indicadores de calidad ambiental: un analisis de · pdf file1 luis alfonso escobar jaramillo...
TRANSCRIPT
1
Luis Alfonso Escobar Jaramillo
Santiago de Chile, 3 al 7 de diciembre de 2007
INDICADORES DE CALIDAD AMBIENTAL: UN ANALISIS DE PRECIOS HEDONICOS
CURSO DE GESTIÓN Y VALORACIÓN DEL MEDIO AMBIENTE Y LOS RECURSOS NATURALES
Contenido
2
LOS INDICADORES AMBIENTALES
Relevancia de los indicadores
Hipótesis de trabajo
Objetivos propuestos
UN MODELO DE INDICADORES SINTETICOS
El marco conceptual
Metodologías de síntesis de información
Resultados de los índices estimados y algunas observaciones
VALORACION ECONOMICA
Resultados del modelo convencional
Efectos espaciales y estrategia de modelación
El valor económico de la calidad ambiental urbana
LAEJ3
Los indicadores ambientales: Aspectos básicos
Información que permite explicar como cambian los fenómenos que se miden en un periodo de tiempo.
Muchos organismos a nivel local, regional y mundial diseñan y elaboran indicadores ambientales y de sostenibilidad.
Existen indicadores muy usados para medir aspectos económicos y sociales.
No es tan claro la identificación y medición de indicadores que den cuenta de la sostenibilidad ambiental.
Deben permitir medir, evaluar y monitorear, cambios e impactos en el estado y calidad de los recursos naturales y del ambiente.
Previamente hay que identificarlos y definir un procedimiento científicamente consensuado para esto.
LAEJ4
Indicador
Índice Información
Fuente: Adaptado de Segnestam, 2002
Figura 1.1: Proceso de construcción de información agregada para la gestión
Dato
IndicadorIndicadorIndicador
Índice Información
Fuente: Adaptado de Segnestam, 2002
Figura 1.1: Proceso de construcción de información agregada para la gestión
Índice Información
Fuente: Adaptado de Segnestam, 2002
Figura 1.1: Proceso de construcción de información agregada para la gestión
Dato
IndicadorIndicador
LAEJ5
Datos Ambientales
Es el componente más básico de la generación de información.
Son registros de alguna variable de interés, que no permiten interpretar patrones de cambio o tendencia de la situación que define (OCDE, 1997).
Los datos son la base del sistema.
Es necesario evaluar su disponibilidad, calidad y fuentes de información.
El éxito de todo sistema de indicadores esta en la construcción de filtros para seleccionar los mejores datos.
LAEJ6
¿Que es un indicadores ambiental?
Es una medida parcialmente observable de un fenómeno, de
tal forma que permite indicar su estado, evolución o
tendencia, aun sin medir exactamente el fenómeno a
estudiar.
Ejemplo: El ruido por encima de los niveles permisibles,
mas que un indicador del fenómeno en si, indica los efectos
que puede estar causando, y si es espacializado la
información que se deriva es mas detallada.
LAEJ7
Utilidades de la construcción de indicadores
Ayuda a la gestión, mediante el monitoreo de
fenómenos de interés social.
Permiten informar sobre las tendencias de los
fenómenos ambientales, mediante informes periódicos.
Permite incidir en el comportamiento de la sociedad,
mediante la comunicación de sus resultados.
LAEJ8
Índices ambientales
Existe confusión en la definición y precisión de los
indicadores ambientales (Hyatt, 2001; Ebert et al,2003).
Es conveniente distinguir entre indicadores simples e
índices (indicadores sintéticos).
Los indicadores están constituidos por la combinación de
dos o mas datos.
Mas de un indicador (y/o muchos datos) son convertidos
en un índice mediante una función matemática que los
sintetiza (EEA/AMAE, 2002).
Los índices pueden ser usados como un indicador para
resumir información compleja.
LAEJ9
Indicadores ambientales y Política Pública
Ayudan a construir percepción pública de problemascomplejos.
Son instrumentos para evaluar la efectividad de lasalternativas de decisión pública.
Permiten informar sobre las tendencias de ciertos fenómenos de interés social.
Permite incidir en el comportamiento de la sociedad, mediante la comunicación de sus resultados.
Permiten objetivar las situaciones ambientales.
En la medida en que un problema latente desde el punto de
vista social se objetiva (se mide) el interés y preferencia por
los mismos se acentúa.
Hipótesis de trabajo
10
No homogeneidad ambiental del territorio urbano en grandes ciudades.
El índice de calidad ambiental (ICA) es una variable latente determinada por un conjunto de factores que lo afectan de manera positiva y negativa.
El ICA es un indicador de los beneficios asociados a los bienes y servicios ambientales presentes en el entorno urbano.
11
Definir teórica y conceptualmente un sistema de indicadores simples y un indicador sintético (índice) de calidad ambiental en el ámbito urbano.
Estimar el índice de calidad ambiental, como una aplicación empírica del modelo general, en las 21 comunas de la Ciudad de Cali - Colombia.
Determinar los atributos que explican la estructura de precios de la vivienda urbana y valorar económicamente los determinantes ambientales que explican su precio.
Objetivos
El modelo de indicadores
sintéticos
12
Marco conceptual para el índice
13
Desarrollo
Sostenible
AMBIENTAL
ECONOMICA
INSTITUCIONAL
Marco analítico
Revisión literatura
Flujo
Urbano
Medio Ambiente
Urbano
SOCIAL
Modelos:
•Categorías (OCDE, 1994)
•Temas y subtemas (UNCED, 2000, 2001)
14
Tabla 1: Sistema de indicadores de calidad ambiental urbana Indicadores simples Área temática Componentes Índice Nivel I Nivel II Nivel III Nivel IV
RS1. Residuos sólidos generados (Ton) RS2. Cobertura de recolección (% de viviendas) Residuos sólidos RS3. Basureros crónicos (No) urbanos (Irsu) RS4. Percepción social del servicio CE1. Cobertura de energía (% de viviendas) CE2. Conexiones ilegales (No.) CE3. Cobertura de gas (Porcentaje de viviendas) Consumo de CE4. Uso de leña, carbón, etc. (No. viviendas) energía (Icen) CE5. Fuentes de contaminación lumínica (No) Índice de Flujo Urbano (IFLU) TR1. Densidad de coches (Coches/habitantes) TR2. Accidentes mortales de transito (No) Trafico urbano (Itru) TR3. Kilómetros de vía pavimentada (No) TR4. Semáforos (No) CV1. Personas por vivienda (No) CV2. Mts2 por vivienda (No) Calidad de la vivienda CV3. Densidad de viviendas (No / hectárea) (Icav) AI1. Concentración de NOx (% del territorio)* AI2. Concentración de SOx (% del territorio)* Índice de AI3. Concentración de CO2 (% del territorio)* Aire (Iair) Calidad AI4. Concentración de material particulado* Ambiental AI5. Denuncias por olores moléstos (No) (ICA) AG1. Cobertura de agua (% de viviendas) AG2. Cobertura de alcantarillado (% de viviendas) Agua (Iagu) AG3. Riesgo de inundación (% del territorio)** RU1. Ruido diurno (% del territorio)* RU2. Ruido nocturno (% del territorio)* Ruido (Irui) RU3. Denuncias ciudadana (No) SU1. Área urbanizable construida (% del total) Índice de Medio Ambiente SU2. Área verde institucional (% del total) Urbano (IMAU) SU3. Densidad área verde (mt2/habitante) Suelo (Isue) SU4. Erosión (Porcentaje del total)* ES1. Denuncias invasión del espacio público (No) ES2. Parques y plazas por localidad (No) Espacio publico (Iepu) ES3. Andenes peatonales (Mt2) BI1. Densidad de árboles (No / habitante) BI2. Árboles sembrados (No / año) BI3. Fauna animal no nociva (No) Biodiversidad (Ibio) BI4. Especies vegetales (No) BI5. Sitios de interés ecológico (No)
Metodología de síntesis de la información
Síntesis de la información
15
Ecuación Hipótesis de relación lineal
n
j
ijij RSWIrsu1
0
1 j
j
RS
Irsu ; 0
2 j
j
RS
Irsu ; 0
3 j
j
RS
Irsu ; 0
4 j
j
RS
Irsu (1)
n
j
ijij CEWIcen1
0
1 j
j
CE
Icen ; 0
2 j
j
CE
Icen ; 0
3 j
j
CE
Icen ; 0
4 j
j
CE
Icen ; 0
5 j
j
CE
Icen (2)
n
j ijij TRWItra1
0
1 j
j
TR
Itra ; 0
2 j
j
TR
Itra ; 0
3 j
j
TR
Itra ; 0
4 j
j
TR
Itra (3)
n
j ijij CVWIcav1
0
1 j
j
CV
Icav ; 0
2 j
j
CV
Icav ; 0
3 j
j
CV
Icav (4)
n
j ijij AIWIair1
0
1 j
j
AI
Iair ; 0
2 j
j
AI
Iair ; 0
3 j
j
AI
Iair ; 0
4 j
j
AI
Iair ; 0
5 j
j
AI
Iair (5)
n
j ijij AGWIagu1
0
1 j
j
AG
Iagu ; 0
2 j
j
AG
Iagu 0
3 j
j
AG
Iagu (6)
n
j ijij RUWIrui1
0
1 j
j
RU
Irui ; 0
2 j
j
RU
Irui ; 0
3 j
j
RU
Irui (7)
n
j ijij SUWIsue1
0
1 j
j
SU
Isue ; 0
2 j
j
SU
Isue ; 0
3 j
j
SU
Isue ; 0
4 j
j
SU
Isue (8)
n
j ijij EPWIepu1
0
1 j
j
EP
Icen ; 0
2 j
j
EP
Icen (9)
n
j ijij BIWIbio1
0
1 j
j
BI
Ibio ; 0
2 j
j
BI
Ibio ; 0
3 j
j
BI
Ibio ; 0
4 j
j
BI
Ibio ; 0
5 j
j
BI
Ibio (10)
Los j = 1, 2, 3, .., n representan las unidades experimentales. Los i representan el subíndice de cada una de las variables que componen la ecuación
de cada indicador de segundo nivel y que se detallan en la tabla 1. W i es el conjunto de pesos relativos de cada indicador de primer nivel. Como las variables que componen cada indicador de segundo nivel tienen diferentes unidades de medida y escala, se emplean técnicas de análisis
multivariantes como el Análisis de Componentes Principales (ACP) (Johnson, 2000) y Análisis de Distancia P2 (DP2) (Pena Trapero, 1977; Zarzosa, 1996).
Criterios de selección de indicadores
16
Validez científica
Capacidad de discriminación
Elección pública
Representación de la zona
Medida directa
Sensible a cambios
Coste-eficiencia
Existencia de datos
Criterios de evaluación
•Cumple satisfactoriamente
•Cumple parcialmente
•No cumple
•Doce indicadores
(IFLU e IMAU)
Esquema analítico de síntesis de la información
17
Definición de Calidad
Ambiental Urbana
Análisis de
Flujo Urbano
Análisis de Medio
Ambiente Urbano
Sistema de
Indicadores
ambientales
Criterios de
selección
No cumple
Si cumple
Indicadores
operativos
No cumple
Si cumple
Modelo
cartográfico
Sistema de Indicadores
Ambientales en SIG
Distribución
espacial a
escala SIG
Índice de Flujo
Urbano (IFLU)
Índice de Medio
Ambiente Urbano
(IMAU)
Técnicas de
Análisis
Multivariado
Índices
temáticos
No cumple
Si cumple
Si cumple
Índice de Calidad
Ambiental
(ICA)
Distribución
Espacial del ICA a
escala SIG
Escala de
Espacialización
Selección de
significativos
Selección de
significativos
Técnicas de
Análisis
Multivariado
Técnicas de
Análisis
Multivariado
Se excluye
No cumple
Se excluye
Ajuste y
Refinamiento de
Base de datos
Definición de Calidad
Ambiental Urbana
Análisis de
Flujo Urbano
Análisis de Medio
Ambiente Urbano
Sistema de
Indicadores
ambientales
Criterios de
selección
No cumple
Si cumple
Indicadores
operativos
No cumple
Si cumple
Modelo
cartográfico
Sistema de Indicadores
Ambientales en SIG
Distribución
espacial a
escala SIG
Índice de Flujo
Urbano (IFLU)
Índice de Medio
Ambiente Urbano
(IMAU)
Técnicas de
Análisis
Multivariado
Índices
temáticos
No cumple
Si cumple
Si cumple
Índice de Calidad
Ambiental
(ICA)
Distribución
Espacial del ICA a
escala SIG
Escala de
Espacialización
Selección de
significativos
Selección de
significativos
Técnicas de
Análisis
Multivariado
Técnicas de
Análisis
Multivariado
Se excluye
No cumple
Se excluye
Ajuste y
Refinamiento de
Base de datos
Herramientas analíticas
Recomendamos el uso de análisis multivariante para el tratamiento de datos que describen fenómenos que pueden ser explicados en común (variables latentes). 18
Análisis de Componentes Principales
(ACP) (Castro, 2002; Sanghai et al, 2004)
Análisis de Distancia P2 (DP2) (Castro,
2002; Pena Trapero, 1977; Zarzosa, 1996;
Zarzosa, P. et al. 1996; Castro, 2002; Sáez, F. et
al. 2002; Fundación “La Caixa”, 2003; López,
M. et al., 2003; Vicéns, J. y C. Chasco, 2001 y
Chasco C. y Hernández, 2004)
Análisis de Conjuntos Difusos (Castro,
2004)
Métodos ad-hoc Métodos Multivariados
Galdames (2000)
Métodos Multivariados
Datos
Multidimencionales
Matriz de
Covarianza
(originales)
Matriz de
Correlaciones
(originales)
Estructura de
correlación
No. de variables
(dimensiones)
Métodos de
Reducción de
dimensiones
ANALISIS DE
COMPONENTES
PRINCIPALES
ANALISIS
FACTORIAL
ANALISIS DE
DISTANCIA
DP2
Análisis de Componentes Principales
El ACP es un procedimiento matemático que transforma un conjunto de variables respuestas correlacionadas en un conjunto menor de variables ortogonales (no relacionadas) llamadas componentes principales.
Las nuevas variables tienen como fundamento explicar la mayor parte de la varianza de los datos originales (Johnson, 2000).
Partimos de la matriz de correlación de los indicadores simplestipificados.
Se determinan los componentes principales que explican la mayor parte de la varianza contenida en los datos.
Se califican las unidades experimentales con base en los componentes resultantes:
Estimación del índice derivado del ACP
Definido los componentes principales, nos preguntamos¿como incorporarlos al análisis del indicador sintético?
Si sólo es seleccionado un componente principal, esteactuaría como un indicador sintético del conjunto devariables respuesta.
Mas de un componente demanda un tratamiento parautilizarlos en el análisis de los resultados.
Estimación del índice derivado del ACP
Peters et al (1970) propone que el índice sea calculadoempleando un promedio de las puntuaciones de cadacomponente principal, ponderados por la raíz cuadrada de lavarianza de cada componente.
En este sentido, el índice para cada unidad experimental sedebe calcular como:
Se garantiza que los componentes con una mayor varianzaexplicada tenga una mayor ponderación en la calificación delíndice.
21,,2,1;
1
1)( j
Z
ICAr
i
r
r
i
rrj
jComuna y i = 1, 2, 3…r componentes.
Resumen del empleo de ACP
Se parte de un conjunto de variables que conceptualmente responden a unmodelo de explicación de la variable latente.
Se analizan los datos para determinar si se emplea el análisis de varianzas-convarianzas o el de correlaciones.
Determinar si existen datos ausentes, outliers, etc, y definir unprocedimiento para su tratamiento en el conjunto del ACP.
Se prueba la independencia de las variables respuestas.
Modelar la base datos (puede ser en SPSS o cualquier otro paqueteestadístico), obteniendo los componentes principales y el conjunto deestimaciones que permitirán probar la consistencia de los resultados.
Estimar el orden de las unidades experimentales, de acuerdo al procedimientode agregación definido.
Análisis espacial de los resultados, de tal forma que se puedan identificarpatrones espaciales del índice por cada unidad experimental.
Análisis de Distancia DP2
Utilizado para medir variables latentes como el bienestar, desarrollo sostenible, etc., entre distintas regiones de un País. Pena Trapero (1977, 1994), Zarzosa (1996, 2002), Castro (2002) y La Caixa (2003).
Este indicador sintético se basa en el concepto de distancia elaborado por Bernardo Pena Trapero (1977) a partir de una modificación de la distancia de Ivanovic (dI) (1974):
La DP2 es desarrollada por Pena Trapero se basa también en la distancia de Frechet y utiliza como factor de ponderaciones de las distancias estimadas, el coeficiente de determinación (R2) como se indica a continuación:
jirxx
dp
i
j
i
iij
i
jiij
iiI ,)1(1
1
1
1,...,2,1.
*
*),(
2
1...,2,1
1
*
2 1 iii
p
i i
jiijR
xxDP
El área de estudio
Departamento del Valle
Área urbana
de Cali por comunas
NColombia
21 Comunas (Distritos)
322 Barrios
Habitantes: 2.395.000 (DANE, 2005)
Resultados del ACP
26
Tabla 1: Resultados del análisis de componentes principales rotada Componentes
Indicadores de Primer Nivel 1 2 3
Comunalidades
AG1. Cobertura de agua 0,934 0,842 AG2. Cobertura de alcantarillado 0,912 0,891 CE1. Cobertura de energía 0,898 0,822 RS2. Cobertura de recolección 0,808 0,716 CE3. Cobertura de gas 0,625 0,437 CV3. Densidad de viviendas -0,400 0,767 0,774 BI1. Densidad de árboles 0,735 0,482 0,829 CV1. Personas por vivienda 0,722 0,583 0,861 AI4. Concentración de material particulado -0,780 0,678 TR2. Accidentes mortales de transito -0,676 0,616 SU1. Área urbanizable sin construir 0,959 0,934 SU3. Densidad área verde 0,824 0,833
Autovalores 4,285 3,516 1,432 9,233 Varianza 35,710 29,300 11,930 Acum.: 76,94%
Método de Extracción: Análisis de Componentes Principales Método de Rotación: Varimax con Normalización Kaiser Determinant = 3,134E-08
El índice de calidad ambiental por ACP
27
Tabla 2: Índice de Calidad Ambiental
Comuna ICA
17 1,0535
2 0,7469
19 0,7186
3 0,3830
4 0,2686
5 0,0906
8 0,0999
9 0,0660
10 0,0555
11 -0,0210
7 -0,1155
16 -0,1740
1 -0,1945
18 -0,2214
21 -0,2562
15 -0,2895
12 -0,3156
6 -0,3376
20 -0,4718
13 -0,4781
14 -0,6076
Figura 1: Mapa del ICA
El índice de calidad ambiental por DP2
28
Tabla 3: Indice de calidad ambiental DP2
Comuna ICA_DP2
5 3,1011
2 3,4561
19 3,7651
17 5,3363
10 5,9255
6 6,0123
8 6,4931
4 7,1656
11 7,3953
7 7,5588
12 7,6265
3 7,9050
9 8,2081
14 8,4766
16 9,2709
15 9,2950
18 9,6103
13 9,9103
1 10,2196
20 11,3077
21 13,2111
Figura 2: ICA_ DP2
Relevancia de los indicadores por comuna
29
17 2 19 3 4 5 8 9 10 11 7 16 1 18 21 15 12 6 20 13 14
0,9220 1,93 2,00 1,52 1,14 0,30 0,98 -0,04 0,26 0,05 -0,34 -0,78 -0,75 -0,82 -0,35 -0,06 -0,04 -1,36 -0,49 -1,07 -0,81 -1,26
0,8788 1,21 2,52 1,57 0,18 0,91 0,65 0,46 -0,28 0,44 0,44 -0,27 -0,57 -0,43 -0,92 -1,05 -0,95 -0,11 -0,24 -1,38 -1,12 -1,05
0,7332 1,77 1,01 1,09 0,92 0,93 -0,56 0,41 0,21 -0,57 -0,64 0,90 -0,07 0,87 -0,01 0,73 -1,48 -0,67 -1,93 -0,48 -1,41 -1,00
0,7500 3,99 0,64 0,88 0,22 -0,34 0,24 -0,55 -0,60 -0,40 -0,38 -0,10 -0,37 0,07 -0,53 -0,54 -0,09 -0,53 -0,33 -0,55 -0,42 -0,30
-0,5832 -0,61 -0,76 -1,13 -1,23 -0,54 0,42 -0,03 -1,19 -1,27 -0,29 0,66 0,12 1,43 -1,34 1,49 1,00 0,69 0,72 -0,79 1,15 1,49
-0,5726 -0,53 -0,10 -1,92 -0,74 -0,85 1,08 -1,71 -1,17 -0,42 -0,31 0,12 0,33 1,19 1,40 1,08 0,44 -0,42 -0,10 1,40 -0,20 1,40
0,4124 2,34 0,42 0,90 0,15 -0,79 1,62 -1,16 -1,29 -0,40 -0,24 -0,05 -0,35 0,41 -0,99 -1,16 1,49 -0,82 0,54 -0,99 -0,12 0,49
0,2045 0,08 0,17 -0,47 -1,17 0,55 1,84 1,05 -0,07 0,90 1,02 0,41 0,89 -1,24 -0,53 -1,26 -0,53 1,20 0,93 -1,26 -1,26 -1,26
-0,1977 -1,35 -1,09 0,86 0,01 -0,10 0,86 0,86 0,79 0,86 -0,48 0,86 -1,10 -1,03 0,22 -2,69 -0,69 0,39 0,86 0,86 0,27 0,86
0,1008 -0,22 -0,48 1,12 -0,51 -0,10 1,12 1,12 0,48 1,12 -0,09 0,45 -0,42 -3,16 -0,52 -0,73 -1,00 0,68 1,12 -0,02 -0,35 0,39
0,1005 -0,67 0,43 0,99 -0,32 -0,24 1,05 1,05 0,68 1,05 -0,42 0,22 -0,94 -1,50 0,22 -2,50 -1,45 0,53 1,05 -0,43 0,14 1,05
0,0368 -0,44 -0,51 1,10 -0,58 -0,13 1,11 1,11 0,44 1,11 -0,14 0,44 -0,49 -3,16 -0,58 -0,32 -1,05 0,65 1,11 -0,07 -0,25 0,66
(desv. stánd.>1 ) Muy bueno
(0 < desv. Stand.a <=1 ) Bueno
(-1< desv. Stand. <=0 ) Regular
(desv. Stand.<=-1 ) Deficiente
Densidad de arboles
por Ha.
Muertes por
tráfico
Cobertura de
acueducto*
ESTRUCTURA DE
CORRELACION
* Los valores indican el número de desviaciones con respecto a la media de cada indicador y los tonos verde a rojo indican agrupaciones de valores inferiores y superiores a la media, tal como se
expresa en la convención. Para homogenizar la presentación de los resultados de la desviación estándar de esta tabla, aquellas variables que en el ICA inciden de forma negativa (densidad de
personas, densidad de viviendas, calidad del aire, accidentes de tráfico y área urbanizable construida) les fue cambiado el signo. Por ello intuitivamente para esta variable el valor positivo se debe
interpretar como el número de desviaciones estándar inferiores al promedio.
Cobertura
de gas*Cobertura
de aseo*Cobertura de
alcantarillado*Cobertura de
energía*
Indicadores simples
Densidad de
personas
Area urbanizable
construida
COMUNAS**
Calidad ambiental
muy buena
Calidad
Ambiental buenaCalidad ambiental regular Calidad ambiental deficiente
ICA
Densidad de
viviendas Densidad de
area verdeCalidad del
aire
Valoración económica del ICA
30
Hacia la valoración económica del ICA
Pretendemos estimar el valor que los agentes le asignan a la calidad ambiental (medida por el ICA).
Presentamos un Modelo de Precios Hedónicos (MPH) para explicar la estructura del precio de la vivienda.
Wilkinson (1973) define una medida de la multidimencionalidad de los componentes ambientales que explican la calidad ambiental de un entorno específico.
Freeman (1993) llama calidad ambiental “agregada”.
31
Marco de referencia
32
Wilkinson (1973),
Rogers (2000),
Hidano (2002) y
Caridad et al. (2003)
Factores de
localización
y escalas de
análisis espacial
juegan un papel
determinante en la
Explicación del
precio de la
vivienda
(Orford, 1999).
Lo convencional Avances relevantes Nueva generación
Smith & Huang
(1995), Li & Brown
(1980), Can (1990),
McMillen &
McDonald (1991),
McMillen (1996),
Palmquist (1992),
Tyrvainen &
Miettinen (2000) y
Morancho (2003)
33
Freeman (1993:374) propone un marco analítico
integrador.
Dada una función de elección de localización i, tal que
Marco coherente para entender que el análisis multinivel
y la construcción de indicadores agregados que califiquen
el entorno ambiental, son una línea de investigación de
importante relevancia empírica.
);,,,( ** uNSQqbb iiijiijij
Marco de referencia inmediato
34
itijsipiri qQCARSOCIOCARESTRPALQ * (13)
PALQi es el precio de renta de la vivienda por barrio en la ciudad de Cali. CARESTRi es el conjunto de variables que describen las características estructurales de la
vivienda.
r es el conjunto de parámetros de las variables que describen las características estructurales de la vivienda.
CARSOCIOi es el conjunto de variables que describen las características socioeconómicas del entorno de las viviendas.
p es el conjunto de parámetros de las variables que describen las características socioeconómicas del entorno de las viviendas.
*
ijQ es el índice de calidad ambiental asignado a la vivienda ubicada en el barrio i de
la comuna j.
s es el parámetro del índice de calidad ambiental.
iq es la variable que explica una característica ambiental específica y directamente
asociada a la vivienda ubicada en el barrio i.
t es el parámetro de la variable que explica una característica ambiental directamente asociada a la vivienda.
es el termino aleatorio de error ruido blanco.
35
Empleamos el ACP como una técnica de análisis multivariante de factores para derivar nuevas variables no correlacionadas (Wilkinson, 1976 y Caridad et al. 2003).
Los datos y métodos de estimación
Tabla 1: Análisis de factores de variables estructurales de la vivienda
Cargas Factoriales Rotadas Variables
Comp_1 Comp_2 Comp_3 Comunalidades Media
Desviación Estándar
x1 Área x2 Baños x3 Garaje x4 No. de Pisos x5 Habitación del serv. x6 Conjunto cerrado x7 Administración x8 Tipo de vivienda x9 Gas x10 Acabados x11 Cuartos
0,797 0,790 0,737 0,694 0,642
0,213
0,449
0,413 0,511
0,459 0,873 0,866 -0,586 0,315
0,305
-0,515
0,870 0,748
0,729 0,810 0,806 0,516 0,608 0,774 0,798 0,608 0,102 0,776 0,763
Autovalor 2,949 2,641 1,747 7,337
Porcentaje total de la varianza 26,810 24,007 15,880 66,697
106,19 1,64 0,38 1,11 0,22 0,12 0,15 0,67 0,27 0,37 3,48
51,433 0,836 0,650 0,308 0,413 0,323 0,360 0,471 0,446 0,483 0,914
Determinante = 0,004; KMO = 0,77; Prueba de esfericidad de Bartlett: Chi-cuadrado = 1742,62, p = 0,000 Método de extracción: Análisis de Componentes Principales. Método de Rotación: Varimax con Normalización Kaiser. La rotación converge en la quinta iteración.
36
Medición del indicador de características socioeconómica
Estrato socioeconómico de cada uno de los 322 barrios de Cali
(DANE)
En la construcción de este índice se aplican criterios económicos y
sociales para calificar el entorno inmediato de las viviendas, en este
caso el barrio.
La variable Estrato se emplea como un índice que califica los
barrios de la ciudad de Cali en seis categorías (del 1 al 6).
Los datos y métodos de estimación
37
Medición del indicador ambiental qi
El primero basado en estimaciones censal del número de
árboles por barrio (DAGMA, 2002).
El segundo con base en la interpretación de una imagen de
satélite Landsat ETM + de donde se derivó un índice de cobertura
arbórea para cada uno de los 322 barrios de la ciudad de Cali.
Los datos y métodos de estimación
38
Estructura de la base de datos
ICA_ACP
(Tabla 5.11)
Cali en cifras
(DMPC, 2002, 2003)
Agendas ambientales
(Dagma, 2003)
Índice de vegetación
frondosa
(Figura 6.2)
ICA_DP2
(Tabla 5.15)
Encuestas inmobiliarias,
oferentes en el diario local
673 obs. X 12 variab.
(mayo-diciembre de 2002)
Encuestas del DMPC
6.513 obs. X 170 variab.
(diciembre de 2000)
Datos depurados
4.415 obs. X 12
variables
Matriz de datos
Básicos SIG de
Cali: Códigos de
322 barrios
Matriz de datos
Con valores
medios (322
barrios x 15 var)
Mapa SIG de
barrios de Cali
SPSS
(ACP variables
modelo 6.23)
GEODA
(Análisis Exploratorio
de Datos Espaciales)
SPACESTAT
(Análisis
Confirmatorio)
1
2
3
AA BB
CC
DDEE
ICA_ACP
(Tabla 5.11)
Cali en cifras
(DMPC, 2002, 2003)
Agendas ambientales
(Dagma, 2003)
Índice de vegetación
frondosa
(Figura 6.2)
ICA_DP2
(Tabla 5.15)
ICA_ACP
(Tabla 5.11)
Cali en cifras
(DMPC, 2002, 2003)
Agendas ambientales
(Dagma, 2003)
Índice de vegetación
frondosa
(Figura 6.2)
ICA_DP2
(Tabla 5.15)
Encuestas inmobiliarias,
oferentes en el diario local
673 obs. X 12 variab.
(mayo-diciembre de 2002)
Encuestas del DMPC
6.513 obs. X 170 variab.
(diciembre de 2000)
Datos depurados
4.415 obs. X 12
variables
Matriz de datos
Básicos SIG de
Cali: Códigos de
322 barrios
Matriz de datos
Con valores
medios (322
barrios x 15 var)
Mapa SIG de
barrios de Cali
SPSS
(ACP variables
modelo 6.23)
GEODA
(Análisis Exploratorio
de Datos Espaciales)
SPACESTAT
(Análisis
Confirmatorio)
1
2
3
AA BB
CC
DDEE
Fuente: Elaboración propia
39
Variables y estadísticas descriptivas
*
ijQ
Componentes e índice Variables Unidades Min Max Media D.E Signo
PALQ Precio de la renta de la vivienda Miles de
pesos 62 3000 324,40 322,86
LPALQ Ln del precio de renta de la vivienda
No. 4,13 8,01 5,5418 0,63
Cobertura de energía Porcentaje 66,22 100,00 90,01 9,29
Cobertura de recolección Porcentaje 71,62 100,00 93,14 7,82
Cobertura de gas Porcentaje 0,00 73,36 29,81 23,10
Personas por vivienda No. 3,39 6,01 4,95 0,76
Densidad de viviendas por ha No. 15,26 74,95 20,10 9,10
Accidentes mortales de transito No. 7,00 38,00 43,77 15,75
Cobertura de agua Porcentaje 51,89 100,00 87,53 11,00
Cobertura de alcantarillado Porcentaje 50,07 100,00 86,92 11,37
Área urbanizable sin construir Porcentaje. 0,58 14,66 5,59 3,78
Densidad área verde por ha. No. 0,30 27,87 3,92 5,86
Concentración de material particulado
No. 75,00 400,00 246,46 112,01
ICA (*
ijQ )
Densidad de árboles por hab. No. 0,01 0,25 0,09 0,06
+
Área No. 13 464 106,19 51,43
Baños No. 1 5 1,64 0,84
Garaje No. 0 3 0,38 0,65
No. de Pisos No. 1 2 1,11 0,31
FAC1_3: Estructura interna de la vivienda
Habitación servicio domestico dummy 0,00 1,00 0,22 0,41
+
Conjunto cerrado dummy 0,00 1,00 0,12 0,32
Administración dummy 0,00 1,00 0,15 0,36
Tipo de vivienda dummy 0,00 1,00 0,67 0,47
FAC2_3: Propiedad común de la vivienda
Gas dummy 0,00 1,00 0,27 0,45
+
Cuartos
No. 1,00 5,00 0,37 0,48 FAC3_3: Calidad de la estructura interna de la vivienda
Acabados dummy. 0,00 1,00 3,48 0,91
+
ESTR: Entorno social Estrato No. 1,00 6,00 3,00 1,00 +
Densidad de árboles por barrio (DARB_HA)
No. 0,74 145,51 25,39 14,39 + qi
Índice de vegetación arbórea: DVI_DII
Reflectividad* 1453 750720 29190 46546 +
* Se refiere a la reflectividad derivada de la interpretación de la imagen de satélite. Fuente: Elaboración propia.
40
iiiiiiji ESTRFACFACFACqICAPalq 654321 3_33_23_1ln
Ecuación 6.22
41
El modelo básico de precios hedónicos
Modelo Semilog ICA_ACP
Modelo Semilog ICA_DP2 Variables
Modelo 1 Modelo 2 Modelo 3 Modelo 4
Constante FAC1_3: Estructura interna de la vivienda FAC2_3: Propiedad común de la vivienda FAC3_3: Calidad de la estructura interna de la vivienda
4.8669 *** (0.0625)
0.2458 *** (0.0198)
0.1254 *** (0.0176)
0.0473 *** (0.0140)
4.8859 *** (0.0595)
0.2346 *** (0.0199)
0.1300 *** (0.0175)
0.0452 *** (0.0139)
4.91464 *** (0.1059)
0.2458 *** (0.0198)
0.1254 *** (0.0176)
0.0473 *** (0.0140)
4.9429 *** (0.1027)
0.2412 *** (0.0201)
0.1360 *** (0.0175)
0.0437 *** (0.0141)
ESTRACTO: Entorno social 0.2118 *** (0.0210)
0.2135 *** (0.0209)
0.2118 *** (0.0210)
0.2298 *** (0.0208)
ICA_ACP: Índice de Calidad Ambiental por ACP ICA_DP2: Índice de Calidad Ambiental por DP2
0.1502 *** (0.0476)
0.1392 *** (0.0473)
-0.0116 (0.0078)
-0.0125* (0.0078)
DARB_HA: Densidad de árboles por ha DVI_DII: Índice de vegetación frondosa
0.0017 * (0.0009)
0.00000067** (0.0000031)
0.0014 (0.0009)
0.00000073** (0.00000032)
R2 R2 - Ajustado F - estadístico LIK AIC SC Error estándar estimado
0.8439 0.8410
283.8800 -6.6082 27.2165 53.6383 0.2497
0.8448 0.8418 285.671 -5.75324 25.5065 51.9283 0.2490
0.8401 0.8371
275.8420 -10.5020 35.0039 61.4258 0.2528
0.8418 0.8388
279.3220 -8.8047 31.6093 58.0312 0.2514
***, **, y * indican valores significantes al 1, 5 y 10%. Error estándar entre paréntesis. N = 322. Modelo Semilog estimado por MCO. Variable dependiente LPALQ (logaritmo natural del precio de alquiler).
Fuente: Elaboración propia con base en SpaceStat 1.9.
42
Se puede deducir de Anselín (1998), Moreno & Vayá (2000) y
Chasco (2003) que no considerar el espacio en los MPH.
Afecta las magnitudes de las estimaciones y su fiabilidad
Problemas de interpretación por la presencia de efectos espaciales,
que inciden en la eficacia y consistencia de los parámetros de las
estimaciones hedónicas.
El uso cada vez más frecuente de las técnicas de AEDE deja en
evidencia los problemas de autocorrelación y/o heterogeneidad
espacial.
Dependencia espacial en el El MPH
MPH desde una perspectiva espacial
43
Artículo Autor
Aproximación a la variabilidad espacial de las características del precio de la
vivienda: una aplicaciónChica et al. (2000)
The use of census data for hedonic price estimates of open-space amenities and
land use.Shultz y King (2001)
Economic impacts of wetland amenities: a spatial econometric analysis of the
Dutch housing market.
Van der Kruk, René
(2001)
Una nueva metodología en la valoración de inmuebles urbanos mediante modelos
espaciales de regresión.Bernal et al. (2002)
Una aplicación de la estadística espacial al comportamiento de la vivienda de
alquiler en España.Gamez et al. (2004)
Spatial Autoregressive Generalized Moments. Estimation of Hedonic Prices for Co-
operative Flats
Sandberg y Johansson
(2004)
On Space-Time Changes of Hedonic Prices for Single-Family Homes Sandberg (2004)
Interpolation of Air Quality Measures in Hedonic House Price Models: Spatial
Aspects.Anselin y Le Gallo (2006)
Spatial Effects In Housing Price Models Do Housing Prices Capitalize Urban
Development Policies In The Agglomeration Of Dijon (1999).
Valuing the Built Environment: GIS and House Price Analysis. Orford (1999)
Baumont (2004)
Measuring the Benefits of Air Quality Improvement: A Spatial Hedonic Approach. Won Chong et al . (2001)
44
Global Local
Prueba de
autocorrelación
a nivel univariante
I de Moran
C de Geary
Mapas
LISA
Indicios de autocorrelación
espacial
Prueba de
autocorrelación
sobre los residuos
ANALISIS EXPLORATORIO ANALISIS CONFIRMATORIO
ResidualSustantiva
RLM_errorK-R errorLM_errorRLM_LagLM_Lag
MBRLEcuación
6.22
Dependencia espacial en el El MPH
45
Variables I de MoranValor
esperadoValor de Z Probabilidad
LPALQ 0.5958 -0.003 165.781 0.0000
ICA_ACP 0.8310 -0.003 230.885 0.0000
DEARB_HA 0.1309 -0.003 37.090 0.0002
DVI_DII 0.1485 -0.003 41.962 0.0000
FAC1_3 0.2840 -0.003 79.479 0.0000
FAC2_3 0.2790 -0.003 78.104 0.0000
FAC3_3 0.0514 -0.003 15.082 0.1315
ESTRATO 0.6515 -0.003 181.198 0.0000
Variables C de GearyValor
esperadoValor de Z Probabilidad
LPALQ 0.3902 1.00 -153.618 0.0000
ICA_ACP 0.1741 1.00 -208.046 0.0000
DEARB_HA 0.8305 1.00 -42.692 0.0002
DVI_DII 0.6497 1.00 -88.230 0.0000
FAC1_3 0.7325 1.00 -67.388 0.0000
FAC2_3 0.7019 1.00 -75.090 0.0000
FAC3_3 0.9439 1.00 -14.132 0.1575
ESTRATO 0.3383 1.00 -166.683 0.0000
Matriz de contacto CALI_Q estandarizada por filas.
Fuente: Elaboración propia con base en SpaceStat 1.90
Tabla 7.3: Test de autocorrelación espacial global c de Geary
Tabla 7.2: Test de autocorrelación espacial global I de Moran
Matriz de contacto CALI_Q estandarizada por filas.
Fuente: Elaboración propia con base en GeoDa 0.9.5-i
No
Autocor.
46
Mapa 7.1: Lisa Cluster Map: LPALQ Mapa 7.2: Lisa Cluster Map: ICA_ACP
Mapa 7.3: Lisa Cluster Map: DEARB_HA
Mapa 7.4: Lisa Cluster Map: DVI_DII
Mapa 7.5: Lisa Cluster Map: ESTRATO
Mapa 7.6: Lisa Cluster Map: FAC1_3
Mapa 7.7: Lisa Cluster Map: FAC2_3
Mapa 7.8: Lisa Cluster Map: FAC3_3
Estrategia de modelización
47
Modelo Básico de
Regresión Lineal
Error espacial
GMM
Retardo espacial
IV
Modelo de
regímenes
espaciales
Modelo final
Modelo del error espacial
y heterocedasticidad
de grupos
Parámetros
ajustados
•No normalidad de los errores
•Heterocedasticidad
•Autocorrelación
Los test LM no fiables
(indicios de dependencia residual)
Test Keliejan Robinson (error):
Indica autocorrelación espacial residual.
Test del Factor Común
AEDE nos
indicaba la presencia
de heterogeneidad
48
Modelo Básico de Regresión Lineal ORDINARY LEAST SQUARES ESTIMATION
DATA SET CALI
DEPENDENT VARIABLE LPALQ OBS 322 VARS 7 DF 315
R2 0.8448 R2-adj 0.8418
LIK -5.75324 AIC 25.5065 SC 51.9283
RSS 19.5389 F-test 285.671 Prob 3.48572e-124
SIG-SQ 0.0620283 (0.249055) SIG-SQ(ML) 0.0606799 (0.246333)
VARIABLE COEFF S.D. t-value Prob
CONSTANT 4.88594 0.0594639 82.166588 0.000000
ICA_ACP 0.13920 0.0472941 2.943283 0.003489
DVI_DII 6.74022E-007 3.17814E-007 2.120806 0.034719
ESTRAT_1 0.21346 0.0208812 10.222537 0.000000
FAC1_3 0.23457 0.0199731 11.744473 0.000000
FAC2_3 0.13001 0.0174535 7.449026 0.000000
FAC3_3 0.04522 0.0139956 3.230965 0.001364
REGRESSION DIAGNOSTICS
MULTICOLLINEARITY CONDITION NUMBER 10.823474
TEST DF VALUE PROB
Jarque-Bera 2 96.273953 0.000000
DIAGNOSTICS FOR HETEROSKEDASTICITY
LINEAR SPECIFICATION USING VARIABLES
CONSTANT ICA_ACP
TEST DF VALUE PROB
Koenker-Bassett test 1 2.938477 0.086492
DIAGNOSTICS FOR SPATIAL DEPENDENCE
FOR WEIGHTS MATRIX CALI_Q1 (row-standardized weights)
TEST I/DF VALUE PROB
Moran's I (error) 0.254188 7.307784 0.000000
Lagrange Multiplier (error) 1 48.265807 0.000000
Robust LM (error) 1 40.157132 0.000000
Kelejian-Robinson (error) 7 63.287949 0.000000
Lagrange Multiplier (lag) 1 9.025867 0.002662
Robust LM (lag) 1 0.917191 0.338213
Lagrange Multiplier (SARMA) 2 49.182999 0.000000
Modelo de dependencia espacial residual
49
SAR ERROR MODEL - GM ESTIMATION
TWO-STEP
DATA SET CALI SPATIAL WEIGHTS MATRIX CALI_Q1
DEPENDENT VARIABLE LPALQ OBS 322 VARS 7 DF 315
R2 0.8307 Sq. Corr. 0.8429 R2(Buse) 0.7847 SIG-SQ 0.0509 0.2256)
VARIABLE COEFF S.D. z-value Prob
CONSTANT 4.92037 0.061804 79.612581 0.000000
ICA_ACP 0.11126 0.052913 2.102691 0.035493
DVI_DII 1.01855E-006 2.88459E-007 3.531004 0.000414
ESTRAT_1 0.199868 0.020834 9.593345 0.000000
FAC1_3 0.251266 0.018690 13.443855 0.000000
FAC2_3 0.133910 0.016515 8.108451 0.000000
FAC3_3 0.0560037 0.012673 4.419087 0.000010
LAMBDA 0.431071 0 0.000000 0.000000
),0( 2
3
1
IN
uWu
uXy
Modelo de dependencia sustantiva IV(2SLS)
50
SPATIAL LAG MODEL - IV(2SLS) ESTIMATION
DATA SET CALI SPATIAL WEIGHTS MATRIX CALIQ1S
DEPENDENT VARIABLE LPALQ OBS 322 VARS 7 DF 314
INSTRUMENTS W_ICA_AC W_DVI_DI W_ESTRAT W_FAC1_3 W_FAC2_3 W_FAC3_3
R2 0.8450 Sq. Corr. 0.8473 SIG-SQ 0.0612 (0.2474 )
VARIABLE COEFF S.D. z-value Prob
W_LPALQ 0.03765 0.056947 0.661090 0.508555
CONSTANT 4.69149 0.300011 15.637729 0.000000
ICA_ACP 0.11655 0.058145 2.004378 0.045030
DVI_DII 6.43771E-007 3.18955E-007 2.018379 0.043552
ESTRAT_1 0.20973 0.021493 9.757846 0.000000
FAC1_3 0.23490 0.019844 11.837697 0.000000
FAC2_3 0.12770 0.017683 7.221951 0.000000
FAC3_3 0.04495 0.013907 3.231971 0.001229
REGRESSION DIAGNOSTICS
DIAGNOSTICS FOR SPATIAL DEPENDENCE
FOR WEIGHTS MATRIX CALIQ1S (row-standardized weights)
TEST DF VALUE PROB
Lagrange Multiplier (error) 1 20.913446 0.000005
),0( 2
11
INu
uXyWy
Modelo de error heterocedástico
51
FGLS ESTIMATION
DATA SET CALIFIN
DEPENDENT VARIABLE LPALQ OBS 322 VARS 7 DF 315
GROUPS DUM_I_0 DUM_I_1
R2 0.8605 Sq. Corr. 0.8444
VARIABLE COEFF S.D. z-value Prob
CONSTANT 4.87912 0.0588861 82.856963 0.000000
ICA_ACP 0.16785 0.0480796 3.491083 0.000481
DVI_DII 6.05796E-007 3.46751E-007 1.747063 0.080626
ESTRAT_1 0.217095 0.0207037 10.485815 0.000000
FAC1_3 0.226291 0.0202364 11.182379 0.000000
FAC2_3 0.124214 0.0177321 7.005040 0.000000
FAC3_3 0.0492254 0.0138303 3.559237 0.000372
HETEROSKEDASTIC COEFFICIENTS
VARIABLE COEFF S.D. z-value Prob
DUM_I_0 0.0531502 0.00496709 10.700467 0.000000
DUM_I_1 0.0792207 0.0116175 6.819091 0.000000
Modelo de regímenes espaciales
52
ORDINARY LEAST SQUARES ESTIMATION
STRUCTURAL CHANGE - DIFFERENT SLOPES FOLLOWING VARIABLE DUM_ICA
DATA SET CALIFIN
DEPENDENT VARIABLE LPALQ OBS 322 VARS 14 DF 308
R2 0.8655 R2-adj 0.8598
LIK 17.3703 AIC -6.74055 SC 46.1032
RSS 16.9249
SIG-SQ 0.0549509 (0.234416 ) SIG-SQ(ML) 0.0525617 (0.229263 )
VARIABLE COEFF S.D. t-value Prob
CONST_0 4.908100 0.0731996 67.050914 0.000000
ICA_A_0 0.444488 0.0740212 6.004875 0.000000
DVI_D_0 4.65104E-007 8.48586E-007 0.548092 0.584025
ESTRA_0 0.229645 0.0252542 9.093338 0.000000
FAC1__0 0.226757 0.0286732 7.908317 0.000000
FAC2__0 0.128022 0.0248982 5.141798 0.000000
FAC3__0 0.075706 0.0172696 4.383790 0.000016
CONST_1 5.173690 0.1214390 42.603097 0.000000
ICA_A_1 -0.258155 0.1325550 -1.947532 0.052379
DVI_D_1 1.0677E-006 3.36965E-007 3.168587 0.001686
ESTRA_1 0.190505 0.0316915 6.011210 0.000000
FAC1__1 0.284042 0.0277530 10.234664 0.000000
FAC2__1 0.173042 0.0235807 7.338304 0.000000
FAC3__1 0.008553 0.0221355 0.386397 0.699470
Modelo del error espacial y heterocedasticidad
de grupos
53
SAR ERROR MODEL - GM ESTIMATION
GROUPWISE HETEROSKEDASTICITY
DATA SET CALIFIN SPATIAL WEIGHTS MATRIX CALIQ1S
DEPENDENT VARIABLE LPALQ OBS 322 VARS 7 DF 315
GROUPS DUM_I_0 DUM_I_1
R2 0.8408 Sq. Corr. 0.8430
Convergence after 7 iterations
VARIABLE COEFF S.D. z-value Prob
CONSTANT 4.922010 0.0628283 78.340641 0.000000
ICA_ACP 0.136503 0.0560725 2.434395 0.014917
DVI_DII 9.96104E-007 3.22898E-007 3.084885 0.002036
ESTRAT_1 0.200247 0.0212627 9.417767 0.000000
FAC1_3 0.245997 0.0190316 12.925690 0.000000
FAC2_3 0.128823 0.0169653 7.593342 0.000000
FAC3_3 0.061080 0.0126347 4.834323 0.000001
LAMBDA 0.453217 0 0.000000 0.000000
DUM_I_0 0.043881 0 0.000000 0.000000
DUM_I_1 0.067977 0 0.000000 0.000000
54
Coeficientes ajustados y elasticidad
Modelos Elasticidad
Variables Modelo Básico de Regresión
Lineal MCO
Sar Error Model GM Two Step
Sar Error Model GM Groupwise
Heteroskedasticity
Media de la variable MBRL
MCO SAR_GM
SAR_GM HG
CONSTANT 4,185 4,187 4,178
ICA_ACP 0,229 0,183 0,224 0,44 0,101 0,034 0,099
DVI_DII 0,505 0,764 0,747 0,04 0,019 0,028 0,028
ESTRATO 0,214 0,200 0,200 2,90 0,620 0,580 0,581
FAC1_3 1,556 1,667 1,632 0,22 0,337 0,361 0,353
FAC2_3 0,613 0,631 0,608 0,31 0,191 0,196 0,189
FAC3_3 0,220 0,271 0,298 0,41 0,089 0,110 0,121
Fuente: Elaboración propia
55
Tabla 8: Disponibilidad a pagar y elasticidades por ZAH
ZAH Comunas Rango del ICA ICA
promedio DAP marginal
($miles de pesos) Elasticidad
Muy bueno 2,17,19 (0,75 >ICA<= 1,00) 0,87 15,4255 0,1952
Bueno 3,4 (0,49 >ICA<= 0,75) 0,62 14,5841 0,1391
Regular 5,7,8,9,10,11,16 (0,24 >ICA<= 0,49) 0,37 13,7887 0,0830
Deficiente 6,12,13,14,15,18,1,20,21 (0,00 >ICA<= 0,24) 0,12 0,0269
Fuente: Elaboración propia
Valoración económica del ICA por ZAH
56
Tabla 10: Disponibilidad a pagar mensual por ICA_ACP y DVI_DII según vivienda Porcentaje del Precio del Alquiler Zona
Ambiental Homogenea
Comuna Constante ICA_ACP DVI_DII ESTRATO FAC1_3 FAC2_3 FAC3_3
Precio de Alquiler estimado
DAP_ICA DAP_DVI
17 9,451 2,377 0,979 22,081 28,795 22,481 13,836 690,081 16,404 6,752
2 10,344 2,087 0,492 22,282 28,713 22,159 13,923 630,525 13,160 3,103 Muy bueno
19 10,889 2,144 0,639 23,573 28,820 20,408 13,527 598,965 12,843 3,828
3 25,037 3,584 0,557 24,057 21,289 13,361 12,114 260,505 9,337 1,452 Bueno
4 26,443 3,340 0,479 24,950 21,104 13,902 9,781 246,652 8,237 1,182
8 27,694 2,789 0,816 25,805 19,701 12,617 10,578 235,514 6,569 1,921
5 25,318 2,512 0,823 23,624 24,214 13,314 10,196 257,617 6,472 2,120
9 28,014 2,696 0,748 25,937 18,989 13,075 10,541 232,826 6,278 1,742
10 26,205 2,484 0,580 24,132 17,039 16,392 13,168 248,891 6,182 1,444
11 26,639 2,211 0,459 24,164 18,064 14,197 14,266 244,842 5,414 1,123
7 28,020 1,918 0,604 25,181 22,081 9,612 12,583 232,773 4,465 1,406
Regular
16 31,703 1,942 1,849 17,503 18,400 16,621 11,982 205,730 3,996 3,804
1 47,539 2,777 1,821 11,571 12,652 10,181 13,460 137,197 3,809 2,498
18 29,777 1,612 0,420 26,225 13,192 17,678 11,097 219,039 3,530 0,919
21 47,472 2,299 0,672 11,195 18,723 9,983 9,657 137,393 3,159 0,923
15 36,485 1,612 1,817 19,682 19,909 10,094 10,401 178,768 2,883 3,248
12 36,819 1,472 0,630 19,192 19,250 11,683 10,953 177,143 2,607 1,117
6 37,072 1,378 1,081 19,493 14,382 16,771 9,823 175,936 2,424 1,902
20 42,923 0,820 0,708 9,865 22,486 9,274 13,924 151,953 1,246 1,076
13 38,862 0,689 0,722 19,859 18,411 9,612 11,846 167,834 1,156 1,212
Deficiente
14 48,234 - 1,421 11,020 12,124 9,757 17,445 135,222 - 1,921
PROMEDIO TOTAL 30,52095 2,03541 0,87226 20,54234 19,92085 13,96050 12,14768 265,01934 5,72243 2,12835
Fuente: Elaboración propia
Valoración económica del ICA y DVI_DII
57
Hemos confirmado la hipótesis de no homogeneidad ambientaldel territorio.
Hemos comprobado que el ICA es consistente con la idea de unavariable latente.
Se ha confirmado la presencia de efectos espaciales en los datos. A nivel exploratorio.
A nivel confirmatorio.
Hemos aplicado una estrategia de modelización que garantizó labúsqueda del mejor modelo y el ajuste de los parámetros paraestimar el valor asignado a las variables ambientales estudiadas.
Se ha evaluado la bondad del índice de calidad ambiental desde elpunto de vista económico empleando un MPH ajustadoespacialmente.
Conclusiones