Propuesta Final de Tesis

Estructuras de telecomunicaciones en la ciudad de buenos aires: el impacto económico del fenómeno ambiental.
a) Pregunta principal de la investigación
¿Cuál es el verdadero impacto económico, con respecto a la proliferación de estructuras de telecomunicación en la ciudad, desde la perspectiva de la percepción del riesgo de parte de la población? ¿Pueden considerarse las variaciones del valor de las viviendas conforme a su distancia relativa con respecto a estas estructuras como un indicador posible y relevante?
El objetivo del trabajo a desarrollar es dimensionar el "costo social" de la implantación de estructuras de telecomunicaciones en el ejido urbano local, en particular de telefonía celular, desde el punto de vista del riesgo ambiental percibido por los habitantes. Para esto, se ha definido como método el desarrollo de un modelo de precios hedónicos que defina el verdadero impacto, y su relevancia, en el precio de mercado de las viviendas, dada su proximidad a una de estas estructuras. Se espera que este modelo capture la disponibilidad marginal al pago de las firmas (potenciales compradores o inquilinos) en relación a lo anterior. Una vez determinado el mismo, se abordará el análisis de las principales condicionantes y la diversidad de patrones en cuanto a la percepción del riesgo presunta, en distintas ubicaciones de la ciudad, y en relación a cuestiones relativas a las características socioeconómicas predominantes. La hipótesis principal del trabajo se basa en que el nivel de riesgo percibido tiene su correlato en los valores inmobiliarios residenciales, y que el mismo está directamente relacionado con nivel de información de la comunidad al respecto de sus verdaderos efectos sobre la salud de la población, concluyendo que el déficit imperante en este aspecto resulta una traba importante al desarrollo de un servicio público, que actualmente resulta imprescindible.
b) Cómo se responderá esta pregunta: Descripción de la metodología de análisis.
El análisis descripto se acotará al territorio de la Ciudad Autónoma de Buenos Aires, en particular a determinados sectores de la misma, seleccionados en función de la densidad de estructuras de telecomunicaciones y de su representatividad en relación a diferentes aspectos socioeconómicos a evaluar en cada uno de ellos. Esto es así en función de la diversidad esperada con respecto a los distintos aspectos inmobiliarios que conforman el precio de las propiedades, y a la disponibilidad de datos tanto en términos de valores de venta/ alquiler publicados como en lo que se refiere a la ubicación de las estructuras indicadas (el Gobierno de la Ciudad ha publicado en su página Web un mapeo de las estructuras habilitadas, que incluye por lo menos el 50% de las que efectivamente existen en la actualidad).
Habiendo acotado este alcance, se define que el relavamiento de los valores se concentra en los precios de ofrecimiento publicados por la oferta, siendo que los valores de escrituración, para el caso de las operaciones de venta, por lo general se registran por debajo de los verdaderos precios de cierre. En un principio, el relevamiento se extenderá también a la oferta de viviendas en alquiler, a los fines de definir si la condición de propietario o inquilino, y de los factores de decisión de la demanda en cada caso, supone o no un impacto diferente en lo que hace a la valoración de una vivienda que se encuentra afectada por su condición de cercanía a una estructura.
De la misma manera, el relevamiento se restringirá a departamentos en la Ciudad Autónoma de Buenos Aires, dado el mayor volumen de oferta publicada y teniendo en cuenta, además, que generalmente las estructuras de telecomunicación se implantan en las azoteas de los edificios de altura, y que la mayor densidad de las mismas, considerando la tecnología utilizada, se da en los sectores más densamente poblados, dado el mayor tráfico a abastecer, sobre todo en lo referente a estructuras de telefonía celular. No se analizarán viviendas unifamiliares por no ser bienes sustitutos y constituir un mercado diferente.
Los datos considerados se obtendrán de las siguientes fuentes:
- Webs brokers
- Buscadores propiedades (clasificados digitales)
- Revistas de publicidad por barrio (disponibles en oficinas brokers)
- Consultas sobre carteles de ofrecimiento detectados
Se plantea entonces la hipótesis nula de que la distancia a una estructura de telecomunicaciones no tiene ningún efecto relevante en el precio de la oferta residencial. La hipótesis se tratará de resolver a partir de una ecuación de regresión de mínimos cuadrados, basada en un modelo de precios hedónicos que ilustre las variaciones relevadas en relación a esta variable, suponiendo que el resto de las variables independientes permaneciera constante.
Las datos a ingresar a la ecuación, una vez definido su “significancia”, serían los siguientes:
- Venta: Valor venta en USD, publicación. Campo número, continuo.
- Alq.: Valor alquiler mensual en USD, publicación, sin gastos. Campo número, continuo.
- Barrio: según clasificación y nomenclatura GCBA. Campo lista validación
- Piso: ubicación en nivel de edificio. Campo lista validación, rango.
- Frente plaza: A distancia máxima 50m desde plaza/ plazoleta/ parque. Campo lista validación, rango (si/ no)
- Subte/ tren: Distancia a boca/ estación más cercana medida en “cuadras”. Campo lista validación, rango.
- Avenida: Sobre avenida. Campo lista validación (si/no)
- Asentamiento: A distancia menor a 500m asentamiento o barrio de emergencia. Campo lista validación, rango (si/ no)
- Antena 0: Presencia antena en el edificio. Campo lista validación, rango (si/ no)
- Antena 1: Distancia a antena más cercana. Campo lista validación, rango.
- Antena 2: Distancia a segunda antena más cercana. Campo lista validación, rango.
- Torre: Torre perímetro libre o entre medianeras. Campo lista validación (si/no)
- Antigüedad: A estrenar, usado 1 (1 a 10 años), usado 2 (10 a 40 años), usado 3 (más de 40 años). Campo lista validación. Verificar: “usado 3” puede tener valoración positiva según caso.
- Orientación: Orientación principal. Norte, Sur. Campo lista validación
- Ocupación: Piso, semipiso, otro. Campo lista validación
- Posición: Frente, contrafrente, lateral, interno. Campo lista validación
- Sup. Propia: En m2, superficie propia cubierta. Campo número, continuo.
- Patio: Cuenta con patio propio. Campo lista validación (si/ no).
- Balcón: Cuenta con balcón con superficie propia entre 1,5 y 10m2 (si/ no) Campo lista validación.
- Terraza: Cuenta con terraza propia mayor a 15m2 (si/ no) Campo lista validación.
- Q dormitorios: Campo número, continuo
- Q baños: Campo número, continuo.
- Suite: Cuenta con dormitorio en suite definido como dormitorio con baño exclusivo, con o sin vestidor. Campo lista validación (si/no)
- Categoría: Referido a nivel de terminaciones y estado de mantenimiento. Campo lista validación (Excelente, muy buena, buena, regular)..
- Dependencias. Cuenta con dependencia de servicio, baño + dormitorio. Campo lista validación (si/no)
- Cochera: Cuenta con cochera propia. Campo lista validación (si/ no)
- Nivel amenidades: Piscina, SUM, gimnasio, parrilla, otro. Sin amenidades (nivel 0) Cuenta con 1 de la lista (nivel 1), cuenta con 2 de la lista (nivel 2), cuenta con 3 de la lista (nivel 3), cuenta con 4 de la lista o más (nivel 4). Campo lista validación. En este caso habrá que verificar si el nivel 0 debería ser 0 ó 1 para ingresarlo en la regresión.
La ecuación resultante sería, considerando que las regresiones se calcularán de manera discriminada por barrio o conglomerado de barrios, aproximadamente la siguiente:

Para operaciones de venta
Log (Venta) = β0 + β1 * Piso + β2 * Frente Plaza + β3 * Subte/ tren + β4 * Avenida + β5 * Asentamiento + β6 * Antena 0 + β7 * Antena 1 + β8 * Antena 2 + β9 * Torre + …+ ε
Para operaciones de alquiler
Log (alq) = β0 + β1 * Piso + β2 * Frente Plaza + β3 * Subte/ tren + β4 * Avenida + β5 * Asentamiento + β6 * Antena 0 + β7 * Antena 1 + β8 * Antena 2 + β9 * Torre + …+ ε

Como se indicó anteriormente, la ecuación se restringirá a aquellas variables que resulten significativas, una vez evaluados sus coeficientes, sobre los datos de la muestra.
Por otro lado, las variaciones de precios se medirán en función del logaritmo del valor relevado, ya que según se indica en la bibliografía consultada, resultaría la función más representativa de la disposición marginal al pago.

Habiendo calculado los coeficientes de variación de precios para las diferentes zonas analizadas, se avanzará calculando las regresiones entre éstos y los valores promedios de parámetros socioeconómicos y de consumo de cada uno, entendidos éstos como:
- Edad: Composición etaria. Campo lista validación por rangos de edad. Dato de EPH
- Hogar: Hogares unipersonales. Campo lista validación (si/no). Dato de EPH
- Educ: Nivel de educación alcanzado. Campo lista validación (primario, secundario, terciario/ universitario). Dato de EPH
- Cel: Nivel de capilaridad del servicios de telefonía celular. Campo numérico contínuo. Encuesta relevamiento propio.
- Info: Nivel información sobre efectos RNI, Radiaciones No Ionizantes. Campo lista validación (sin información, con información). Encuesta relevamiento propio.
- Internet: Nivel acceso a Internet. Campo lista validación (con acceso, sin acceso)
La hipótesis nula, en este caso, es que el nivel de educación, acceso a la información sobre efectos de las RNI y utilización de telefonía celular, no tiene efectos relevantes sobre el coeficiente de variación de precios según los distintos barrios o conglomerados de barrios relevados.
El trabajo de tesis se estructurará según los siguientes puntos:
- Introducción
- Definiciones previas sobre RNI (servicios de telecomunicaciones, estructuras para montaje de antenas, radiaciones electromagnéticas, parámetros sobre efectos)
- Normativa aplicable (GCBA, OMS, CNC)
- Modelo de precios hedónicos (definiciones previas, método de relevamiento, hipótesis y ajustes del modelo)
- Presentación de los datos
- Conclusiones

c) Resumen de la literatura relacionada al tema que fue revisada hasta ahora

- P. Martinez de Anguita “Economía ambiental y ordenación del territorio” Dpto. de Tecnología Química, Ambiental y de los Materiales. Escuela Superior de Ciencias Experimentales y Tecnología. Universidad Rey Juan Carlos. C/ Tulipán s/n 28933 Móstoles, Madrid, España.
Define el concepto de “Externalidad” como todos los costos o beneficios que recaen en la sociedad o el medio ambiente como consecuencia de la una actividad económica y que no están incluidos en el precio del producto que las ocasiona. No repercuten en el beneficio de las empresas pero genera efectos medioambientales y socioeconómicos. Al respecto cita la Teoría de las externalidades de Coase (1960)
Además presenta la Teoría del valor económico total de un bien (Pearce 1993, Pearce y Turne 1990), que describe aquel como la composición de: Valores de uso o ACTIVO, directos o indirectos; Valores PASIVOS, pueden ser de posibilidad de uso futuro o de existencia.
Una vez definido esto, avanza sobre las Técnicas de valoración y contabilidad ambiental, definidas para la cuantificación de preferencias dada la ausencia de un mercado formal basado en precios y cantidades. Tal el caso de los modelos de precios hedónicos, coste del viajaste evitado, valoración y evaluación contingente, etc.
En síntesis, de manera preliminar deben identificarse las preferencias expresadas (de mercado) o no expresadas (externalidades). Al respecto, enuncia ejemplos de investigadores para desarrollar técnicas de contabilizacion de externalidades y su integración al análisis económico. Con estos datos, se puede desarrollar Cuantificación de la sostenibilidad: Los economistas ambientales concuerdan que para alcanzar la sostenibilidad es necesario incorporar a las cuentas económicas los bienes y servicios proporcionados por el ecosistema (Constanza 1991). El objeto es calcular la renta directa hicksiana (Hicks 1946): la renta total sustentable de un sistema es aquel flujo (renta) de dinero (real o imputado) generado durante un periodo contable (un año) que gastado en su totalidad en dicho ejercicio deja a su perceptor con el mismo fondo de riqueza económica (capital) al final del periodo contable que el que poseía al principio del ejercicio en términos reales, en ausencia de nuevos descubrimientos de riquezas y de transferencias netas exteriores al sistema. la renta total (rt) puede ser medida por la suma del valor añadido neto (van) y las ganancias de capital (gc), con inclusión de los beneficios y males ambientales: rt = van + gc. De este modo se logra incorporar la sostenibilidad del ecosistema por la cuantificación de pérdidas o ganancias del capital natural.
La Ordenación territorial busca coordinar racionalmente la conservación de la Naturaleza y la realización de las actividades humanas, sujeta a restricciones y posibilidades del entorno natural. Se basa en conceptos de capacidad, impacto, calidad y fragilidad. Cuando suma consideraciones socioeconómicas, resulta en Ordenación Territorial integrada, y se desarrolla a escalas territorial, nacional, regional, comarcal, local y operacional. Tradicionalmente no incorporaba la valoración de los recursos naturales, al carecer de un mercado en el que los precios y las rentas públicas sean explícitos. Así, la renta, ya no sólo económica, sino ambiental y social que genera el territorio, es difícilmente cuantificable, permaneciendo entonces las decisiones en el campo subjetivo. Generalmente, al no contarse con datos fácilmente mensurables o valorables, objetivos específicos o comensurables, y dado el corto plazo para la toma de desiciones, la interdisciplinariedad y las restricciones de las partidas presupuestarias, la cuantificación económica queda generalmente relegada a un segundo plano. Así, no se distingue entre capital y renta, fundamental para la sostenibilidad, o no se valora el uso (renta) que genera un espacio para el público independientemente de su valor en el mercado, ni se genera un marco donde las comparaciones de preferencias permitan asignar eficientemente presupuestos justificados a las políticas de conservación y uso de recursos.
El valor del artículo, radica fundamentalmente, en la aproximación metodológica al concepto de “externalidades” y su contabilización e integración en las evaluaciones de impacto de las actividades econonómicas.

- Allan Stewart-Oaten, William W. Murdoch, Keith R. Parker Source “Environmental Impact Assessment: Pseudoreplication in Time?” Ecology, Vol. 67, No. 4 (Aug., 1986), pp. 929-940. Ecological Society of America
Basándose en el caso de Green de 1979, en donde una fuente de contaminación vierte sus efluentes en un curso de agua, y analizando el efecto sobre las especies aguas arriba y debajo de la fuente, antes y después de la aplicación de algún tipo de control, se define entones un caso de “una única área de impacto y una única área de aplicación del control”. Analiza los diferentes métodos de evaluación de impacto. Para los autores una forma de corregir “defectos” estadísticos detectados en los mismos es usar los muestreos temporales como réplicas pero midiendo las áreas de Impacto y Control simultáneamente, indicando como resultado en cada caso la diferencia entre ambas mediciones.
Además indica que los estudios sobre impacto ambiental requieren de la selección de un set de sitios representativos y de la elección “randomizada” de los sitios que estarán afectados por la fuente y cuáles por el programa de control. La conclusión al respecto, es que deben considerar el caso de agentes externos, algunos sistemáticos (ej. Estaciones) y otros aleatorios, que dependiendo de sus características y dimensiones puede afectar de manera similar , o NO, los sitios.
Al respecto amplían el concepto “densidad de población promedio”. Indican que el set de factores detectados, aleatorios o sistemáticos, constituyen un proceso de “producción de abundancia”. Como los factores sistemáticos del proceso podrían “fijarse” a los efectos experimentales, señalan que son los aleatorios los que constituyen “distribución probabilísticas”. Por eso es importante la medición de las diferencias relativas entre las curvas promedio de abundancia de las áreas de control e impacto.
Como solución indican un método BACI (Before, Alter, Control, Impact) que evalúa si éstas diferencias entre los varían con el Start up de la fuente. Introduce, entonces el concepto de aditividad de los efectos de tiempo y locación.
A través de gráficos muestra cómo las diferencias entre las curvas de medios están afectadas ambas por aspectos físicos y otros (ej. Estacionales) con un efecto multiplicativo, no aditivo. La diferencia varía cíclicamente. El enfoque aditivo podría resultar en dos consecuencias: Si las mediciones son matcheadas correlativamente, el efecto produciría un test más “débil” o conservador. Caso contrario, los períodos con grandes diferencias, podrían llevar a conclusiones erróneas. Esto puede al menos minimizarse si las mediciones se realizan en ambas curvas en la escala correcta. Al respecto cita los métodos de Tukey (1949), Box y Cox (1964) y Andrews (1971).
El tercer problema en el concepto de la no aditividad es el problema de la covarianza, cuando las dos areas (Impacto y Control) que no necesitan ser idénticas, no cumplen con: a) variaciones de curvas entre las áreas, según una constante antes de la aparición de la fuente y b) los efectos regulares (Ej. Estacionales) o a largo plazo coincidentes. Cualquier transformación debe ser considerarse previo a la aparición de la fuente, para poder independizarlo.
Independencia de las “réplicas” temporales
Considerar que NO necesariamente las muestras No están correclacionadas, para que las diferencias lo estén. Los errores se componen de errores de muestreo y de proceso. Los primeros suelen ser independientes en casi todos los análisis. Si los de proceso no son independientes a lo largo del tiempo, pero son idénticos en las dos locaciones, sí lo son las diferencias relativas entre áreas a lo largo del tiempo. No es realista asumir errores de proceso idénticos entre las dos áreas, pero es posible llegar a idénticos resultados a través de otros supuestos. De los efectos aleatorios posibles, son aquellos de gran escala, alcance local y de larga duración aquellos que pueden afectar el supuesto de independencia. Esto puede ser demostrado por el modelo “Markoviano”: La independencia o baja correlación es posible solo si no se dan efectos aleatorios de gran escala, locales y de largo plazo. Los autores indican distintos métodos para medir este supuesto vs. los datos obtenidos.
Bajo los supuestos de “aditividad” e “independencia”, sugieren usar los t y U test para decidir si la fuente contaminante tiene efecto alguno. Los resultados contradictorios o estadísticos al límite deberían ser chequeados vs. observaciones adicionales. Idem la posible correlación serial.
La abundancia en al área de impacto, antes y después del mismo, es la única población de interés. El área de control no representa una población de interés pero es útil para distinguir entre los efectos del tratamiento y aquellos temporales. Además, las secuencias de muestreo no deben ser elegidas aleatoriamente, a fin de evitar la correlación serial y maximizar la utilidad de información (ej. Estación en la que abunda la especie objetivo).
Si, además del Start up de la fuente, se diera un efecto impredecible, de gran escala y a largo plazo, sería muy difícil detectarlo directamente de las observaciones, al igual que su grado de probabilidad. Por eso siempre deben ser considerados tanto el efecto posible de la fuente como cualquier otra causa de los resultados obtenidos. Esto sobre todo se da en los estudios “randomizados” porque los resultados pueden darse no solo por el tratamiento sino también por la forma en que éste es administrado. En tales casos, debe considerarse los efectos posibles de cada una de estas formas de administración posibles.
Presenta la clasificación de las las técnicas estadísticas según su objetivo: a)“análisis exploratorio de los datos” , b) “análisis confirmatorio de los datos”. Generalmente, las conclusiones derivadas de éstos requiere de los mismos supuestos de los procedimientos inferenciales (independencia, no aditividad, causas adicionales de error, etc.) además de considerar cuestiones de presentación y armado de los mismos. Su objetivo es por lo general demostrar la significancia “física” más que estadística de las observaciones.

Jose Lopez de Sebastián y Gomez de Agüero “Evaluación económica del impacto ambiental” Centro Internacional de Formación en Ciencias Ambientales (CIFCA) Madrid, 1977
Teoría del bienestar: Nivel óptimo de eficiencia en la asignación de recursos a la producción y al consumo si cada precio iguale al coste marginal social. Esto obliga a asignar precios a los bienes y servicios de naturaleza pública, a evaluar externalidades (costes producidos en el sistema económico por cualquier actividad del mismo, no contabilizados monetariamente por escapar su apreciación a los criterios convencionales de cálculo de costes de producción).
Modelo “Balance de materiales” de Karl-Goran Mäler.
Producción y servicios intercambian trabajo + bienes + servicios + residuos
Producción no se limita a recibir materias primas (RR provenientes de ½ A) y MO. Además, requiere de una red tratatamiento de residuos para restringir externalidades y producción materias primas de los deshechos. Por lo tanto, la tecnología de la empresa es más compleja, y por ende lo son los coeficientes insumo/ producto.
Producción y acumulación de capital implica una inversión neta (positivo) y depreciación (negativo). El capital también se transforma en “deshecho” que si no es reciclado en materia prima, requiere transporte y tratamiento especial para volver al medio ambiente.
El consumo produce residuos al medio ambiente, mientras que éste produce servicios medioambientales (Ej. Parques), culturales y científicos, para los consumidores. La gestión ambiental, pretende ampliar la capacidad de absorción de residuos del medio o eliminar el daño ecológico producido por la producción (materias primas) o el cosnumo (residuos). Para ello requiere de insumos físicos derivados de la producción y MO. Al respecto presenta modelo Mäler y desarrolla los principios teóricos generales de las técnicas de evaluación (Óptimo de Pareto, utilidad, beneficio, tasas marginales entre consumidores y productores, sustituibilidad entre factores, productos, bienes de consumo, coste marginal social, disponibilidad marginal al pago) y especifica en particular los conceptos de: a) Función objetivo y preferencias sociales, b) utilidad y beneficio en la preferencia social, c) Valoración de beneficios, d) valoración de los costes, e) Proyectos de inversión pública, f) Evaluación de inversiones privadas, g) Valor actualizado TIR.
Más adelante, el análisis presenta las externalidades debidas a la protección medioambiental que representan costes sociales a incluir en la evaluación de proyectos, más allá de la complejidad de su cálculo. A éstos suma una técnica de evaluación de beneficios recreativos.
Finalmente, se presenta el problema regional o de modelos integrados, que alude a la evaluación de beneficios y costes sociales desde el punto de vista técnico, y su ponderación desde el punto de vista político, en un esquema de producción regional-

Daniel Alfredo Revollo Fernandez “Calidad de la vivienda a partir de la metodología de precios hedónicos para la ciudad de Bogotá- Colombia”. Revista Digital universitaria, Junio 09. Vol.10. Num. 7. Universidad Autónoma de México.
A través de un modelo de Precios Hedónicos (PH) define qué variables estructurales y del entorno afectan el precio en localidades pobres y ricas en el departamento de Bogotá. Concluye que la inversión en obras públicas puede afectar positiva o negativamente el nivel de precios por vía indirecta a través del cambio en el uso de la tierra y dependiendo de la localización. El análisis clasifica las localidades de Bogotá en pobres o ricas (nivel de necesidades básicas insatisfechas e ingreso por ciudadano) y analiza en qué se basan las decisiones de los agentes y cómo afectan las inversiones urbanas públicas o privadas. En síntesis se analiza la Disponibilidad Marginal a Pagar (DMP) y su correlación con las características estructurales o de entorno.
El precio del bien, en relación a sus características es: P=P(Z, A) donde Z es el vector de atributos estructurales y A al de entorno. El equilibrio de oferta y demanda se basa en la maximización de consumidores y productores y la función de utilidad de las familias es: U (Z, A, X, α) donde se incorporan X como bien compuesto y α como un vector de características socioeconómicas. Para las familias, maximización de U estará sujeta su restricción presupuestaria (Y): Max Z, A, X U (Z, A, X, α) s.a. P (Z, A) + X=Y . Así se obtiene la función de demanda: φ(Z, A, y, u, a). Representa la DMP por un bien con determinadas características. La derivada con respecto a alguna de esas características, que indicará la tasa de “cambio” a la cual se optaría a cambiar el gasto, será: δφ (Z, A, y, u, α)/ δ Zi = PZi (Z, A). El PH de i será su tasa marginal de sustitución vs. el bien compuesto. UZi (Z, A, X, α)/ UXi (Z, A, X, α)= PZi (Z, A)= δφ (Z, A, y, u, α)/ δ Z donde i= 1, 2, 3,…, n. En el óptimo, el consumidor deberá igualar las pendientes de la función de postura y el PH para cada i.
Los productores por su parte, deberán decidir sobre la cantidad y la calidad de la vivienda a producir, presentando una función de costos: C (Z, A, N, β), donde N es la cantidad de bienes a producir y β es la tecnología utilizada. Max Z, A, N π= NP (Z, A) - C (Z, A, N, β ) y la función de oferta es ρ (Z, A, N, β). Según Freeman 1993, el precio marginal de un atributo debe igualar a su costo marginal: δP/ δ Zi = δC/ δ Zi.
El equilibrio de mercado supone que ambas funciones oferta y demanda son tangentes, formando la función de PH como la envolvente de ambas.
Para el caso de Bogotá, la información se obtuvo por m2 del Departamento Administrativo de Medio Ambiente, DAMA, y la Encuesta de Calidad de Vida 2003: a) precio venta de departamentos y casas, b) Nivel de estrato (clasificación socioeconómica realizada por el Departamento de estadística), c) área de la vivienda, d) tipo, e) Seguridad, f) cercanía a un área verde, g) cercanía al transmilenio (transporte masivo), h) edad de la vivienda, i) Nivel de contaminación PM10 (mg/m3), j) Ingreso y NBI.
Se escogieron 970 casas/ departamentos dentro de 19 localidades o barrios de Bogotá, y de diferentes estratos económicos. El modelo de PH utilizó las variables: precio en pesos (continua), PM10 o contaminación (continua), tipo apartamento o casa (dummy), estrato (continua), NBI (continua, dependiendo de la localidad), antigüedad (continua), seguridad las 24 hrs. (dummy), àrea (continua), cerca de Transmilenio (dummy), cerca zona verde (dummy). Y señala la ecuación del modelo resultante: Pθ=β0 + β1 PM10λ+ β2 áreaλ+ β3 estratoλ+ β4 NBIλ+ β5 Tipoλ+ β6 Seguridadλ+ β7 Zona verdeλ+ β8 Transmilenioλ+ β9 Antigüedadλ+εi
Después de analizar qué forma funcional es la más apropiada para el modelo de PH, el estudio analiza cómo varían esta DMP según si la localidad es rica o pobre, definido esto por medio de NBI e Ingreso/ cápita. Luego se definen las estadísticas descriptivas para las variables en cada grupo y los coeficientes para ingresar las mismas al modelo PH.
En síntesis, el artículo es relevante al trabajo de tesis propuesto, en tanto la formulación de la hipótesis, la estructura metodológica descripta y la evaluación de las conclusiones en relaciones a los parámetros socioeconómicos de cada localidad analizada.

C. Mardones, “Impacto de la percepción de calidad del aire sobre el precio de las viviendas en Concepción/ Talcahuano, Chile” Cuadernos de Economía, Vol.43, PP. 301-329,Nov. 2006, Universidad de Chile
El trabajo toma como hipótesis nula que la percepción de la calidad del aire, sobre todo medida en término de “malos olores” en las proximidades de las plantas de industria pesquera de Talcahuano, Concepción, no tiene ningún efecto relevante en el valor de las viviendas de la zona.
Utiliza un modelo de precios hedónicos con el objetivo de capturar la disponibilidad al pago por diferencias en las amenidades y sus consecuencias, ejemplo, efectos en la salud a largo plazo, por la calidad ambiental, pero las personas que no estén consientes de este efecto no revelarán esta diferencia.
La principal dificultad metodológica del trabajo resultó en medir la variable ambiental de “malos olores”. Se realizó una encuesta en distintas áreas de la comuna, que por disponibilidad de recursos, en lugar de utilizar un muestreo aleatorio, se limitó a un muestreo probabilístico.
El modelo teórico se basa en Freeman 1993: La disponibilidad marginal a pagar por zj es igual al costo marginal de adquirir más zj, todo lo demás constante. Se obtiene así la curva de indiferencia que da la máxima cant. que el individuo pagaría por obtener un modelo función de zj, manteniendo los otros bienes constantes . Por las diferencias en las preferencias / ingresos, esta función puede variar según individuo.
Los costos de producción de las firmas, dependen de los niveles de las características z. Si las firmas son heterogéneas los costos de producción son diferentes. Invirtiendo su función de beneficio, se obtiene la curva de oferta de las características y máximo beneficio obtenible.
La función de precios hedónicos está compuesta por las curvas de utilidad de todas las familias y beneficio de todas las firmas. Para que todas las firmas e individuos estén en equilibrio, sus curvas deben ser tangentes a la función de precios hedónicos. El precio de una característica determinada podrá ser calculado diferenciando la función de precio hedónico con respecto a la misma obteniendo el incremento del gasto en Y para obtener una unidad adicional de Zj, si todo lo demás se mantiene constante. Si la función es lineal, los precios para los individuos son constantes. Si no lo es, el precio depende de la cantidad adquirida de Zj.
Si la función implícita es lineal en zj no es posible indicar la curva de demanda por zj .El precio es igual para todos los individuos. Pero pzj indica la disposición marginal a pagar (DMP) o beneficio marginal por cada cantidad adicional de zj para cada individuo.Si la función es no lineal, entonces distintos individuos tendrán distintos pzj. Como el modelo de precios hedónicos es insuficiente para identificar como los individuos responden a distintos precios implícitos e ingresos. Se requiere una segunda etapa de estimación. Para Rosen (1974) la primera etapa define la función Py y sus parámetros. La DMP por un atributo se obtiene por la derivada de la función con respecto al mismo. Los cambios de bienestar se miden sobre la curva de la derivada, lejos de la tangencia con la función hedónica. La segunda etapa identifica la función de demanda inversa por el atributo zj que se utiliza para medir el cambio exacto de bienestar. Indica dos métodos de cálculo de esta función.
Las estimaciones hedónicas para medir calidad ambiental difieren en método según el atributo ambiental a medir, el precio de las transacciones, y el período de tiempo considerado. Si el efecto del cambio ambiental es localizado, la función de precios hedónicos no cambia. Si afecta a una gran proporción del mercado, se produce el cambio en la función. Otra consideración es la movilidad de las familias en respuesta al cambio ambiental, esté dada por los precio de relocalización o la duración de los períodos analizados.
Existen dos modelos alternativos a Precios hedónicos: bidding aleatorio y utilidad aleatoria, que sugieren cantidades de consumo discretas y no contínuas como en PH. Se basan en modelos logit multinomial y logit anidado.
Los factores de elección de las viviendas pueden clasificarse en estructurales de la vivienda, localizacionales y ambientales. La función se escribe p=p (z1i, z2j, z3k), donde z1i son atributos estructurales (i=1,…I), z2j localizacionales (j=1,…J) y z3k ambientales (k=1,…K). Indica tabla con las variables medidas (dependiente, precio + independientes) indicando signo esperado y código. Wilhelmsson (2000) indica que los atributos estructurales más utilizados en PH son área interior, cant. de baños, antigüedad, garage y área exterior. El trabajo sólo utiliza áreas interiores y exteriores. Las variables localizaciones describen la posición en relación a amenidades urbanas y el trabajo selecciona la distancia a centros comerciales y urbanos, plazas, parques y áreas verdes naturales. Para el trabajo, la variable ambiental es la percepción subjetiva de malos olores. Otra variable considerada a nivel subjetivo es la percepción de seguridad. Así definida, la función es:
Precio= f (área exterior, área interior, dist. Concepción, dist. Talcahuano, plaza, parque, área verde, mal olor, seguridad).
Los datos corresponden a los precios de las transacciones realizadas en Tacahuano y Concepción en el 2003. Se seleccionaron solo las transacciones entre personas físicas y/o jurídicas, para acotar el análisis al segmento residencial.
De los 360 casos preseleccionados, la muestra se acotó a los 239 de los cuales pudo obtenerse toda la información. Al principio se analizaron casas y departamentos juntos, pero como en general son considerados como mercados separados, y los casos eran insuficientes para correr dos regresiones, el estudio se limitó a casas, total 158 observaciones. Las variables de distancia urbana se midieron en ml medidos según las manos de las calles.
Las variable seguridad se midió mediante un muestreo no aleatorio de 292 personas en 32 sectores, en la cual se consultó sobre el nivel de delincuencia en los sectores conocidos y representativos de la comuna. Los encuestados solo calificaron los sectores por ellos conocidos, no sólo donde vivían, generando una comparación relativa en una escala creciente de 1 a 5, utilizando la media y la mediana de las respuestas como indicadores de inseguridad.
Como los datos de niveles de contaminación (PM10 y SO2) no son suficientes ni están bien monitoreados, se utilizó la encuesta en los sectores afectados, utilizando un índice subjetivo de seis categorías crecientes, calificando qué sectores, que ellos conocieran, eran afectados por los malos olores de las plantas de industria pesada y harina de pescado. Como la medida de seguridad y malos olores son aleatorios los valores pueden definirse como una proxy de la verdadera medida + un error aleatorio, lo que sería un problema si éste estuviese correlacionado con el error de la función de PH, condición que se subsanaría si son considerados como “percepciones subjetivas” de los atributos y no del verdadero nivel.
Se presentan los supuestos considerados para el modelo de PH según Palmquist, los test estadísticos utilizados y las soluciones adoptadas.
- Magnitud del mercado
- Forma funcional
- Medida de las variables ambientales
- Problemas de Multicolinealidad
- Precio de Arriendo vs. Precios de vivienda
- Costos de la búsqueda y tiempo en el mercado
Se presentan los resultados según las formas funcionales sencillas (lineal, semilog, semilog inversa, log-log) Como en algunas especificaciones no se pudo eliminar la heterocedasticidad con mínimos cuadrados ponderados, se utilizó la estimación con la matriz de varianzas y covarianzas de White. También se presenta el modelo Boc-Cox lineal, más sencillo y flexible.
El resultado más importantes es que la variable ambiental malos olores es de signo negativo en todos los modelos de función pero significativo solo en tres de ellas. Las áreas verdes tienen signo positivo y significativo en todos los modelos.
Cómo se mide el efecto económico de los malos olores? Evaluando el efecto del aumento o disminución de la percepción en una vivienda representativa, calculando el efecto conjunto de las otras variables sobre el valor promedio de las mismas. Se verifica que la caída del precio depende de la forma funcional utilizada.
Los valores caen considerablemente cuando existe percepción en el área de la vivienda. Se concluye que los efectos descontaminadotes no son despreciables para los propietarios.
Conclusiones
El modelo de precios hedónicos es aplicable a la evaluación económica de la contaminación. Para el caso del paper, el efecto es negativo en el precio de las viviendas en tres de las cuatro especificaciones funcionales simples. Los resultados obtenidos pueden soportar una análisis costo-beneficio del nivel óptimo de contaminación y determinar los efectos redistributivos de la población afectada por actividades económicas que empeoran la calidad del aire.
El trabajo resulta relevante a la metodología y tema a desarrollar por la tesis

Bibliografía a desarrollar

- Megbolugbe, Isaac F. "An Hedonic Index Model: The Housing Market of Jos, Nigeria",
National Association of Home Builders, Washington, D.C. 20005
- LINNEMAN, P. (1980). «Some Empirical Results on the Nature of the Hedonic Price Function for the Urban Housing Market», Journal of Urban Economics, julio, pp. 47-68.
- Palmquist, R.B. (2003). .Property Value Models., In: Karl-Gören Mäler and Jeffrey Vincent, Ed., Handbook of Environmental Economics, Vol. 2 (North- Holland, Amsterdam).
- Freeman, A.M. III (1993). The Measurement of Environmental and Resource Values (Resources for the Future, Washington DC).
- Chattopadhyay, S. (1998). .An Empirical Investigation Into the Performance of Ellickson.sRandom Bidding Model, with an Application to Air Quality Valuation., Journal of Urban Economics 43: 292-314.
- Wilhelmsson, M. (2000). .The Impact of Traffic Noise on the Values of Single-FamilyHouses., Journal of Environmental Planning and Management, 43!(6), 799-815.
- Box, G. E. P., and D. R. Cox. 1964. An analysis of trans- formations. Journal of the Royal Statistical Society (Lon- don), Series B 26:211-252.

http://spreadsheets.google.com/ccc?key=0AgO5pQLqlhYSdFJHRG1NOU82MEhDQWdOZF9ONmFOdUE&hl=en
link mapeo estructuras telecomuniocaciones CABA

criterios de relevamiento datos de mercado

1) Fuente
- Webs brokers
- Buscadores propiedades (clasificados digitales)
- Revistas de publicidad por barrio (disponibles en oficinas brokers)
2) Segmento/ alcance
Acotado a departamentos en Capital Federal, publicados en venta. No se analizan viviendas unifamiliares por no ser sustitutos. Otro mercado.
Verificar: Las regresiones se correrán por barrio o conglomerado de barrios sustitutos-
3) Exclusiones
- Departamentos más de 1 piso por escalera
- Duplex, triplex, tipo loft, PH pasillo

Precios hedónicos de la vivienda sin características

PRECIOS HEDÓNICOS DE LA VIVIENDA SIN CARACTERÍSTICAS: EL CASO DE LAS
PROMOCIONES DE VIVIENDAS NUEVAS. Olympia Bover y Pilar Velilla. Banco de España - Servicio de Estudios. Estudios Económicos, nº 73 - 2001

Presenta dos modelo econométricos para el análisis: a) modelo hedónico estándar basado en las características observadas, b) modelos hedónicos con efectos de promoción para controlar características no observadas.
a) Ecuación hedónica: pit= γ0+δt+β mit+∑k αk ckit+eit (t=1,…,T)
Donde p=logP y P es el precio de la vivienda, m=log M y M es su superficie, c es un conjunto de variables ficticias, que indican la presencia de determinadas características (jardín, garaje, placares, aire acondicionado, piscina, ubicación, etc.), t e i representan período y vivienda, δt son coeficientes de variables ficticias de tiempo, o variaciones con respecto al año base γ0, de modo que δt=∑s=1 δs dsit donde dsit toma valor 1 cuando s=t y 0 en los otros casos. Β es el estimador de la elasticidad tamaño-precio. La ecuación especifica una ecuación logarítmica doble que ilustra la relación no lineal entre éstas variables. Lo novedoso del modelo es la incorporación de la variable tiempo, considerando además que los precios sombra de las características se mantienen constantes. Observa que los coeficientes son demasiado inestables en el tiempo, probablemente por la colinealidad tan frecuente en las ecuaciones PH tradicionales. Esto no invalida las variaciones, solamente dificulta las interpretaciones económicas de la evolución de los precios sombra estimados. Esta evolución temporal de precios se mide con respecto a la tasa de evolución de los precios medios. La estimación es exacta cuando los precios tienen una distribución lognormal con una varianza constante en el tiempo.
Para estimar el ajuste por calidad de los distintos modelos se estimó también la siguiente ecuación: (pit-mit)= γ0 + δt+ Uit. Donde δt es la medida de inflación de precios no ajustada por calidad, equivalente a la estadística de precios medios habitualmente definida (s/m2)

b) Modelo hedónico con variables ficticias de promoción: efectos aditivos. Una de las limitaciones de las ecuaciones a corregir por calidad es la NO observación de características que podrían ser determinantes del precio (usualmente referidas a la ubicación). La corrección de este tema se da sobre la observación de viviendas construidas en promoción (en un mismo período de tiempo, en un mismo lugar, con calidades similares y amenidades compartidas). Para este caso, se calcula un efecto de promoción específico, ζj, obtenido por medio de observaciones repetidas a través del tiempo y los distintos tipos de vivienda de una misma promoción. La ecuación de efectos específicos de promoción aditivos es: pijt= δt + β mijt+ ζj + εijt
En este caso, se observa que todas las características, salvo la superficie, se mantienen constantes en una misma promoción j e incluidas en el efecto aditivo. Aunque el efecto no varía con el tiempo, capta sin embargo variaciones temporales. Estimada la ecuación por MCO, como desvíos de las variables con respecto a la media, se obtiene: (pijt - pj)= ∑s=1 δs (dsijt - dsj) + β (mijt-mj) + (εijt- εj)
c) Modelo hedónico con variables ficticias de promoción: efectos aditivos y multiplicativos.
Este caso tiene en cuenta el impacto que algunas de las instalaciones de la promoción pueden tener sobre la elasticidad precio-tamaño. Para este modelo, se necesitan observaciones de promociones con más de un tipo de vivienda. Se indican las ecuaciones y su desarrollo.
Los modelo b) y c) tienen la ventaja de ser robustos aún en presencia de características no observables y de necesitar menor cantidad de datos para ingresar a la ecuación. Además, suponiendo que las características observadas y no observadas NO estén correlacionadas, las estimaciones de los precios sombra de las características observadas pueden obtenerse en una segunda etapa mediante la regresión de los efectos de promoción estimados sobre su características observadas. Los modelos captan la variación de precios por inflación y un sesgo puede producirse por los diferentes precios a los que se venden las viviendas en al inicio y al final (preventa, saldo). En los cuadros a continuación indica los valores obtenidos para distintas formas funcionales y para distintas especificaciones del modelo, tanto para el total de la muestra a escala nacional (España) como para el caso particular de cada municipio elegido para la muestra.
Observación: Si bien la base de datos incluía datos sobre el tamaño de las viviendas además de la superficie, como el número de dormitorios o de baños, los autores decidieron omitirlos, porque su inclusión dificultaba demasiado la interpretación de las estimaciones de los parámetros. Los autores además diseñan el modelo hedónico teniendo en cuenta algunos supuestos de interacción entre variables que después verifican: que la existencia de jardín o piscina puede tener menos valor si es compartido por muchas viviendas, o que la elasticidad precio-tamaño es menor cuanto más servicios comunes se pagan por fuera de la vivienda.
Habiendo verificado el impacto de la localización en el valor de la viviendo, y siendo las características asociadas a ésta, no siempre observables, desarrollan el modelo según las columnas 5 y 6 de cada tabla, que estiman PH con características ficticias de la promoción, incluyendo efectos aditivos y aditivos y multiplicativos, adquiriendo el modelo mayor robustez. Y finalmente es el que eligen para obtener el índice de precios ajustado por calidad.
A partir de esto, los autores señalan a continuación la variación de los índices obtenidos según las distintas ecuaciones en un período de tiempo desde 93 al 97, para las distintas ciudades medidas y realizan ponderación según las condiciones económicas de las distintas regiones geográficas.
En síntesis, el aporte del trabajo es que la propuesta de un método que controla de manera muy general por las características no observadas de la vivienda que podrían sesgar las ecuaciones hedónicas estándar, agregando el concepto de variables ficticias por promoción, minimizando la recolección de datos para ingresar en la ecuación.


Principal bibliografía citada
- BERNDT, E. R., GRILICHES, Z. y RAPPAPORT, N. (1995). «Econometric Estimates of Price Indexes for Personal Computers in the 1990s», Journal of Econometrics, julio, pp. 243-268.
- FLEMING, M. C. y NELLIS, J. G. (1985). «The Application of Hedonic Indexing Methods: A Study of House Prices in the United Kingdom», Statistical Journal of the United Nations, pp. 249-270.
- LINNEMAN, P. (1980). «Some Empirical Results on the Nature of the Hedonic Price Function for the Urban Housing Market», Journal of Urban Economics, julio, pp. 47-68.

Calidad de la vivienda a partir de la metodología de precios hedónicos para la ciudad de Bogotá- Colombia.
Daniel Alfredo Revollo Fernandez. Revista Digital universitaria, Junio 09. Vol.10. Num. 7. Universidad Autónoma de México
http://www.revista.unam.mx/vol.10/num7/art43/int43-1.htm

A través de un modelo de PH define qué variables estructurales y del entorno afectan el precio en localidades pobres y ricas. Concluye que la inversión en obras públicas puede afectar positiva o negativamente el nivel de precios por vía indirecta a través del cambio en el uso de la tierra y dependiendo de la localización. El análisis clasifica las localidades de Bogotá en pobres o ricas (nivel de necesidades básicas insatisfechas e ingreso por ciudadano) y analiza en qué se basan las desiciones de los agentes y cómo afectan las inversiones urbanas públicas o privadas.
El método PH se utiliza para bienes no homogéneos. La utilidad del consumidor se basa en la cantidad de bienes que consume y sus características. Por eso es utilizado tanto por la economía Real Estate como la ambiental. Se estima el precio implícito de una variedad de atributos que puede presentar la calidad vivienda, como la calidad del aire, el nivel de ruido, la proximidad a cursos de agua o basureros, paisaje, etc. (Abelson, 1979). Otros factores: ingreso familiar, distancia al centro, área de construcción, y por ejemplo encuentra que los valores disminuyen cuando se aleja del CBD hasta cierta distancia, luego vuelven a subir.
En síntesis se analiza la disponibilidad marginal a pagar y su correlación con las características estructurales o de entorno.
Para Jaramillo (1994), existen los siguientes métodos de diferenciación de precios de suelo: Método de costos históricos; Método de costos de reemplazo; Método de rentabilidad; Método residual (a partir de los dos anteriores); Métodos estadísticos (por ejemplo PH); Combinación de métodos, recomendado para obtener resultados más confiables.
Supuestos del método PH: el consumidor maximiza su utilidad, el mercado es competitivo, precio como reflejo del vector atributo con una relación constante, y que existe una complementariedad débil entre el bien privado y sus atributos (Mäler, Brookshire) La desventaja del método es que no puede definir las funciones, sólo los valores, de DMP por problemas de identificación.
El precio del bien, en relación a sus características es: P=P(Z, A) donde Z es el vector de atributos estructurales y A al de entornos. El equilibrio de oferta y demanda se basa en la maximización de consumidores y productores y la función de utilidad de las familias es: U (Z, A, X, α) donde se incorporan X como bien compuesto y α como un vector de características socioeconómicas. Para las familias, maximización de U estará sujeta su restricción presupuestaria (Y): Max Z, A, X U (Z, A, X, α) s.a. P (Z, A) + X=Y . Así se obtiene la función de demanda: φ(Z, A, y, u, a). Representa la DMP por un bien con determinadas características. La derivada con respecto a alguna de esas características, que indicará la tasa de “cambio” a la cual se optaría a cambiar el gasto, será: δφ (Z, A, y, u, α)/ δ Zi = PZi (Z, A). El precio hedónico de i será su tasa marginal de sustitución vs. el bien compuesto. UZi (Z, A, X, α)/ UXi (Z, A, X, α)= PZi (Z, A)= δφ (Z, A, y, u, α)/ δ Z donde i= 1, 2, 3,…, n. En el óptimo, el consumidor deberá igualar las pendientes de la función de postura y el PH para cada i.
Los productores por su parte, deberán decidir sobre la cantidad y la calidad de la vivienda a producir, presentando una función de costos: C (Z, A, N, β), donde N es la cantidad de bienes a producir y β es la tecnología utilizada. Max Z, A, N π= NP (Z, A) - C (Z, A, N, β ) y la función de oferta es ρ (Z, A, N, β). Según Freeman 1993, el precio marginal de un atributo debe igualar a su costo marginal: δP/ δ Zi = δC/ δ Zi.
El equilibrio de mercado supone que ambas funciones oferta y demanda son tangentes, formando la función de PH como la envolvente de ambas. Ver imagen.
Para el caso de Bogotá, la información se obtuvo por m2 del Departamento Administrativo de Medio Ambiente, DAMA, y la Encuesta de Calidad de Vida 2003: a) precio venta de departamentos y casas, b) Nivel de estrato (clasificación socioeconómica realizada por el Departamento de estadística), c) área de la vivienda, d) tipo, e) Seguridad, f) cercanía a un área verde, g) cercanía al transmilenio (transporte masivo), h) edad de la vivienda, i) Nivel de contaminación PM10 (mg/m3), j) Ingreso y NBI.
Se escogieron 970 casas/ departamentos dentro de 19 localidades o barrios de Bogotá, y de diferentes estratos económicos. El modelo de PH utilizó las variables: precio en pesos (continua), PM10 o contaminación (continua), tipo apartamento o casa (dummy), estrato (continua), NBI (continua, dependiendo de la localidad), antigüedad (continua), seguridad las 24 hrs. (dummy), àrea (continua), cerca de Transmilenio (dummy), cerca zona verde (dummy). Cuadro 1 indica media y desvío estándar de las variables en la muestra. Y señala la ecuación del modelo resultante: Pθ=β0 + β1 PM10λ+ β2 áreaλ+ β3 estratoλ+ β4 NBIλ+ β5 Tipoλ+ β6 Seguridadλ+ β7 Zona verdeλ+ β8 Transmilenioλ+ β9 Antigüedadλ+εi
Para el modelo PH deben considerarse varias formas funcionales para obtener la más apropiada (Armeniya & Powell, Cropper, Green): lineal, doble log, semi log (log-lin), semi log inversa (lin-log), Box Cox no restringida 1, Box Cox no restringida 2. Se corrió el modelo en todos las formas funcionales para verificar robustez por signo y significancia, y tests de hipótesis de razón de verosimilitud para determinar la forma final de la función hedónica, con una forma conocida como hipótesis nula y en la alternativa una Box Cox no restringida. El cuadro 3 muestra el resultado de las regresiones: PM10 siempre fue negativa y significativa, transmilenio en algunos con signo negativo, pero nunca significativa (en esto puede impactar el nivel económico de los habitantes), área siempre positiva y significativa, idem seguridad, antigüedad siempre negativa y significativa, estrato es siempre positiva y significativa.
El cuadro 4 muestra los test estadísticos descriptos arriba para determinar la forma funcional, todos rechazan la hipótesis funcional. Para obtener los valores de θ y λ (-1 y -0.59) se utiliza Box Cox no restringida. El cuadro 5 muestra la mejor forma funcional según BCNR. Así definida la función, se calculan las elasticidades o DMP para las variables continuas, no puede interpretarse para las dummies.
El análisis después analiza cómo varían esta DMP según si la localidad es rica o pobre, definido esto por medio de NBI e Ingreso/ cápita. Ver cuadro 6. Luego se definen las estadísticas descriptivas para las variables en cada grupo y los coeficientes para ingresar las mismas al modelo PH.



Principal bibliografía citada
- Abelson, P.W. (1979), “Property Prices and Value of Amenities”. Journal of Environmental Economics and Management, Vol. 6, pp. 11-28.
- Amemiya, T. & Powell J.L. (1981), “A Comparison of the Box Cox Maximum Likelihood Estimator and the Nonlinear Two – Stage Least Squares Estimator”. Journal of Econometrics, Vol. 17, pp. 351-382.
- Ardila, S. (1993), “Guía para la utilización de Modelos Econométricos en Aplicaciones del Método de Valoración Contingente”. Banco Interamericano de Desarrollo. Diciembre, 1-24.
- Brookshire, D.D., Thayer M.A., Schulze, W.D., d`Arge, R.C. (1982), “Valuing Public Goods: A Comparison of Survey and Hedonic Approaches”. American Economics Review, Vol. 72, pp. 165-178.
- Cropper, M.L., Deck, L.B. & McConnell, K.E. (1988), “On the Choice of Functional Form for Hedonic Price Functions”. Reviews of Economics and Statistics, Vol. 70, no. 4, pp. 668-675.
- Carriazo, F. (1999), “Impactos de la contaminación del aire en el precio de la vivienda: una valoración económica para Santa Fe de Bogota”. Artículo Publicable Programa de Economía del Medio Ambiente y Recursos Naturales, Universidad de los Andes, Bogotá-Colombia.
- Freeman III, M. A. (1993), “The Measurement of Environmental and Resource Values. Theory and Methods”. Resources for the Future, Washington, D.C.
- Follain, J.R. & Jiménez, E. (1985a), “The Demand for Housing Characteristics in Developing Countries”. Regional Science and Urban Studies, Vol. 22, pp. 421-432.
- Follain, J.R. & Jiménez, E. (1985b), “Estimating the Demand for Housing Characteristics: A Survey and Critique”. Regional Science and Urban Studies, Vol. 15, pp. 77-107.
- Green, W.H. (2000), “Econometric Analysis”. Fourth Edition. Prentice Hall.
- Gottlieb, P. (1996), “Hedonic Models: Valuation of Urban Parks”. Department of Agricultural and Resources Economics. University of Maryland. College Parks. First Drafs.
- Jaramillo, S. (1994), “Hacia una teoría de la renta del suelo urbano”. Ediciones UNIANDES / Instituto Geográfico Agustín Codazzi, Bogotá-Colombia.
- Jaramillo, S. (2006), “El estado y el precio del suelo urbano”. CEDE, Universidad de los Andes, Bogotá- Colombia. Máler, K.G. (1974), “Environmental Economics: A theoretical Inquiry”. The Johns Hopkins University Press for Resources for the Future, Baltimore.
- Vecchione de Ochoa, L. (1989), “Un modelo del valor del suelo urbano en el área metropolitana de Mérida”. Revista Económica No. 4 171-210, Instituto de Investigaciones Económicas y Sociales, Universidad de los Andes, Mérida-Venezuela.

IMPACTO DE LA PERCEPCIÓN DE LA CALIDAD
DEL AIRE SOBRE EL PRECIO DE LAS VIVIENDAS
EN CONCEPCIÓN-TALCAHUANO, CHILE
CRISTIÁN MARDONES*
Universidad de Chile
CUADERNOS DE ECONOMÍA, VOL. 43 (NOVIEMBRE), PP. 301-329, 2006

Hipótesis nula: la percepción de la calidad del aire (“malos olores”) en las proximidades de las plantas de industria pesquera de Talcahuano, Concepción, no tiene ningún efecto relevante en el valor de las viviendas.
La vivienda es un producto diferenciado, que a pesar de características estructurales, es transado en un solo mercado. Por sus diferencias no existe un precio único, aunque el mercado es competitivo. Dependerá de su costo de producción y de las desiciones de maximización de beneficio de las firmas. El stock de casas existentes domina el mercado. La demanda es fija solo a corto plazo, es la que determina los precios.
Los precios hedónicos capturan la disponibilidad al pago por diferencias en las amenidades y sus consecuencias, ejemplo, efectos en la salud a largo plazo, por la calidad ambiental, pero las personas que no estén consientes de este efecto no revelarán esta diferencia.
Para medir la variable ambiental “malos olores” se realizó una encuesta en distintas áreas de la comuna, que por disponibilidad de recursos, en lugar de utilizar un muestreo aleatorio, se limitó a un muestreo probabilístico. Si bien la medición de “malos olores” dependía de la subjetividad del encuestado, otras mediciones más específicas (concentraciones del contaminante en partes por millón o cm3) no resulta relevante para la percepción del público ni en su toma de decisiones, por eso el análisis combina medidas subjetivas y objetivas, replicando Palmquist 2003.
Por recursos también, se limita a la primera etapa del análisis de PH y no a la segunda (cálculo de las demandas individuales), por eso indica que el efecto en el bienestar por cambios en la calidad ambiental no es medida de manera exacta.
El modelo teórico se basa en Freeman 1993. El producto vivienda se define por un set de parámetros y sus características Z. La función PH da el precio por algún modelo de Y, según sus características: Py1= Py1 (zi1, zi2, zi3,…zij, zin). El consumidor, que solo puede adquirir una unidad de Y en el período relevante, maximiza su función de beneficio sujeto a su restricción presupuestaria adquiriendo determinadas características de Y y de otros bienes, X, siendo M su ingreso: u= u(X, Z) y M-Py1-X=0. El individuo escoge distintos niveles de características para alcanzar (δu/ δzj)/ (δu/ δX)= δPy/ δzj. La disponibilidad marginal a pagar por zj es igual al costo marginal de adquirir más zj, todo lo demás constante. Se obtiene así la curva de indiferencia que da la máxima cant. que el individuo pagaría por obtener un modelo función de zj, manteniendo los otros bienes constantes (δPy/ δzj): Bj= Bj (zj, Z*, u*). Donde u* es la solución para el problema de la cantidad restringida y Z*es la catidad óptimamente escogida de las otras características. Por las diferencias en las preferencias / ingresos, esta función puede variar según individuo.
Los costos de producción de las firmas, dependen de los niveles de las caraterísticas z. Si las firmas son heterogéneas los costos de producción son diferentes. Invirtiendo su función de beneficio, se obtiene la curva de oferta de las características: Cj = Cj (zj, Z*, π*). Donde π* es el máximo beneficio obtenible.
Según el modelo de Rosen de 19474, la función de PH está compuesta por las curvas de utilidad de todas las familias y beneficio de todas las firmas. Para que estén en equilibrio, sus curvas deben ser tangentes a la función PH. El precio de una característica determinada podrá ser calculado diferenciando la función de precio hedónico con respecto a la misma: δPy/ δzj = Pzj (zi1, …zij, …zin). Esto es el incremento del gasto en Y para obtener una unidad adicional de Zj, si todo lo demás se mantiene constante. Si la función es lineal, los precios para los individuos son constantes. Si no lo es, el precio depende de la cantidad adquirida de Zj. Si la función implícita es lineal en zj no es posible indicar la curva de demanda por zj .El precio es igual para todos los individuos. Pero pzj indica la disposición marginal a pagar (DMP) o beneficio marginal por cada cantidad adicional de zj para cada individuo.Si la función es no lineal, entonces distintos individuos tendrán distintos pzj. El modelo PH es insuficiente para identificar como los individuos responden a distintos precios implícitos e ingresos, requiere una 2ª etapa de estimación. Para Rosen (1974) la 1ª etapa define la función Py y sus parámetros. La DMP por un atributo se obtiene por la derivada de la función con respecto al mismo. Los cambios de bienestar se miden sobre la curva de la derivada, lejos de la tangencia con la función hedónica. La 2ª etapa identifica la función de demanda inversa por el atributo zj que se utiliza para medir el cambio exacto de bienestar. Indica dos métodos de cálculo de esta función.
PH para medir calidad ambiental difiere en método según el atributo ambiental a medir, el precio de las transacciones, y el período de tiempo considerado. Si el efecto del cambio ambiental es localizado, la función PH no cambia. Si afecta a una gran proporción del mercado, se produce el cambio en la función. Otra consideración es la movilidad de las familias en respuesta al cambio ambiental, esté dada por los precios de relocalización o la duración de los períodos analizados. Dos modelos alternativos a PH: bidding aleatorio y utilidad aleatoria, sugieren cantidades de consumo discretas y no contínuas como en PH. Se basan en modelos logit multinomial y logit anidado. Éstos y la 2ª etapa de PH necesita más información sobre las características de las viviendas y socioeconómicas, no siempre están disponible y rara vez llegan a utilizarse.
Los factores de elección de las viviendas pueden clasificarse en estructurales de la vivienda, localizacionales y ambientales. La función se escribe p=p (z1i, z2j, z3k), donde z1i son atributos estructurales (i=1,…I), z2j localizacionales (j=1,…J) y z3k ambientales (k=1,…K). Indica tabla con las variables medidas (dependiente, precio + independientes) indicando signo esperado y código. Wilhelmsson (2000) indica que los atributos estructurales más utilizados en PH son área interior, cant. de baños, antigüedad, garage y área exterior. El trabajo sólo utiliza áreas interiores y exteriores. Las variables localizaciones describen la posición en relación a amenidades urbanas y el trabajo selecciona la distancia a centros comerciales y urbanos, plazas, parques y áreas verdes naturales. Para el trabajo, la variable ambiental es la percepción subjetiva de malos olores. Otra variable considerada a nivel subjetivo es la percepción de seguridad. La función es:
Precio= f (área exterior, área interior, dist. Concepción, dist. Talcahuano, plaza, parque, área verde, mal olor, seguridad).
Los datos corresponden a los precios de las transacciones realizadas en Tacahuano y Concepción en el 2003, sólotransacciones entre personas físicas y/o jurídicas, para acotar análisis al segmento residencial. El trabajo solo se acota a la 1ª etapa del método PH. Para la 2ª etapa se necesitarían más información socioeconómica, sobre todo ingreso, lo que es muy difícil de conseguir mediante encuestas. La solución propuesta es cruzar la BBDD fiscal con el nombre del comprador. De los 360 casos preseleccionados, la muestra se acotó a los 239 de los cuales pudo obtenerse toda la información. Al principio se analizaron casas y departamentos juntos, pero como en general son considerados como mercados separados, y los casos eran insuficientes para correr dos regresiones, el estudio se limitó a casas, total 158 observaciones. Las variables de distancia urbana se midieron en ml medidos según las manos de las calles. La variable seguridad se midió mediante muestreo no aleatorio de 292 personas en 32 sectores, se consultó sobre el nivel de delincuencia en los sectores conocidos y representativos de la comuna. Los encuestados calificaron los sectores por ellos conocidos, no sólo donde vivían, generando una comparación relativa en una escala creciente de 1 a 5, utilizando la media y la mediana de las respuestas como indicadores de inseguridad.
Como los datos de niveles de contaminación (PM10 y SO2) no son suficientes ni están bien monitoreados, se utilizó la encuesta en los sectores afectados, utilizando un índice subjetivo de seis categorías crecientes, calificando qué sectores, que ellos conocieran, eran afectados por los malos olores de las plantas de industria pesada y harina de pescado. La calificación de los sectores debe ser ingresada en las regresiones como un valor único (promedio). Si la persona no conocía el sector, la observación no se incluyó en la media.
Como la medida de seguridad y malos olores son aleatorios los valores pueden definirse como una proxy de la verdadera medida + un error aleatorio, lo que sería un problema si éste estuviese correlacionado con el error de la función de PH, condición que se subsanaría si son considerados como “percepciones subjetivas” de los atributos y no del verdadero nivel. El Cuadro 2 ilustra la estadística descriptiva de los datos obtenidos.
Se presentan los supuestos considerados para el modelo de PH según Palmquist, los test estadísticos utilizados y las soluciones adoptadas.
- Magnitud del mercado: Si se estimaran ecuaciones para dos sectores de la ciudad y un test F rechazara la hipótesis de que los coeficientes son iguales, esto podría deberse a que se trata de dos mercados separados, o las formas funcionales y ecuaciones no eran apropiadas. Por los grandes tamaños de muestra típicos en los estudios hedónicos hoy, los test F rechazarán casi siempre áreas combinadas en las regresiones hedónicas. Considerado en término de transacciones, si los consumidores consideran localizaciones alternativas entonces se trata de un solo mercado. Usualmente, un área urbana es tratada como un único mercado, del cual siempre puede considerarse un subconjunto si es relevante a la investigación. Con áreas más limitadas, no puede evitarse la complejidad de especificar totalmente todas las características importantes que varían a través de un área urbana, pero no dentro de un vecindario. El trabajo considera Talcahuano y Concepción como mercados separados e indica el test F que lo demuestra. Los resultados se muestran en el cuadro 3 (atención a los sustitutos cercanos entre ambos mercados).
- Forma funcional: Al principio era lineal, semilog, log-log. Con la computación puedieron obtenerse formas complejas como Box-Cox cuadrática, donde se anidan la mayoría de las formas funcionales actuales. Pero debido al impacto que puede tener la inadecuada transformación de una de las variables (ambiental) se utilizan formas + simples. Otro problema de BC cuadrática, es que cuando existen variables omitidas o mal especificadas/ medidas se comportan mejor las funciones mas simples o BC lineal.
- Medida de las variables ambientales: Dificultad cuando existen indicadores en una única variable, pero si se toman medidas múltiples hay riesgo de correlación entre ellas. La consideración de una medida única, puede no tomar fuentes contaminantes diversas y sus efectos. Además son típicamente objetivas, pero si los valores de las propiedades están siendo afectados, hay percepción de los residentes. En algunos casos la medidas objetivas pueden estar correlacionadas con las de percepción. Por eso se introduce en el trabajo la medida subjetiva (ver Palmquist 2003) El precio de una casa dependerá de un mercado compuesto por la interacciones de todos los potenciales compradores, por eso es útil el conocimiento de la relación entre la “percepción media” y las medidas objetivas. El análisis de la percepción no tiene por qué limitarse al los individuos del área para la cual se calcula la función de PH.
- Problemas de Multicolinealidad: En un estudio de Palmquist del 93, de precios hedónicos en 14 ciudades incluyendo variables contaminantes. En sólo una se detectó colinealidad entre variables contaminantes, y en 3 casos, entre contaminantes y no contaminantes. La colinealidad fue más frecuente entre variables del mismo vecindario, datos censo, pero no involucraban variables ambientales. En el paper hay sólo una variable que mide efectos ambientales, lo que anula la colinealidad entre múltiples variables, pero no lo probabilidad entre las demás. Esto se analizó con VIF (Variance Inflation Factors), todos dieron por debajo de 4. A mayor valor, mayor colinealidad. Si es mayor a 10, es un problema para la ecuación.
- Precio de Arriendo vs. Precios de vivienda: Los precios de venta son el valor capitalizado de los servicios futuros anticipados proporcionados por la casa. El precio del arriendo es el valor de esos servicios a través del mes u otro periodo de contrato de arriendo. La diferencia de interpretación entre ambos tendrá que ver con la previsibilidad del efecto en el futuro (que afectará el precio venta + que el alquiler).
- Costos de la búsqueda y tiempo en el mercado: Los mercados de bienes raíces están sujetos a una variedad de costo de transacciones y mudanza. Los costos de búsqueda particularmente pertinentes para determinar si las condiciones ambientales con capturados por los precios. El paper determina que los beneficios de una mejora en la calidad ambiental son superiores a los costos de búsqueda y mudanza de la familia. Ver Gráfico 3.
Se presentan los resultados según las formas funcionales sencillas (lineal, semilog, semilog inversa, log-log) Como en algunas especificaciones no se pudo eliminar la heterocedasticidad con mínimos cuadrados ponderados, se utilizó la estimación con la matriz de varianzas y covarianzas de White. También se presenta el modelo Boc-Cox lineal, más sencillo y flexible. A continuación compara los resultados obtenidos por las formas funcionales sencillas y su ajuste estadístico. Señala algunos resultados no esperados como el área exterior tenga en ocasiones signo positivos y en otros negativos, pero lo atribuye a que quizás en zonas + rurales, los terrenos son más amplios y más baratos, o a la omisión de otras variables explicativas relevantes, por falta de recursos/ información. El resultado más importante es que la variable ambiental malos olores es de signo negativo en todos los modelos de función pero significativo solo en tres de ellas. Las áreas verdes tienen signo positivo y significativo en todos los modelos. Presenta en el cuadro 6 la comparación de las elasticidades de todas las funciones. Cómo se mide el efecto económico de los malos olores? Evaluando el efecto del aumento o disminución de la percepción en una vivienda representativa, calculando el efecto conjunto de las otras variables sobre el valor promedio de las mismas. Se verifica que la caída del precio depende de la forma funcional utilizada. Los valores caen considerablemente cuando existe percepción en el área de la vivienda. Se concluye que los efectos descontaminadotes no son despreciables para los propietarios.
En cuanto al modelo Box-Cox con distintas especificaciones de transformación, los resultados son mejores cuando se utiliza el mismo parámetro de transformación para variables pendientes e independientes.
Conclusiones
El modelo de precios hedónicos es aplicable a la evaluación económica de la contaminación. Para el caso del paper, el efecto es negativo en el precio de las viviendas en tres de las cuatro especificaciones funcionales simples. Los resultados obtenidos pueden soportar una análisis costo-beneficio del nivel óptimo de contaminación y determinar los efectos redistributivos de la población afectada por actividades económicas que empeoran la calidad del aire.

Bibliografía citada principal
- Palmquist, R.B. (2003). .Property Value Models., In: Karl-Gören Mäler and Jeffrey Vincent, Ed., Handbook of Environmental Economics, Vol. 2 (North- Holland, Amsterdam).
- Figueroa et al. (1996). .An Estimation of the Economic Value of Air Quality Improvement
Program in Santiago de Chile., Estudios de Economía, Vol. 23, agosto, pp.!101-114.
- Freeman, A. M. III (1974). .On Estimating Air Pollution Control Benefits from Land Value Studies., Journal of Environmental Economics and Management 1: 74-83.
- Freeman, A.M. III (1993). The Measurement of Environmental and Resource Values (Resources for the Future, Washington DC).
- Rosen, R. (1974). .Hedonic Prices and Implicit Markets: Product Differentiation in Pure
Competition., Journal of Political Economy 82: 34-55.
- Chattopadhyay, S. (1998). .An Empirical Investigation Into the Performance of Ellickson.s
Random Bidding Model, with an Application to Air Quality Valuation., Journal of Urban Economics 43: 292-314.
- Wilhelmsson, M. (2000). .The Impact of Traffic Noise on the Values of Single-Family
Houses., Journal of Environmental Planning and Management, 43!(6), 799-815.

Environmental Impact Assessment: "Pseudoreplication" in Time?

Environmental Impact Assessment: "Pseudoreplication" in Time?Author(s): Allan Stewart-Oaten, William W. Murdoch, Keith R. ParkerSource: Ecology, Vol. 67, No. 4 (Aug., 1986), pp. 929-940Published by: Ecological Society of America

El artículo toma se basa en un trabajo de Hulbert de 1984, sobre “diseño óptimo del impacto” y su “pseudoreplicación temporal” para presentar un procedimiento de medición del impacto ecológico que puede resolver el problema estadístico en diferentes situaciones.
Se basa en el caso de Green donde una fuente contaminante vierte sus efluentes en un curso de agua, y analiza el efecto sobre las especies aguas arriba y abajo, antes y después de la aplicación de algún tipo de control. Las conclusiones preliminares son:
1) ANOVA no es válido como método de inferencia porque a) sólo demuestra diferencia según “locations” (aguas arriba y abajo), b) el experimento solo puede ser controlado subjetivamente o aproximadamente, c) no puede mensurarse impacto en términos temporales, se estima que los condiciones se mantienen constantes, cuando en realidad es esperable que la magnitud del daño varíe en el tiempo.
2) Para Hulbert, el método de Green no puede corregirse por repetición de observaciones porque los muestreos sucesivos están indudablemente correlacionados entre si.
3) Para Hulbert, para optimizar el método de Green, habría que llevar gráficos y tablas, que indiquen los valores promedio y la variabilidad de los datos.
NOTA: Green y Hulbert se basan en la medición de la variación de la abudancia de una especie debida al efecto de una fuente contaminante
Para los autores, una forma de corregir estos “defectos” del método Green que indica Hulbert es medir las áreas de Impacto y Control simultáneamente, e indicando como resultado en cada caso la diferencia entre ambas mediciones.
LA POBLACION Y PARÁMETROS ESTADISTICOS EN CUESTION
Los estudios de impacto ambiental requieren la selección de un set de sitios representativos y de la elección “randomizada” de losque estarán afectados por la fuente y cuáles por el programa de control. Pero la cuestión del impacto propiamente dicho no necesita de esta distinción. Para ilustrarlo, incluyen gráficos que ilustran la constancia (o NO) de los niveles de abundancia la espcie X en una zona de impacto y otra de control, antes y después del start up de la fuente contaminante. La conclusión al respecto, es que deben considerar el caso de agentes externos, algunos sistemáticos (ej. Estaciones) y otros aleatorios, que dependiendo de sus características y dimensiones puede afectar de manera similar, o NO. Por lo tanto el dato a observar en cada caso es la variación en la diferencia relativa entre ambas áreas.
En este punto aclaran el concepto “densidad de población promedio”. Indican que el set de factores detectados, aleatorios o sistemáticos, constituyen un proceso de “producción de abundancia” cuyo resultado es la secuencia de producción de abundancia a lo largo del tiempo. Como los factores sistemáticos del proceso podrían “fijarse” a los efectos experimentales, señalan que los aleatorios son los que constituyen “distribución probabilística” de las diferentes secuencias de abundancia posibles, por lo tanto los factores sistemáticos constituyen los “parámetros de ésta distribución probabilística". Por eso es importante la medición de las diferencias relativas entre las curvas promedio de abundancia de las áreas de control e impacto, y en esto radica el error del método de Green (que en realidad consideraba las diferencias entre las mediciones específicas).
UNA PROPUESTA DE SOLUCION
Método BACI (Before, Alter, Control, Impact): evaluar si las diferencias entre los promedios de abundancia de las áreas de impacto y control varían con el Start up de la fuente. Cada observación Xijk, para un momento tij, en un determinado período i y sitio k . Se busca comparar los períodos antes y después, a través de t test y U test para la diferencia el promedio de las diferencias de curvas antes y después.
Constancia de las diferencias (abundancia promedio en áreas de impacto y control): aditividad de los efectos de tiempo y locación.
En uno de los gráficos se muestra cómo las diferencias entre las curvas de medios se da en un sentido de escala, las dos están afectadas por aspectos físicos y otros (ej. Estacionales) con un efecto multiplicativo, no aditivo. La diferencia varía cíclicamente. El enfoque aditivo podría resultar en dos consecuencias: Si las mediciones son matcheadas correlativamente, el efecto produciría un test más “débil” o conservador. Si por el contrario, las mediciones no se matchean correctamente, los períodos con grandes diferencias, podrían llevar a conclusiones erróneas. Esto puede al menos minimizarse si las mediciones se realizan en ambas curvas en la escala correcta (Ej. Utilizando el logaritmo de la función de abundancia). Tukey (1949) demuestra la eficacia de este método en su test de no aditividad de “un grado de libertad”. Otra forma de aproximación es considerar transformaciones Y= (X + c)λ (Box y Cox, 1964) asumiendo que Y tiene una distribución normal y aditiva para el correcto c y λ, y propone estimar c y λ a partir de la máxima similitud. Sin embargo la transformación que resulta en una Y aditiva, no tiene una distribución normal. Por lo tanto, los autores recomiendan el procedimiento de Andrews (1971), en donde c y λ son elegidos para minimizar la significancia del test de aditividad de Y. Exponen su aplicación a un ejemplo específico.
En el segundo caso analizado, las curvas promedios de abundancia cambian entre sí progresivamente, aún sin la aparición de la fuente. Más allá de que los test utilizados admitan o no este cambio, pareciera no ser posible detectar la aparición de la fuente en los resultados medidos y este caso no hay lugar para la transformación anterior.
El tercer problema en el concepto de la no aditividad es el problema de la covarianza.
Éste debe analizarse cuando las dos areas (Impacto y Control) que no necesitan ser idénticas, no cumplen con: a) variaciones de curvas entre las áreas, según una constante antes de la aparición de la fuente y b) los efectos regulares (Ej. Estacionales) o a largo plazo coincidentes
Cualquier transformación debe ser considerarse previo a la aparición de la fuente, para poder independizarlo.
Independencia de las “réplicas” temporales
Si una observación en un momento tij, , en un lugar k es Xijk, es igual al valor de la curva promedio + su desviación (Xijk, = μijk + Eijk ) y si μ es aditivo, al menos aproximadamente (μij1 + μij2 = μi ), y constante durante el perídodo i (antes o después de la fuente), la transformación de las diferencias D verifica: Dij = Xij1 - Xij2 = μi + E ij1 - E ij2 (E son errores con promedio 0, siendo que los μ son el promedio de las Xs). Para comparar ambas diferencias en el test necesitamos que los que los errores δ ij = E ij1 - E ij2 sean independientes. Considerar que NO necesariamente las muestras no están correclacionadas, para que las diferencias lo estén. Los errores se componen de dos factores (E ijk = u ijk + v ijk ) errores de muestreo y de proceso. Los primeros suelen ser independientes en casi todos los análisis. Si los de proceso no son independientes a lo largo del tiempo, pero son idénticos en las dos locaciones, sí lo son las diferencias relativas entre áreas a lo largo del tiempo.
No es realista asumir errores de proceso idénticos entre las dos áreas, pero es posible llegar a idénticos resultados a través de otros supuestos. De los efectos aleatorios posibles, son aquellos de gran escala, alcance local y de larga duración aquellos que pueden afectar el supuesto de independencia. Esto puede ser demostrado por el modelo “Markoviano” (ver fórmula) que . A partir del desarrollo de esta ecuación y las anteriores demuestra como la correlación (= convarianza/ varianza) entre las diferencias de distintos períodos es pequeña si las perturbaciones pequeñas, y los efectos de corto plazo y la correlación entre áreas son importantes.
La independencia o baja correlación es posible solo si no se dan efectos aleatorios de gran escala, locales y de largo plazo. Los autores indican distintos métodos para medir este supuesto vs. los datos obtenidos.
Bajo los supuestos de “aditividad” e “independencia”, sugieren usar los t y U test para decidir si la fuente contaminante tiene efecto alguno. Los resultados contradictorios o estadísticos de límite deberían ser chequeados vs. observaciones adicionales. Idem la posible correlación serial.
Interpretando los resultados del test
Si las transformaciones realizadas resultaron en diferencias constantes entre las curvas y las observaciones son independientes, un resultado del test estadísticamente significativo puede ser casual o debido a un cambio (antes o después) en la diferencia promedio entre locaciones. Pero según la proposición anterior de Hulbert, no puede asegurarse que esto se deba a la aparición de la planta, cuando se analiza el período posterior. En este sentido, la abundancia en al área de impacto, antes y después del mismo, es la única población de interés. El área de control no representa una población de interés pero es útil para distinguir entre los efectos del tratamiento y aquellos temporales. Además, las secuencias de muestreo no deben ser elegidas aleatoriamente, a fin de evitar la correlación serial y maximizar la utilidad de información (ej. Estación en la que abunda la especie objetivo).
Si, además del start up de la fuente, se diera un efecto impredecible, de gran escala y a largo plazo, sería muy difícil detectarlo directamente de las observaciones, al igual que su grado de probabilidad. Por eso siempre deben ser considerados tanto el efecto posible de la fuente como cualquier otra causa de los resultados obtenidos. Esto sobre todo se da en los estudios “randomizados” porque los resultados pueden darse no solo por el tratamiento sino también por la forma en que éste es administrado. En tales casos, debe considerarse los efectos posibles de cada una de estas formas de administración posibles.
Predicciones, gráficos y tablas
El objetivo de las técnicas estadísticas puede clasificarse en:
a) “análisis exploratorio de los datos” (Tukey 1977), orientadas a revelar patrones y regularidades en pos de la hipótesis, sin que aquellos deban ser clasificados en sistemáticos o casuales, sin que se pueda garantizar la garantía de las conclusiones.
b) “análisis confirmatorio de los datos”, de este tipo son los estudios de impacto. Hay una clara definición de la hipótesis que debe ser resuelta “cuantitivamente”, principalmente porque debe ser fundamento del análisis costo/ beneficio de la solución propuesta.
En estos casos los gráficos y tablas son sólo complementarios a las conclusiones a obtener directamente de los datos. Generalmente, las conclusiones derivadas de aquellos requiere de los mismos supuestos de los procedimientos inferenciales (independencia, no aditividad, causas adicionales de error, etc.) además de considerar cuestiones de presentación y armado de los mismos. Su objetivo es por lo general demostrar la significancia “física” más que estadística de las observaciones.

Bibliografía principal citada
- Hurlbert, S. H. 1984. Pseudoreplication and the design of ecological field experiments. Ecological Monographs 54: 187-211.
- Green, R. H. 1979. Sampling design and statistical methods for environmental biologists. Wiley, New York, New York, USA.
- Andrews, D. F. 1971. A note on the selection of data trans- formations. Biometrika 58:249-254. - Box, G. E. P., and D. R. Cox. 1964. An analysis of trans- formations. Journal of the Royal Statistical Society (Lon- don), Series B 26:211-252.
- Tukey, J. W. 1949. One degree of freedom for non-additiv- ity. Biometrics 5:232-242


Environmental Impact Assessment: "Pseudoreplication" in Time?Author(s): Allan Stewart-Oaten, William W. Murdoch, Keith R. ParkerSource: Ecology, Vol. 67, No. 4 (Aug., 1986), pp. 929-940Published by: Ecological Society of America

El artículo toma como punto de partida un trabajo de Hulbert de 1984, sobre “diseño óptimo del impacto” y su “pseudoreplicación temporal” para presentar un procedimiento de medición del impacto ecológico que puede resolver el problema estadístico en diferentes situaciones.
Basándose en el caso de Green de 1979, en donde una fuente de contaminación vierte sus efluentes en un curso de agua, y analizando el efecto sobre las especies aguas arriba y debajo de la fuente, antes y después de la aplicación de algún tipo de control, se define entones un caso de “una única área de impacto y una única área de aplicación del control”:
1) ANOVA no es válido como método de inferencia porque a) sólo demuestra diferencia según “locations” (aguas arriba y abajo), b) el experimento solo puede ser controlado subjetivamente o aproximadamente, c) no puede mensurarse en impacto en términos temporales, se estima que los condiciones se mantienen constante, cuando en realidad es esperable que la magnitud del daño varíe en el tiempo. Pag. 929
2) Para Hulbert, el método de Green no puede corregirse por repetición de observaciones porque los muestreos sucesivos están indudablemente correlacionados entre si.
3) Para Hulbert, para optimizar el método de Green, habría que llevar gráficos y tablas, que indique los valores promedio y la variabilidad de los datos. Pag. 930
Tanto los análisis de Green como de Hulbert se basan en la medición de la variación de la abudance de una especie debida al efecto de una fuente contaminante
Para los autores una forma de corregir estos “defectos” del método Green que indica Hulbert es usar los muestreos temporales como réplicas pero midiendo las áreas de Impacto y Control simultáneamente, e indicando como resultado en cada caso la diferencia entre ambas mediciones.
LA POBLACION Y PARÁMETROS ESTADISTICOS EN CUESTION
El abordaje de este tipo de estudios sobre impacto ambiental requiere de la selección de un set de sitios representativos y de la elección “randomizada” de los sitios que estarán afectados por la fuente y cuáles por el programa de control. Pero la cuestión del impacto propiamente dicho no necesita de esta distinción. Pag. 931.
Para ilustrarlo, incluyen gráficos que ilustran la constancia (o NO) de los niveles de abundancia la espcie X en una zona de impacto y otra de control, antes y después del stara up de la fuente contaminante. La conclusión al respecto, es que deben considerar el caso de agentes externos, algunos sistemáticos (ej. Estaciones) y otros aleatorios, que dependiendo de sus características y dimensiones puede afectar de manera similar , o NO, los sitios considerados y la abundancia de las especies en cada uno de ellos. Y por lo tanto el dato a observar en cada caso es la variación en la diferencia relativa entre ambas áreas. Pag. 932
En este punto aclaran el concepto “densidad de población promedio”. Indican que el set de factores detectados, aleatorios o sistemáticos, constituyen un proceso de “producción de abundancia” cuyo resultado es la secuencia de producción de abundancia a lo largo del tiempo. Como los factores sistemáticos del proceso podrían “fijarse” a los efectos experimentales, señalan que los aleatorios los que constituyen “distribución probabilísticas” de las diferentes secuencias de abundancia posibles, por lo tanto los factores sistemáticos constituyen los “parámetros de ésta distribución probabilística. Por eso es importante la medición de las diferencias relativas entre las curvas promedio de abundancia de las áreas de control e impacto, y en esto radica el error del método de Green (que en realidad consideraba las diferencias entre las mediciones específicas).
UNA PROPUESTA DE SOLUCION
Método BACI (Before, Alter, Control, Impact): evaluar si las diferencias entre los promedios de abundancia de las áreas de impacto y control varían con el Stara up de la fuente. Cada observación Xijk, para un momento tij, en un determinado período i y sitio k . Se busca comparar los períodos antes y después, a través de t test U test para la diferencia el promedio de las diferencias de curvas antes y después. Pag. 933
Constancia de las diferencias (abundancia promedio en áreas de impacto y control): aditividad de los efectos de tiempo y locación.
En uno de los gráficos muestra cómo las diferencias entre las curvas de medios se en un sentido de escala, las dos están afectadas por aspectos físicos y otros (ej. Estacionales) con un efecto multiplicativo, no aditivo. La diferencia varía cíclicamente. El enfoque aditivo podría resultar en dos consecuencias: Si las mediciones son matcheadas correlativamente, el efecto produciría un test más “débil” o conservador. Si por el contrario, las mediciones no se matchean correctamente, los períodos con grandes diferencias, podrían llevar a conclusiones erróneas. Esto puede al menos minimizarse si las mediciones se realizan en ambas curvas en la escala correcta (Ej. Utilizando el logaritmo de la función de abundancia). Tukey (1949) demuestra la eficacia de este método en su test de no aditividad de “un grado de libertad”. Otra forma de aproximación es considerar transformaciones Y= (X + c)λ (Box y Cox, 1964) asumiendo que Y tiene una distribución normal y aditiva para el correcto c y λ, y propone estimar c y λ a partir de la máxima similitud. Sin embargo la transformación que resulta en una Y aditiva, no tiene una distribución normal. Por lo tanto, los autores recomiendan el procedimiento de Andrews (1971), en donde c y λ son elegidos para minimizar la significancia del tesr de aditividad de Y. Exponen su aplicación a un ejemplo específico. Pag. 934
En el segundo caso analizado, las curvas promedios de abundancia cambian entre sí progresivamente, aún sin la aparición de la fuente. Más allá de que los test utilizados admitan o no este cambio, pareciera no ser posible detectar la aparición de la fuente en los resultados medidos y este caso no hay lugar para la transformación anterior.
El tercer problema en el concepto de la no aditividad es el problema de la covarianza. Pag. 935.
Éste debe analizarse cuando las dos areas (Impacto y Control) que no necesitan ser idénticas, no cumplen con: a) variaciones de curvas entre las áreas, según una constante antes de la aparición de la fuente y b) los efectos regulares (Ej. Estacionales) o a largo plazo coincidentes
Cualquier transformación debe ser considerarse previo a la aparición de la fuente, para poder independizarlo.
Independencia de las “réplicas” temporales
Si una observación en un momento tij, , en un lugar k es Xijk, es igual al valor de la curva promedio + su desviación (Xijk, = μijk + Eijk ) y si μ es aditivo, al menos aproximadamente (μij1 + μij2 = μi ), y constante durante el perídodo i (antes o después de la fuente), la transformación de las diferencias D verifica: Dij = Xij1 - Xij2 = μi + E ij1 - E ij2 (E son errores con promedio 0, siendo que los μ son el promedio de las Xs). Para comparar ambas diferencias en el test necesitamos que los que los errores δ ij = E ij1 - E ij2 sean independientes. Considerar que NO necesariamente las muestras No están correclacionadas, para que las diferencias lo estén. Los errores se componen de dos factores (E ijk = u ijk + v ijk ) errores de muestreo y de proceso. Los primeros suelen ser independientes en casi todos los análisis. Si los de proceso no son independientes a lo largo del tiempo, pero son idénticos en las dos locaciones, sí lo son las diferencias relativas entre áreas a lo largo del tiempo. Pag. 936
No es realista asumir errores de proceso idénticos entre las dos áreas, pero es posible llegar a idénticos resultados a través de otros supuestos. De los efectos aleatorios posibles, son aquellos de gran escala, alcance local y de larga duración aquellos que pueden afectar el supuesto de independencia. Esto puede ser demostrado por el modelo “Markoviano”:
v ijk = e-αT v ij-1,k +A(1- e-2αT ) ½ w ijk. A partir del desarrollo de esta ecuación y las anteriores demuestra como la correlación (= convarianza/ varianza) entre las diferencias de distintos períodos es pequeña si A es pequeña (perturbaciones pequeñas), αT y r son altos (efectos de corto plazo y alta correlación entre áreas, respectivamente). Esto sólo demuestra la escasa correlación entre observaciones. La independencia o baja correlación es posible solo si no se dan efectos aleatorios de gran escala, locales y de largo plazo. Los autores indican distintos métodos para medir este supuesto vs. los datos obtenidos.
Bajo los supuestos de “aditividad” e “independencia”, sugieren usar los t y U test para decidir si la fuente contaminante tiene efecto alguno. Los resultados contradictorios o estadísticos al límite deberían ser chequeados vs. observaciones adicionales. Idem la posible correlación serial. Pag. 937
Interpretando los resultados del test
Si las transformaciones realizadas resultaron en diferencias constantes entre las curvas y las observaciones son independientes, un resultado del test estadísticamente significativo se puede ser casual o debido a cambio (antes o después) en la diferencia promedio entre locaciones. Pero según la proposición anterior de Hulbert, no puede asegurarse que esto se deba a la aparición de la planta, cuando se analiza el período posterior. En este sentido, la abundancia en al área de impacto, antes y después del mismo, es la única población de interés. El área de control no representa una población de interés pero es útil para distinguir entre los efectos del tratamiento y aquellos temporales. Además, las secuencias de muestreo no deben ser elegidas aleatoriamente, a fin de evitar la correlación serial y maximizar la utilidad de información (ej. Estación en la que abunda la especie objetivo).
Si, además del Start up de la fuente, se diera un efecto impredecible, de gran escala y a largo plazo, sería muy difícil detectarlo directamente de las observaciones, al igual que su grado de probabilidad. Por eso siempre deben ser considerados tanto el efecto posible de la fuente como cualquier otra causa de los resultados obtenidos. Esto sobre todo se da en los estudios “randomizados” porque los resultados pueden darse no solo por el tratamiento sino también por la forma en que éste es administrado. En tales casos, debe considerarse los efectos posibles de cada una de estas formas de administración posibles. Pag. 638
Predicciones, gráficos y tablas
El objetivo de las técnicas estadísticas puede clasificarse en:
a) “análisis exploratorio de los datos” (Tukey 1977), orientadas a revelar patrones y regularidades en pos de la hipótesis, sin que aquellos deban ser clasificados en sistemáticos o casuales, sin que se pueda garantizar la garantía de las conclusiones.
b) “análisis confirmatorio de los datos”, de este tipo son los estudios de impacto. Hay una clara definición de la hipótesis que debe ser resuelta “cuantitivamente”, principalmente porque debe ser fundamento del análisis costo/ beneficio de la solución propuesta.
En estos casos los gráficos y tablas son sólo complementarios a las conclusiones a obtener directamente de los datos. Generalmente, las conclusiones derivadas de aquellos requiere de los mismos supuestos de los procedimientos inferenciales (independencia, no aditividad, causas adicionales de error, etc.) además de considerar cuestiones de presentación y armado de los mismos. Su objetivo es por lo general demostrar la significancia “física” más que estadística de las observaciones.

Bibliografía citada
- Hurlbert, S. H. 1984. Pseudoreplication and the design of ecological field experiments. Ecological Monographs 54: 187-211.
- Green, R. H. 1979. Sampling design and statistical methods for environmental biologists. Wiley, New York, New York, USA.
- Andrews, D. F. 1971. A note on the selection of data trans- formations. Biometrika 58:249-254.
- Box, G. E. P., and D. R. Cox. 1964. An analysis of trans- formations. Journal of the Royal Statistical Society (Lon- don), Series B 26:211-252.
- Tukey, J. W. 1949. One degree of freedom for non-additiv- ity. Biometrics 5:232-242

Evaluación económica del impacto ambiental

Evaluación económica del impacto ambiental
Jose Lopez de Sebastián y Gomez de Agüero
Centro Internacional de Formación en Ciencias Ambientales (CIFCA)
Madrid, 1977

Consideraciones Generales
Teoría bienestar: Óptimo eficiencia =>precio igual al coste marginal social. Asignar precios a los bienes y servicios de naturaleza pública, y evaluar externalidades (costes no contabilizados monetariamente).
Modelo “Balance de materiales” de Karl-Goran Mäler.
Producción y servicios intercambian trabajo + bienes + servicios + residuos
Producción no se limita a recibir materias primas (recursos medioambiente) y MO. Además, red tratatamiento de residuos, con doble finalidad: restringir externalidades + producción de materias primas => tecnología de la empresa + compleja => complejidad en los coeficientes insumo/ producto.
La emisión de residuos al medio por la empresa no se contemplaba hasta ahora => deterioro del medio + desperdicio de materiales.
Producción y acumulación de capital => inversión neta (positivo) y depreciación (negativo). El capital también se transforma en “deshecho” que si no es reciclado en insumos, requiere transporte y tratamiento especial para volver al medio.
El consumo produce residuos al medio y éste produce servicios medioambientales (Ej. Parques), culturales y científicos, para los consumidores.
La Gestión del medio: ampliar capacidad de absorción de residuos o eliminar daño ecológico producido por la producción (insumos) o el cosnumo (residuos). Requiere de insumos fìsicos derivados de la producción y MO. Para Mäler: R + Rc + Dc = E + D + Ti + I
D= Rc + Ed
T= Ti
R: Recursos primarios utilizados por la producción
Rc: Flujo residuos desde el consumo a la producción (reciclaje)
E: Flujo de residuos desde la producción
D: Bienes productivos a los consumidores
Ed: Flujos de residuos desde el consumo
I: Inversión físicas
Dc: Depreciación K
T: Productos incorporados al medioambiente
Ti: Insumos en el tratamiento del medioambiente
De la ecuación se obtiene:
I – Dc = R – (E + Ed = T)
Indica el ritmo de acumulación de K (inversión – depreciación).
La f alta de control en las descargas de residuos contaminantes => 2 efectos: Daño al medio + escasez de recursos naturales. El balance de materiales a nivel global relacionado con reciclaje y tratamiento de residuos. Además, las descargas contaminantes ponen en peligro los recursos de otro proceso productivo, que son los servicios ambientales a los consumidores.
Técnicas de evaluación económica.
1 .Conceptos teóricos generales
- Óptimo de Pareto: El sistema económico no puede cambiar sin que algún agente resulte perjudicado => Asignación eficiente de recursos y consumo (P. Bohm) si los elementos del sistema son constantes (nivel de recursos, gustos del consumidor, tecnología y distribución de la renta y la riqueza)
Concepto de utilidad U: Capacidad de un bien de satisfacer una necesidad individual, se relaciona con el de beneficio B. La eficiencia social se basa en la supremacía de las funciones de U individuales. Si una economía es eficiente => igualdad de tasas marginales entre consumidores y productores (sustituibilidad entre factores, productos, bienes de consumo). Y esto aplica a economías capitalistas como centralizadas, sin libre formación de precios (Dasgupta y Pierce). El óptimo paretiano se relaciona con el precio de los factores y productos: Precio= Cmg social
Por eso los monopolios, en los que esta relación está distorsionada, perjudican gravemente la eficiencia social
a) Función objetivo social y preferencias sociales
Se define a partir de necesidades individuales. Método B/C (beneficio/ coste): cuantificar preferencias individuos, estén o no integrados a un mercado donde el precio signifique el Cmgs. Esto ocurre con el medioambiente. Por eso hay que referirse a externalidades, costes y beneficios sociales ligados a los procesos productivos y de consumo, de difícil contabilización.
b) Utilidad y beneficio en la preferencia social
Análisis B/C define el indicador del beneficio social basándose en que el B individual es la utilidad que un bien o servicio que reporta a una persona definida como su disposición al pago (DAP) y la agregación de las DAP individuales forman la DAP total de la sociedad, indicador del bienestar social.
c) Valoración de beneficios
D es la curva de la demanda de un bien. La DAP está definida por el área OQAB. Si el precio por unidad es OP, habrá individuos cuya DAP es superior. En el límite sería OB generando un excedente de utilidad BP y el excedente total social es PAB => DAP= excedente + precio mercado x cant. vendida. El increnento de los beneficios sociales derivados de una inversión se miden por : Incremento DAP= precio mercado x incremento de producción (resultado productivo de la inversión), admitiendo que el precio de mercado no se altera como resultado del proyecto. (Ver figura 1, Pag. 21)
d) Valoración de los costes
Los recursos en un sistema económico son escasos. Su aplicación a un proyecto los inhibe de un proyecto alternativo = Costes de oportunidad, esencial en el B/C => habría que contabilizar la pérdida de beneficio en el proyecto alternativo => El incremento neto de los beneficios sociales será “Precio x (producto total) – precio x (recursos totales utilizados)” => los costes del proyecto son el valor de mercado de los recursos detraidos del sistema económico.
2 .Esquema del método B/C
El autor usa un ejemplo de un proyecto de inversión en la cuenca del río Tajo para analizarlo, obteniendo la rentabilidad social del proyecto vs. otros, primero sin incluir beneficios y costes ambientales, y después analizado el impacto de la consideración de los mismos.
a) Un proyecto de inversión pública
Ejemplo, Inversiones públicas y privadas. Primera cuestión determinar la vida útil (en el proyecto considerado 50 años desde 1948) Inversiones públicas y privadas deben contabilizarse en términos reales, “coste oportunidad” (CO).Esto es diferente de considerar el coste monetario de recursos, ya que éstos gravan financieramente el proyecto. El CO tiene un sentido social y en la evaluación pública de un proyecto se aplica en términos de de bienestar colectivo real.
La Tabla del Cuadro 1, indica la evolución histórica desde 1940 a 1990 de Inversiones reales (privadas, públicas), gastos de explotación, beneficios (con y sin proyecto), beneficios netos y beneficios menos costes.
Los flujos anuales de beneficios se miden com “valor añadido neto”, descontando aquellos beneficios que se hubiesen obtenido sin el proyecto.
Con estos datos se obtiene:
i) Indicador α= B/C
Por lo tanto:
α= (∑ 1/(1 + r)i Bi)/ (∑ 1/(1 + r)i Ci)= Valor actualizado de beneficios / Valor actualizado de costes
Donde r es la tasa de descuento,
ii) Tasa interna de rendimiento (TIR, ρ)
∑( 1/(1+ ρ )i) (Bi-Ci)= 0
En el ejemplo la TIR fue de 15,7, no se obtuvo por no aceptarse suficientemente tasa alguna de actualización al resultar insatisfactorias todas las propuestas, dada la inestabilidad económica mundial.
b) Evaluación de inversiones privadas
Para el caso de una industria enclavada en el área del proyecto, el proceso de transformación de su infraestructura se miden a lo largo del tiempo en términos de cash flow anual (disponibilidades netas) y su correspondiente TIR.
En el cuadro 2 (Pag. 26) muestra una evaluación anual desde 1948 a 1998: valor añadido agrario (dif. Entre beneficios y gastos totales, sin considerar amortizaciones, pero si los desembolsos correspondientes a inversiones, capital propio e intereses), contribuciones e impuestos, salarios, anualidades de créditos (devolución de préstamos e intereses), Inversiones (incrementos del capital productivo, derivados de créditos, subvenciones, recursos propios, incluyendo además renovación de equipos al aplicarse el concepto de amortización), disponibilidad regadío, disponibilidad secano, disponibilidades netas adicionales. La TIR obtenida con estos datos es de 20,7.
c) Valor actualizado TIR. Comparación de criterios
La determinación de la tasa r es complicada, ya se trate de la tasa marginal social de la preferencia temporal (preferencia de la sociedad de los beneficios presentes frente a los futuros) o de la tasa marginal social de rendimiento de la inversión. Se recurre entonces a la formulación de alternativas recurriendo a otras tasas alternativas. Además la TIR que mide la tasa implícita de rendimiento de un proyecto carece de una solución única desde lo matemático y además discrimina los proyectos de vida larga o fuerte inversión de capital.
Dada esta condición, los evaluadores prestan + atención a la medición de externalidades para obtener la mejor evaluación de beneficios y costes.
Externalidades debidas a la protección medioambiental
Representan costes sociales a incluir en la evaluación de proyectos, más allá de la complejidad de su cálculo.
a) Costes sociales de un programa de conservación ecológica.
El programa puede definirse por una serie de reservas y parques naturales, y entonces será posible calcular los costos sociales, como las pérdidas netas de bienestar en cada región afectada por el mismo, sin incluir el bienestar derivado de la conservación de la naturaleza. Por un lado CO y por otro, los beneficios para la población al crearse el espacio natural. No se incluyen utilidades de carácter recreativo cunado el programa al restringir otros usos favorece la visita del usuario directo a de otros visitantes. Los beneficios contables para la región podrán ser conservación del suelo por la creación de un parque adyacente. Los CO sociales son las pérdidas de bienestar cuando no es posible la sustitución de recursos explotables ni la aplicación de la población activas a otras fuentes de empleo. Puede ocurrir que estas pérdidas se compensen con puestos de trabajo asociados al turismo o la recreación. En estos casos eliminar la consideración de costos o beneficios potenciales y no ciertos. Y además, si la intervención no provoca el agotamiento del recurso natural, siempre será posible ponerlos en producción en el futuro. Argumento de irreversibilidad.
Técnica de evaluación de beneficios recreativos
Éstos constituyen a veces la única partida cuantificable en la evaluación de externalidades de un proyecto industrial (los costes ecológicos existen pero son difíciles de cuantificar). El método de cálculo consiste en definir la curva de la demanda o disposición al pago (DAP) y a partir de la misma conocer el excedente del consumidor, o utilidad neta de los servicios recreativos para los usuarios, descontada una posible tarifa o coste de utilización. Siendo: a) demanda de un área de recreación, b) sistema oferta/ demanda, c) proyección de la curva de la demanda y d) DAP y obtención final de beneficios recreativos.
a) Demanda específica de un área de recreación.
Para su cálculo (modelo HCK, Clawson, Knestch y Hotelling) el elemento básico es la distancia recorrida (a veces corregida por el tiempo de viaje) del usuario al espacio recreativo. Esto constituye su DAP, descontando otros gastos (Ej, entrada si es gratuita). Según el modelo HCK, a mayor distancia entre el núcleo generador de visitas y las áreas recreativas, menor flujo de visitantes. Se puede medir con una encuesta en el propio espacio natural y obtener una curca de demanda como la de la fig.2 y 3, curvas recreativas (Pag.40)
b) Sistemas oferta-demanda
Si un proceso regional expansivo, genera un territorio de espacios recreativos, éstos entran en competencia por la demanda de todos los núcleos de población, es decir, interactúan dos sistemas: demanda y oferta recreativa.
Según el modelo de Cesáreo (1976), en el análisis de los sistemas identifican:
- los núcleos homogéneos de población: i;i = 1, 2, 3, …., n.
- las áreas naturales recreativas: j; j= 1, 2, 3, …., m.
- aij es el flujo de visitas desde el núcleo de población i al área recreativa j
Los factores que condicionan el valor aij , es decir la función que la describe, se determina mediante regresiones, de modo general es:
aij = f (Ei Aj dij) donde Ei es la “Emisividad” de la población i, Aj es la “atractividad” o potencial recreativo de cada área j, y dij es la distancia entre ambas.
Para Cesáreo, aij = kEi Aj . g (dij) ρ(ε ij) donde ε ij es el término del error y k una constante.
c) Proyección de las curvas de la demanda
Las curvas de demanda (utilidad) de usos recreativos no son estáticas a lo largo del tiempo y pueden varias en función de características familiares, individuales, del núcleo generador de visitantes, del precio de la experiencia recreativa, de la época del año, de la competencia en el sistema regional. Todo esto debe incluirse en el análisis del sistema.
d) Disposición al pago y obtención final de beneficios recreativos.
La fig. 3 muestra la DAP o excedente de utilidad de los visitantes si la tarifa es 0. El área definida representa los beneficios recreativos sociales. La consideración de estas curvas para cada año, el cálculo de los beneficios perdidos como consecuencia de un proyecto que restrinja el uso recreativo, se obtiene al integral los valores anuales.
El problema regional (modelos integrados)
Existe casi una carencia total de medición de externalidades cuando se consideran beneficios y costes de un desarrollo urbano o industrial. Esto necesita de un proceso técnico. Se carecen además de criterios para definir aquellas ponderaciones que posibiliten la equidad social. Esto necesita de un proceso político (consulta)
a) Cuestiones previas al diseño de un programa técnico.
Definición del nivel de control eficiente sobre las descargas de contaminación ambiental de determinada actividad en relación a la reducción esperable de externalidades en cada caso. La figura ilustra tres curvas (Figura 4, Pag. 46):
- EE’: externalidades medidas monetariamente (aumenta con nivel de contaminación)
- CM: Costo del control de contaminación (si aumenta, EE’ disminuye)
- CT: EE’+CM. Su punto mín. es el óptimo, que es donde EE’ y CM coinciden. A partir de este pto., el coste del tratamiento es mayor al beneficio social obtenido por la eliminación de las externalidades
Por lo general, ni externalidades ni costes pueden calcularse con demasiada precisión, y además el modelo de equilibrio social del modelo indicado se basa en la hipótesis de que la implementación del control, no provoque cambios en la producción, ni el precio, ni el empleo. Por lo tanto no se trata de un modelo de equilibrio general ni de crecimiento industrial o urbano, y solo sirve para mejorar la calidad medioambiental.
Otro supuestos es curvas de demanda y costes, privados y sociales, constantes.
b) Incidencia actual de los residuos contaminantes en el sistema socioeconómico.
El flujo de recuperación de residuos de una actividad producción/ consumo (reciclaje) puede ser: Directamente en la industria, antes de salir al consumidor (deshechos producción) y o por los consumidores (deshechos post consumo). Esto tiene su impacto tanto en los costes como en los beneficios.
c) Esquema del modelo regional (Russell-Spofford)
Sistema de producción/ consumo => Vector de residuos (x1; x2; …, xn) => Funciones de transformación de residuos (Ej.: R1= f1 (x1, x2, …, xn); R2; Rm => Incidencia (daños) sobre comunidad humana (Ej. D (R1) en localización A, B, C.
La función de bienestar a optimizar tiene los siguientes elementos: B, disposición de pago de los bienes y servicios obtenidos en el sistema productivo regional (incluido el resultado del reciclaje); C, costes de oportunidad de insumos; Ct, costes de tratamiento residuos; Cc costes de modificación del medio ambiente, Cp costes medidas de protectoras finales, D daños a la comunidad causados por los residuos transformados (incidencia final). La función objetivo es F= B- C- Ct – Cc – Cp – D. La técnica de programación lineal, con sucesivas iteraciones que dependen de los costes marginales del daño (precios sombra), lleva a la solución óptima del programa regional.
d) Indeterminación técnica, solución política: el articulo define la situación en España con respecto la ausencia estructural de controles, y la implementación incipientes de autoridades y normas de contralor y reconocimiento de costes sociales.