Lo que pasó
En los últimos meses, la inversión china en Europa ha vivido un repunte espectacular, y el motor de ese cambio tiene nombre propio: el coche eléctrico 🚗⚡. Gigantes como BYD, Geely o Great Wall Motors están desembarcando con fábricas, alianzas y centros logísticos en países como Hungría, España, Francia o Alemania. Bruselas, mientras tanto, observa con la ceja levantada: ¿estamos ante una oportunidad industrial histórica o ante una dependencia estratégica disfrazada de modernidad?
Más allá de los titulares geopolíticos, lo verdaderamente fascinante para quien enseña o aprende estadística es que tenemos delante una serie temporal 📈 en plena formación: año a año, trimestre a trimestre, millones de euros que cuentan una historia. Y las historias hechas de números son las que mejor se enseñan en clase.
Por qué importa estadísticamente
Cuando un fenómeno económico se mueve con esta velocidad, los datos dejan de ser una foto fija y se convierten en una película 🎬. Y para entender películas, los estadísticos usamos un instrumental específico: el análisis de series temporales.
Una serie temporal es, sencillamente, una secuencia de observaciones medidas en momentos sucesivos del tiempo (años, trimestres, meses). Lo interesante no es solo cuánto vale cada punto, sino:
- 📉 La tendencia: ¿la inversión crece, decrece o se estanca a largo plazo?
- 🔁 La estacionalidad: ¿hay trimestres que repiten patrones (cierres anuales, ferias del automóvil)?
- ⚡ Los shocks: ¿qué pasa cuando entra en vigor un arancel o se firma un acuerdo?
- 🔮 La predicción: ¿qué cabe esperar para los próximos 12-24 meses?
Saber leer estos cuatro componentes convierte una columna de cifras en un mapa para tomar decisiones. Justamente lo que necesitan los reguladores europeos.
Mirando los números
Para llevar este caso al aula, hemos construido una tabla didáctica con datos ilustrativos (no oficiales, pensados solo para la práctica docente). Imaginemos la inversión directa china en el sector del automóvil eléctrico en Europa, expresada en miles de millones de euros:
| Año | Inversión china en automoción eléctrica (B€) | Variación interanual (%) | Cuota sobre inversión china total en Europa |
|---|---|---|---|
| 2019 | 1,2 | — | 11% |
| 2020 | 1,5 | +25% | 15% |
| 2021 | 2,1 | +40% | 22% |
| 2022 | 3,4 | +62% | 34% |
| 2023 | 5,9 | +74% | 48% |
| 2024 | 7,8 | +32% | 57% |
| 2025* | 9,4 | +21% | 61% |
*Estimación parcial. Datos ilustrativos para uso docente, inspirados en informes públicos del Rhodium Group y MERICS.
Una lectura rápida descubre dos hechos llamativos: la inversión casi se multiplica por ocho en siete años, y la cuota que representa el coche eléctrico dentro de la inversión china total pasa del 11% al 61%. La automoción eléctrica ya no es una pieza más: es el ancla 🔗.
Visualización recomendada
📊 La mejor forma de transmitir esta historia es un gráfico de líneas dobles:
- Eje X → años (2019–2025).
- Eje Y izquierdo → inversión absoluta en miles de millones de euros (línea continua).
- Eje Y derecho → cuota porcentual sobre el total chino en Europa (línea discontinua).
Sobre ese gráfico se puede superponer una línea de tendencia suavizada (media móvil de 3 años) para hacer visible el componente estructural por encima del ruido anual.
¿Qué nos dice el modelo?
Apliquemos un modelo sencillo de serie temporal apto para Bachillerato y primeros cursos universitarios. La técnica clásica es la descomposición clásica:
Y(t) = Tendencia(t) + Estacionalidad(t) + Ruido(t)
Con datos anuales no hay estacionalidad fuerte, así que el modelo se simplifica a Tendencia + Ruido. Una primera aproximación es una tendencia exponencial, ya que las tasas de crecimiento sugieren un comportamiento multiplicativo y no aditivo:
Ŷ(t) = a · b^t
Ajustando logaritmos con regresión por mínimos cuadrados sobre los datos ilustrativos, se obtiene aproximadamente:
- a ≈ 0,85 (inversión esperada en el origen del periodo).
- b ≈ 1,42 (factor multiplicativo anual: ~42% de crecimiento medio).
- R² ≈ 0,98 (el modelo explica casi toda la variabilidad).
🔮 Con esta función, la predicción para 2026 rondaría los 11-13 mil millones de euros si no hay disrupciones. Pero ojo: aquí entra el segundo gran concepto pedagógico, los shocks exógenos. Un arancel europeo del 35% sobre los vehículos eléctricos chinos podría introducir un punto de cambio estructural (en inglés, structural break) que rompa la tendencia. Los modelos ARIMA con variables intervención (Box-Tiao) están diseñados precisamente para capturar ese tipo de saltos.
Indicadores complementarios
Una serie temporal no vive aislada. Para enriquecer la lectura conviene observar simultáneamente:
- 🔋 Matriculaciones europeas mensuales de vehículos eléctricos (ACEA).
- 💶 Tipo de cambio EUR/CNY (afecta a la rentabilidad de invertir desde China).
- 🏭 Capacidad instalada de gigafactorías en suelo europeo.
- 📑 Calendario regulatorio: aranceles, ayudas, normativa Euro 7.
Lo que el aula puede aprender
Esta noticia es un regalo para cualquier profesor o profesora que quiera trabajar series temporales sin caer en lo abstracto. El alumnado palpa que las matemáticas no están solo en el libro: están detrás de cada noticia económica.
Retos y preguntas para el aula 🧠
- Construye un gráfico de líneas con los datos de la tabla y traza a mano una línea de tendencia. ¿Es lineal o exponencial? Justifica.
- Calcula la tasa media de crecimiento anual (CAGR) entre 2019 y 2025. Compárala con la b del modelo exponencial.
- Aplica una media móvil de 3 años a la columna de inversión. ¿Cómo cambia la lectura visual?
- Si en 2026 entrara en vigor un arancel del 35%, ¿qué tipo de shock introducirías en el modelo: aditivo, multiplicativo o de cambio de pendiente? 💡
- Diseña un indicador de dependencia industrial de Europa respecto a China. ¿Qué variables incluirías?
- Discute en grupo: ¿por qué un R² muy alto (0,98) no garantiza que la predicción para 2026 sea fiable?
- Busca datos reales en Eurostat o ACEA y replica la serie con cifras oficiales. ¿Difieren mucho de las ilustrativas?
- Redacta un titular periodístico de 12 palabras que resuma de forma honesta el modelo (sin exagerar ni minimizar).
Reflexión final
📚 Las series temporales nos enseñan algo más profundo que ajustar curvas: nos enseñan a distinguir señal de ruido, a no confundir un repunte coyuntural con una tendencia estructural, y a desconfiar de las extrapolaciones lineales en mundos no lineales. La irrupción china en el coche eléctrico europeo es, ahora mismo, una tendencia poderosa; pero el aula nos recuerda que toda tendencia vive a merced de los shocks: regulatorios, geopolíticos o tecnológicos.
Enseñar estadística a partir de noticias así consigue dos cosas a la vez: 🎯 que el alumnado entienda el mundo en el que vive, y ✅ que descubra que detrás de cada decisión europea, americana o asiática hay alguien —ojalá pronto, ellos y ellas— mirando una serie de números y preguntándose qué dirán mañana.
