
metodológica global, el estudio confirma la
efectividad de la triangulación de modelos
(ARIMA, programación lineal, ANN) para mejorar
la robustez de los pronósticos, un enfoque
respaldado por Iftikhar et al., (2024) quienes
combinaron regresión y series temporales para
aumentar la precisión del modelado de emisiones.
En general, este estudio proporciona datos
cuantitativos consistentes que facilitan la toma de
decisiones en el Perú, al tiempo que los integra al
diálogo académico internacional sobre modelación
ambiental, destacando la importancia de adaptar
métodos de vanguardia a las realidades específicas
del país para promover una transición energética
eficiente y verificable.
Conclusión
Respecto al objetivo principal de modelar las
emisiones de CO2 provenientes de la sustitución de
combustibles para el transporte, se determinó que el
uso de modelos de pronóstico híbridos, incluyendo
integración ARIMA, programación lineal y redes
neuronales artificiales, es una forma efectiva y
precisa de predecir escenarios de descarbonización
en el Perú. La validación de estos modelos mediante
parámetros de error (RMSE y MAPE) respalda su
confiabilidad y confiabilidad para la toma de
decisiones informadas. Se sugiere que las
instituciones públicas como el MINAM y el
MINEM adopten este enfoque para planificar y
monitorear continuamente las políticas de
descarbonización, actualizando periódicamente los
modelos con datos actualizados para mantener su
efectividad predictiva.
Respecto al primer objetivo específico de
generar escenarios de sustitución de combustibles,
los resultados indican que en el escenario tendencial
(BAU), el diésel seguirá siendo el principal emisor
de CO2 del transporte en el Perú, representando el
64% de las emisiones estimadas para el período
2022-2030, seguido por la gasolina (26,44%), GLP
(9,06%) y GNV (0,51%). Esta estructura muestra
que la matriz energética es altamente dependiente de
los combustibles fósiles y subraya la necesidad de
implementar políticas tecnológicas alternativas. Por
lo tanto, los esfuerzos regulatorios y fiscales
deberían centrarse en desalentar el uso de diésel y,
al mismo tiempo, fomentar el consumo de
combustibles alternativos como el GNV y GLP,
especialmente en áreas de alto consumo como el
transporte marítimo y el transporte público.
Respecto al segundo objetivo específico de
calcular las emisiones de CO2 para varios
escenarios propuestos, el análisis mide el potencial
de reducción debido a la sustitución de
combustibles, destacando que un cambio completo
del diésel al GNV podría reducir las emisiones en
un 99,21%, mientras que la sustitución por GLP
logrará una reducción del 85,85%. En cuanto a la
gasolina, sustituirla por GNV supondría una
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(614)
http://www.aulavirtual.web.ve
reducción de emisiones del 98,09% y del GLP del
65,74%. La combinación de GNV y GLP en lugar
de diésel y gasolina supondrá una reducción global
del 89,42% de las emisiones de este sector.
Se propone desarrollar programas específicos
de conversión de vehículos, basados en incentivos
económicos y técnicos, dando prioridad al GNV por
su importante capacidad reductora, sin descuidar el
papel que puede jugar el GLP como una alternativa
práctica y más económica a corto plazo.
Desde un punto de vista metodológico, se ha
demostrado que el modelo ARIMA
(2,1,1)(1,1,1)[12] proporciona un desempeño
predictivo superior para las series de diésel, gasolina
y GLP en comparación con los modelos de redes
neuronales (NNAR), ofreciendo valores más bajos
de RMSE y MAPE. En el caso de GNV, debido al
carácter lineal de su serie histórica, se utilizó un
modelo de regresión lineal simple
(yGNV=2.9495x−119077) muestra un ajuste casi
perfecto (R2=0.999) lo que confirma su
aplicabilidad a proyecciones hasta 2030.
Se recomienda continuar utilizando el modelo
ARIMA para pronosticar combustibles
convencionales en futuras investigaciones, mientras
se exploran otras variables como SARIMAX y
modelos híbridos que incluyen variables exógenas
(crecimiento económico, precios de combustible,
políticas ambientales) para aumentar la precisión y
realismo de los resultados.
En cuanto a la imputación y procesamiento de
datos, el proceso de identificación y corrección de
valores atípicos en la cadena de consumo es
fundamental para asegurar la calidad de los modelos
predictivos. Para futuros estudios se deberían
establecer protocolos estandarizados de limpieza de
datos, evaluando diferentes métodos de imputación
(como modelos de interpolación o descomposición
estacional) para series con alta varianza o muestras
irregulares, y documentando en detalle los criterios
utilizados para garantizar la reproducibilidad de los
análisis.
Finalmente, en términos de integración de los
resultados en las políticas públicas, los resultados
brindan una base cuantitativa sólida para apoyar la
transición energética en el sector transporte del
Perú, en línea con compromisos internacionales
como el Acuerdo de París y las metas de reducción
de emisiones para 2030. Se propone establecer un
observatorio de emisiones del transporte, aplicar
modelos predictivos en tiempo real para monitorear
el avance de las políticas de descarbonización,
evaluar el impacto de las medidas adoptadas y
ajustar las estrategias en función de los resultados,
asegurando así una transición ordenada, medible y
efectiva hacia un sistema de transporte bajo en
carbono.
Referencias
Altikat, S. (2021). Predicción de la emisión de CO2
de los gases de efecto invernadero la atmósfera
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(615)
http://www.aulavirtual.web.ve
con redes neuronales artificiales y redes
neuronales de aprendizaje profundo. Int. J.
Environ. Sci. Technol. , 18, 3169–3178.
Documento en línea. Disponible
https://doi.org/10.1007/s13762-020-03079-z
Cemrek, F., & Demir, O. (2021). Estimación de
series temporales de emisiones de CO2 con
máquinas de vectores de soporte Regresión,
redes neuronales artificiales y análisis de series
temporales clásicas. 5(2), 36 - 44. Documento en
línea. Disponible
https://doi.org/10.34110/forecasting.1035912
CMNUCC. (1992). Convención Marco de las
Naciones Unidas sobre el Cambio
Climático,FCCC/INFORMAL/84: Nuevo tiraje
por razones técnicas, GE.05-62301 (S) 220705-
ONU, N.Y, EE.UU. Documento en línea.
Disponible
https://unfccc.int/resource/docs/convkp/convsp.
pdf
García, A., Cendales, E., & Eslava, A. (2016).
Motores de Combustión Interna (MCI) Operando
con Mezclas del Etanol y la Gasolina: Revisión.
Ciencia e Ingeniería Neogranadina, 26(1), 75-
96. Documento en línea. Disponible
https://doi.org/10.18359/rcin.1626
Hagos, D. A., & Ahlgren, E. O. (2020). Explorando
transiciones rentables hacia un transporte
independiente de combustibles fósiles en el
futuro sistema energético. Dinamarca, 261(1).
Documento en línea. Disponible
https://doi.org/10.1016/j.apenergy.2019.114389
Iftikhar, H., Han, M., Zywiotek, J., Khan, M., &
Lopez, J. (2024). Modelado y pronóstico de
emisiones de dióxido de carbono en Pakistán
utilizando una combinación hibrida de modelos
de regresión y series temporales. Documento en
línea. Disponible
https://doi.org/10.1016/j.heliyon.2024.e33148.
IPCC. (2013). Cambio Climático 2013. Bases
físicas. Contribución del Grupo de Trabajo al
Quinto Informe de Evaluación del Grupo
Intergubernamental de Expertos sobre el
Cambio Climático. Cambridge, Reino Unido.
Documento en línea. Disponible
https://www.ipcc.ch/site/assets/uploads/2018/03
/WG1AR5_SummaryVolume_FINAL_SPANIS
H.pdf
Jena, P., Managi, S., & Majhi, B. (2021). Pronóstico
de las emisiones de CO2 a nivel global: un
modelo de red neuronal artificial multicapa.
Energies, 14(19), 6311-633. Documento en
línea. Disponible
https://doi.org/10.3390/en14196336
Li, X., & Zhang, X. (2023). Un estudio comparativo
de modelos estadísticos y de aprendizaje
automático sobre la predicción de las emisiones
de dióxido de carbono de China. Environ Sci
Pollut Res Int, 30(55), 117485–117502.
Documento en línea. Disponible
https://doi.org/10.1007/s11356-023-30428-5
Mantilla, L., Camargo, Y., Bolaño, S., & Tovar, F.
(2023). Estimation of Road Transportation
Emissions in Colombia from 2010 to 2021.
Atmosphere, 14(7), 1167. Documento en línea.
Disponible
https://doi.org/10.3390/atmos14071167
MINAM – COP21. (2015). Ministerio del Ambiente
– Conferencia de las Partes 21a. (Primera ed.).
Perú. Documento en línea. Disponible
https://repositoriodigital.minam.gob.pe/bitstrea
m/handle/123456789/437/BIV01726.pdf?seque
nce=1&isAllowed=y
MINAM – COP25. (2019). Ministerio del Ambiente
– Conferencia de las Partes 25 a Foro Anual de
Miembros del NDC Partnership, Convención
Marco de las Naciones Unidas sobre el Cambio
Climático. Madrid. Documento en línea.
Disponible
https://www.gob.pe/institucion/minam/noticias/
70650-cop25-peru-apuesta-por-una-mayor-
ambicion-para-enfrentar-el-cambio-climatico-
al-2030
MINAM – INGEI. (2019). Ministerio del Ambiente
– Inventario Nacional de Gases de efecto
Invernadero. Sector Energía, PIUP, Desechos,
Agricultura y USCUSS, Infocarbono.
Documento en línea. Disponible
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(616)
http://www.aulavirtual.web.ve
https://infocarbono.minam.gob.pe/annios-
inventarios-nacionales-gei/ingei-2019/.
MINEM – BNE. (2022). Ministerio de Energía y
Minas-Balance Nacional de Energía. Consumo
Final Nacional. Documento en línea. Disponible
https://www.gob.pe/institucion/minem/informes
-publicaciones/5575775-balance-nacional-de-
energia-2022
OCDE / ITF. (2009). Challenges & Opportunities in
the Downturn / International Transport Forum.
Transport for a Global Economy. Documento en
línea. Disponible https://www.itf-
oecd.org/sites/default/files/docs/09highlights.pd
f
OSINERGMIN. (2014). La industria del gas
natural en el Perú. A diez años del Proyecto
Camisea. Documento en línea. Disponible
https://issuu.com/osinergmin/docs/industria_del
_gas_natural_en_peru/43
Rafael, M., & Hernández, A. (2014).
Caracterización de un motor de combustión
interna con dos tipos de combustible. Instituto
Mexicano del Transporte. Documento en línea.
Disponible
https://www.imt.mx/archivos/Publicaciones/Pub
licacionTecnica/pt417.pdf
Salaet, S., & Roca, J. (2010). Agotamiento de los
Combustibles Fósiles y Emisiones de CO2:
Algunos Posibles Escenarios Futuros de
Emisiones. Revista Galega de Economía, 19(1),
1-19. Documento en línea. Disponible
http://redalyc.uaemex.mx/src/inicio/ArtPdf.jsp?i
Cve=39113124001
Santa, E., & Regalado, M. (2022). El transporte
frente al desafío de la Transición Energética en el
Perú hacia el 2050. Natura@economía, 7(2),
131-148. Documento en línea. Disponible
https://doi.org/10.21704/ne.v7i2.2115
Sharma, S., Mittal, A., Bansal, M., Joshi, B., &
Rayal, A. (2024). Pronóstico de las emisiones de
carbono en la India utilizando el enfoque de
predicción de series temporales (ARIMA).
Apuntes de Ingeniería Eléctrica, 1086.
Documento en línea. Disponible
https://doi.org/10.1007/978-981-99-6749-0_53
World Air Quality. (2018). Estadística y Reporte de
la Calidad del Aire Mundial. Documento en
línea. Disponible https://www.iqair.com/dl/pdf-
reports/world-air-quality-report-2018-en.pdf