Una primera aproximación a la valuación hedónica de la contaminación en Buenos Aires.

Una primera aproximación a la valuación hedónica de la contaminación en Buenos Aires.

Mariana Conte Grand, UCEMA


Dada la escasez de información sobre la contaminación del ruido y del aire, se utiliza como proxy de la misma el transporte público de pasajeros. La técnica utilizada es una aproximación de máxima verosimilitud de una función Box-Cox lineal. La variable proxy selccionada demuestra influir negativamente en los precios pero con un valor pequeño y significativo solamente en un 15%.

La valuación de la contaminación puede clasificarse según: por la creación de mercados artificiales ( “disponibilidad a pagar”, DAP, encuesta) ó por la evaluación de mercados indirectos (costos evitados, costos de transporte, valuación hedónica). La metodología a utilizar depende del tipo de impacto que se quiere cuantificar. El medio ambiente puede verse afectado según “valor de uso del suelo” ó “valor de no uso”. En general sólo los métodos directos pueden cuantificar todo el valor económico, los métodos indirectos sólo captan el valor de uso.

El trabajo utiliza el método de valuación hedónica porque infiere que el daño por contaminación afecta principalmente el “valor de uso”. Este método parte del supuesto en que el precio de algunos bienes está implícito en el precio de cada uno de sus atributos. La utilidad que brindan a los consumidores se basa en las características de los mismos, pero las mismas no se transan separadamente sino “en paquete”.

El método utilizado consiste en estimar el precio de las viviendas como función de sus propias características, las del barrio y la calidad ambiental. De la función así estimada se derivan los precios implícitos de las variables ambientales, que debería proyectar la DAP de los consumidores por una vivienda ubicada en una calle más silenciosa o limpia. En este punto desarrolla el concepto de precios hedónicos.

Es importante notar que de la función hedónica solamente se pueden derivar las DAP marginales por cada característica del bien evaluado, o sea su precio implícito. Para calcular las curvas de oferta y demanda de cada una de estas características, deberían estimarse por separado, incorporando para la demanda variables exógenas como el ingreso, la edad, educación; y para la oferta el precio de los factores y parámetros tecnológicos.

Los datos

Se obtuvieron de la base cedida por Servicio de Ofertas Múltiples, SOM. La muestra consistió en 406 departamentos en venta en Barrio Norte con fecha de publicación 30/07/97. La idea fue seleccionar un barrio de características homogéneas (criminalidad, escuelas, etc.) lo que permitió no tener que contemplar dichas variables, cuya disponibilidad de información es acotada. Los datos determinaron si se trata de casa/ departamento, barrio,domicilio, precio solicitado y tipo de operación. Se seleccionaron los departamentos por ser el tipo predominante en la zona, y las operaciones en venta, por entender que la contaminación influye en una decisión a largo plazo. De cada inmueble se seleccionaron 21 características, reportadas en el Anexo A-

Con respecto a los datos de contaminación, el trbajo indica los muestreos/ campañas de monitoreo de ruido en CABA y los estudios de entes de gobierno y privado que poseen estaciones de medición de parámetros de contaminación. Debido a la imposibilidad de contar con información que puediese incorporarse a la ecuación del estudio, se diseña una variable proxy consistente en transporte público de pasajeros, siendo que está reconocido a nivel mundial su incidencia en la contaminación urbana del aire. Indica estudios según los cuales entre el 67% y el 80% del nivel de ruido ambientadle CABA está determinado por el tráfico vehicular. El estudio decide incorporar sólo el transporte público por no ser el de cargo importante en la zona analizada, por no disponer de datos sobre transporte particular, y porque existe información sistematizada de la Comisión Nacional de Regulación de Transporte sobre recorridos y frecuencia de colectivos. La variable construida es Total micros= er (líneas * frecuencias), donde líneas son las que pasan frente al inmueble. Se espera que coeficiente asociado a la misma sea negativo.

Otras dos variables que se consideraron fue la cercanía a los espacios verdes (plaza: cuadras a la plaza mas cercana, sin considerar superficie ni características de las mismas. Se espera coeficiente negativo) y la distancia a las estaciones de subte (subte: cantidad de cuadras a estación). El análisis indica tabla con los principales estadísticos obtenidos de las variables analizadas.

Un tema metodológico es la forma que puede adoptar la función hedónica, que se espera que no sea lineal, ya que ello implicaría que la valoración de una mayor calidad de aire es el mismo partiendo de una situación de alta o baja contaminación. Entonces puede suceder que el precio de la variable sea mayor cuando se parte de un nivel más alto con respecto a las mismas. Para tomar en cuenta este factor se utiliza una corrección a la forma funcional denominada Box- Cox lineal.

Resultados obtenidos

La variable de mayor impacto resultó ser la superficie cubierta y el de menos impacto aire acondicionado, posiblemente porque el 75% de las observaciones arrojaron 0. También la variable piso arrojó igual signo esperado pero no significativo. Indica tabla 3 con los resultados obtenidos según las distintas formas funcionales.

Se eligió el test de log-likelihood ratio para testear las formas funcionales y como resultado se adopta la log-log por se la que a priori no se rechaza. Según la misma, total micros es significativa en un 15%: un aumento del 100% en la variable, implicaría una disminución del predio del 0,003%.

Algunos de los problemas detectados en la ecuación en relación coeficientes no significativos y signos inesperados puede deberse a problemas de co(multi)linealdad entre variables. Usando la manera más básica de analizar multicolinealidad que es analizar lso coeficientes de correlación de orden 0 entre las variables, surge que algunas características coinciden en los mismos departamentos. Este efecto provoca que las varianzas de los coeficientes son grandes por lo cual los mismos son muy imprecisos (los coeficientes pueden variar bastante de muestra en muestra y los intervalos de confianza son grandes por lo cual puede rechazarse la H0 cuando en realidad los coeficientes sí son significativos). Sin embargo no constituye un problema ya que se explica en conjunto la variable dependiente, pero no pueden explicarse los coeficientes de manera independiente.