PROPUESTA DE UN MODELO ECONOMÉTRICO PARA DETERMINAR LAS VARIABLES SOCIO-ECONÓMICAS QUE INTERVIENEN EN LA GENERACIÓN DE RESIDUOS SÓLIDOS URBANOS EN BOGOTÁ, PARA UNA ÓPTIMA GESTIÓN PÚBLICA. JULIÁN MATEO LÓPEZ CASTILLO DIRECTORA DE TESIS: MARÍA JOSÉ NIETO UNIVERSIDAD DE BOGOTÁ JORGE TADEO LOZANO CLL 65 # 57-15 APTO 404. BOGOTÁ D.C. 0317478692- 3106078966- [email protected] 2014 1 RESUMEN Desde los días de la sociedad primitiva, los seres humanos han utilizado los recursos de la tierra para la supervivencia generando evacuación de residuos. Esta acumulación de residuos se ha convertido en un problema de salud pública a lo largo de la historia en los países en donde no se ha llevado a cabo una gestión integral de residuos de manera eficaz. Con el fin de contribuir con estos avances que ha tenido la gestión integral de residuos sólidos, esta investigación propone un modelo que representa la generación de residuos sólidos en Bogotá a través de variables socio-económicas, haciendo uso de las cifras disponibles, la percepción ciudadana ambiental y un análisis comparativo con las principales ciudades latinoamericanas. Además, se desarrolló un componente de evaluación econométrica, con el objetivo de probar empíricamente los resultados teóricos y la relación entre las variables. Se concluyó que Las variables socio-económicas que intervienen en la generación de residuos en Bogotá, como caso de estudio son: “porcentaje de familias que aumentaron su nivel de consumo” que comprende el efecto que tiene la cultura de consumo, “el grado de escolaridad de las personas” que refleja el efecto que tiene el nivel educativo de la población. Además, la variable “número de viviendas” que comprende el efecto de la producción domiciliaria de residuos y la variable “número de firmas” que muestra el efecto que tienen las actividades económicas, en la generación de residuos sólidos. Palabras Clave Residuos sólidos urbanos, lixiviados, Variables socio-económicas, Modelo de residuos, relleno sanitario, Caracterización y Tipificación de residuos. 2 Tabla de contenido 1 INTRODUCCIÓN .......................................................................................................... 4 2 ESTADO DEL ARTE .................................................................................................... 6 3 MARCO TEÓRICO ....................................................................................................... 8 4 ANÁLISIS DE LA GESTIÓN DE RESIDUOS SOLIDOS EN BOGOTÁ ................... 9 4.1 FACTORES QUE CONDICIONAN LA GENERACIÓN DE RESIDUOS SÓLIDOS EN BOGOTÁ. .................................................................................................. 9 5 MODELO DE GENERACIÓN DE RESIDUOS SOLIDOS URBANOS ................... 10 5.1 METODOLOGÍA MODELO DE REGRESIÓN .................................................. 12 5.2 DESARROLLO DEL MODELO ECONOMÉTRICO ......................................... 13 5.3 MODELO DE GENERACIÓN DE RSU AJUSTADO PARA BOGOTÁ .......... 19 5.4 ANÁLISIS DE LOS RESULTADOS ................................................................... 19 5.5 ESTANDARIZACIÓN DE LOS COEFICIENTES ............................................. 21 5.6 MODELO FINAL: ................................................................................................ 22 6 CONCLUSIONES ........................................................................................................ 23 7 BIBLIOGRAFÍA .......................................................................................................... 30 3 1 INTRODUCCIÓN Las fallas de mercado asociadas a las externalidades ambientales, se han convertido en un tema de estudio recurrente dentro de la ciencia económica, a raíz de la creciente visibilidad que ha tenido el problema ambiental en las últimas décadas. Desde esta perspectiva, los procesos característicos del sistema económico como la extracción, la transformación, la distribución, la comercialización, el consumo y la disposición final de materiales, generan afectaciones al medio ambiente, debido a que todo proceso de transformación trae asociado un costo de oportunidad. Tal costo de oportunidad, genera externalidades positivas o negativas a la sociedad, por el impacto causado en el medio ambiente. El manejo de este impacto, hace necesario el diseño de políticas públicas adecuadas para su control (Chía, 2008). En consecuencia, los principales problemas ambientales que genera un inadecuado manejo de los residuos sólidos, son el deterioro estético de los centros urbanos, deterioro del paisaje natural y los efectos adversos para la salud humana por la proliferación de vectores transmisores de enfermedades. Lo anterior se agrava considerando, que en la gran mayoría de los centros urbanos del país, la disposición de residuos sólidos se realiza en forma indiscriminada: en los sitios de disposición final, es común encontrar residuos industriales mezclados con residuos hospitalarios o con los residuos domésticos (Ministerio de Medio Ambiente de Colombia, 1996). Esta problemática ambiental, se refleja en la percepción ciudadana, teniendo en cuenta dos aspectos muy importantes. El primero, es que los bogotanos consideran el mal manejo de las basuras, como el segundo problema ambiental más grave en la ciudad. El segundo aspecto, es la falta de reciclaje, al considerarlo el cuarto problema ambiental más grave (Bogotá Como Vamos, 2013). De acuerdo con lo anterior, el objetivo del trabajo de investigación aquí presentado, es proponer un modelo que represente la generación de residuos sólidos en Bogotá, haciendo uso de las cifras disponibles, la percepción ciudadana con respecto a los problemas ambientales y un análisis comparativo con las principales ciudades latinoamericanas. Además, se desarrolló un componente de evaluación econométrica, con el objetivo de probar empíricamente los resultados teóricos y la relación entre las variables. En el primer capítulo se planteará el marco teórico para esta investigación, incluyendo la teoría de externalidades, la teoría de residuos sólidos y el metabolismo social. Posteriormente, en el siguiente capítulo se realizará un análisis de la situación actual en la gestión de residuos sólidos en Bogotá, teniendo en cuenta, las principales variables que 4 intervienen en su generación. En el último capítulo, se mostrará la relación entre la sociedad y la generación de residuos sólidos, con base en el modelo teórico utilizado por Tchobanoglous (1994), Buenrostro, Bocco, & Vence (2001) y Ossadon (2007), en donde está planteada la hipótesis de que se puede estimar la generación de residuos, dividiéndolos en dos subsistemas según su origen, unidades de vivienda y unidades económicas. Finalmente, las variables que se relacionan directamente con la generación de residuos, se seleccionaron a través de modelos econométricos (análisis de regresión) con el método backward, que consiste en descartar las variables menos significativas y el método stepwise, en el que se comprueba paso a paso la significancia de los nuevos coeficientes, junto con las variables incorporadas en pasos anteriores. Con el fin de obtener un modelo ajustado, y así aportar una herramienta, para futuras investigaciones relacionadas con este tema en la ciudad. 5 2 ESTADO DEL ARTE Las investigaciones relacionadas con los residuos sólidos a nivel mundial, están en su mayoría orientadas a la composición de estos, a la mejor forma de regulación y a la caracterización de los diferentes tipos de residuos. Además, en menor cantidad existen trabajos que estudian la generación de residuos sólidos (Ossadon, 2008). Entre las investigaciones dedicadas al análisis de la generación de residuos sólidos, la de Mejía (2003) muestra los factores que influyen directamente en esta. Los principales factores son, el alto crecimiento poblacional, la migración de personas a los centros urbanos, la utilización de empaques o productos no reciclables y el nivel de consumo. En el trabajo de Tchobanoglous (1994), se llega a la conclusión de que la generación de residuos sólidos se puede estimar a través de dos subsistemas, las unidades económicas y las unidades de viviendas, las cuales a su vez están compuestas por diferentes variables, dependiendo del lugar. Además, en la investigación de Ossadon (2007), se comprobó específicamente que la generación de residuos sólidos depende de variables como, número de habitantes, renta per cápita, nivel de estudios, cantidad de viviendas, empleo, número de unidades económicas, entre otros. Sin embargo, en la investigación de Ossadon mencionada anteriormente, se habla de una relación estadística entre las tasas de generación de residuos sólidos y la cantidad de viviendas. Explicando, que para que esto ocurra, debe existir cierta característica social del grupo medido, en cuanto a nivel socio-económico, cantidad de habitantes y tipo de vivienda, para encontrar relaciones de causa-efecto. Por otra parte, el trabajo de Buenrostro, Bocco, & Vence (2001), establece una forma de estimación teórica de los residuos sólidos, a tráves de un modelo lineal basado en variables socio-económicas que comprenden las características demográficas, los niveles de consumo y los niveles de educación en la sociedad estudiada. En cuanto a la literatura local, se han realizado diversos tipos de estudio que permiten conocer la situación actual en este campo de investigación y la problemática asociada. Por ejemplo, Bermúdez (1999) plantea una relación existente entre la protección del medio ambiente, el manejo inadecuado de residuos y los residuos peligrosos. Es decir, la forma que afectamos nuestro entorno natural como consecuencia de la excreción de residuos generados en todo tipo de actividades cotidianas en nuestra sociedad. 6 En la investigación realizada por Aristizabal & Sachica (2001), se explica todo lo relacionado con el aprovechamiento que se le debe dar a los residuos domiciliarios no tóxicos en Bogotá, para disminuir el nivel de contaminación en la ciudad. Además, hacen un paralelo con ciudades más desarrolladas en este ámbito, como New York y Madrid. En la investigación de Machado (2008), se realizó un estudio sobre la caracterización de los residuos y se clasificaron cada uno de sus componentes. Además se planteó una propuesta de gestión integral de residuos para la ciudad de Pereira, que buscaba involucrar a las empresas del sector manufacturero de esta zona. La unidad administrativa especial de servicios públicos UAESP1 (2012), realizó un estudio que permitió conocer los datos más relevantes acerca de la cantidad, caracterización y tipificación de los residuos sólidos de cada una de las localidades de Bogotá, generando excelente material para los propósitos de este trabajo. Sin embargo, en este estudio no se realizó un análisis relacionado con la generación de residuos sólidos, de tipo socioeconómico. 1 Unidad Administrativa Especial De Servicios Públicos. 7 3 MARCO TEÓRICO La perspectiva de la economía ambiental es una de las bases teóricas para el estudio de los problemas ambientales, desde el punto de vista analítico de la economía. Además, esta es una herramienta para el diseño de políticas públicas que buscan regular el funcionamiento del sistema económico y corregir las fallas del mercado relacionadas con la degradación del medio ambiente. Generalmente existe una gran variedad de políticas públicas dedicadas a los problemas ambientales en los diferentes niveles de gobierno y la diferencia entre políticas varia en su eficacia y efectividad (Field & Azqueta, 1996). Dentro del marco de la economía ambiental, la teoría de externalidades cumple un papel fundamental, aportando información valiosa en el tratamiento de las fallas de mercado. Para propósito de este trabajo, se entenderá como externalidad solamente las negativas, debido a la naturaleza de los efectos perjudiciales, generados por la acumulación de residuos sólidos urbanos, en el medio ambiente y en la sociedad. Además en el ámbito de la economía ecológica, que propone una visión alternativa del sistema económico a la de la economía convencional, el metabolismo social expone las relaciones existentes entre las actividades humanas y la naturaleza, es decir, alejándose del mundo ideal de la economía, en el que los recursos naturales son ilimitados y los sistemas ecológicos nunca se degradan, para lograr una unidad necesaria entre las ciencias naturales y las ciencias sociales (Toledo & Gonzalez, 2009). 8 4 ANÁLISIS DE LA GESTIÓN DE RESIDUOS SOLIDOS EN BOGOTÁ La generación de residuos sólidos en Bogotá, se relaciona con variables socio- económicas que influyen directamente en su producción. Además, los residuos en su mayoría son de tipo doméstico, teniendo en cuenta las características demográficas de la ciudad (Contreras, 2006). A continuación, se presenta un análisis de la relación existente entre los residuos sólidos y las variables claves para su generación. 4.1 FACTORES QUE CONDICIONAN LA GENERACIÓN DE RESIDUOS SÓLIDOS EN BOGOTÁ. La elevada producción de residuos sólidos en Bogotá, obedece principalmente a la cantidad de población que habita en la ciudad, como consecuencia del rápido crecimiento demográfico y las constantes migraciones de todas partes del país a la capital. Además, las crecientes actividades comerciales, industriales, de servicios y construcción generan más del 25% del total de los residuos sólidos en la ciudad (Defensoria del pueblo, 2009). Por otra parte, la población, el comercio y la industria en la ciudad, carecen de conciencia ambiental, que puede estar explicada por los niveles de educación de la población, siendo este un factor muy importante en la generación de residuos sólidos. Esta precaria educación ambiental, se traduce en el acopio de forma indiscriminada de los residuos sólidos (Alcaldia de Bogotá, 2012). Por lo anterior, es de gran importancia estimar y determinar los factores socio-económicos que intervienen en la generación de residuos sólidos en la ciudad. Debido a que la inadecuada gestión de residuos lleva a un deterioro y degradación del ambiente como se explicó en el capítulo anterior. En Bogotá, la mala gestión de los residuos sólidos, produjo un derrumbe de basuras en el relleno sanitario Doña Juana en 1997, en el cual se evidenció la mala gestión en las fases de tratamiento y disposición final (Defensoria del pueblo, 2009). 9 5 MODELO DE GENERACIÓN DE RESIDUOS SOLIDOS URBANOS Como se profundizó anteriormente, en el metabolismo social existe una relación entre el ser humano y la naturaleza, que se evidencia a través de las actividades económicas en la sociedad. Por lo anterior, se derivan dos parámetros que influyen directamente en la generación de residuos sólidos, como lo describe la literatura. El primer parámetro se denomina “unidades económicas”, el cual está relacionado con la actividad productiva de bienes y servicios. Mientras que el segundo parámetro se denomina “unidades de vivienda”, el cual se relaciona directamente con los factores socioeconómicos de los hogares (Buenrostro, Bocco, & Vence, 2001). Teniendo en cuenta los dos parámetros sociales mencionados anteriormente, se crea un modelo partiendo de la hipótesis, de que existen dos fuentes generadoras de RSU. La primera fuente, será las unidades de vivienda, que comprende los residuos sólidos residenciales y la segunda fuente será las unidades económicas, que comprende los residuos sólidos generados en cualquier tipo de actividad económica en la sociedad. Esta hipótesis de investigación, está planteada en diferentes trabajos y obras reconocidas como en la de Buenrostro, Bocco, & Vence (2001), Tchobanoglous (1994), Rodriguez Salinas (2004) y Ossadon (2007), lo cual permite suponer, junto con lo analizado en los capítulos anteriores, que esta es la mejor forma de aproximarse a una estimación de la generación de residuos sólidos en una sociedad. En la figura 1, se observa detalladamente la relación existente entre los RSU y cada fuente de generación. La suma de los Residuos Sólidos Urbanos generados en las viviendas (RSUV) y los residuos sólidos urbanos generados por las empresas (RSUE) será el total de los RSU generados en la ciudad. A su vez, los residuos sólidos generados en las viviendas y en las empresas están relacionados linealmente con las variables socio-económicas planteadas a continuación en la figura 11 (Buenrostro, Bocco, & Vence, 2001). Al grupo de variables que se relacionan con la generación de residuos sólidos en las viviendas, las llamaremos IGUV2 y al grupo de variables que se relacionan con los residuos derivados de la actividad económica, lo llamaremos IGUE3. Teniendo en cuenta lo anterior, la ecuación aportada por la literatura quedaría de la siguiente manera. RSUV (Residuos sólidos unidades de vivienda) = IGUV * V ( viviendas) 2 IGUV: grupo de variables socio-económicas relacionadas con la generación de residuos sólidos domiciliarios. 3 IGUE: grupo de variables socio-económicas relacionadas con la generación de residuos sólidos derivados de actividades económicas. 10 RSUE (Residuos sólidos unidades económicas)= IGUE * UE (unidades económicas). Entonces, la ecuación para estimar la generación de residuos sólidos es la siguiente (Rodriguez Salinas, 2004): RSU = ( IGUV *V ) + ( IGUE * UE ) FIGURA 1- Esquema de generación de residuos sólidos a través de variables socioeconómicas. FUENTE: elaboración propia, basada en el modelo de Ossadon (2008) Esta investigación se basa en variables muy similares a las de la literatura, las cuales se encuentran inmersas en los grupos de generación de las unidades de vivienda y de las unidades económicas, como se observa en la figura 11. La importancia de cada una de las variables a usar a continuación, fue explicada en el capítulo 8, en donde se analizaron detalladamente cada una de ellas. Grupo de variables relacionadas con la generación de residuos en las unidades de vivienda. Número de Habitantes, Número de Hogares, Nivel Educativo y Población en situación de desplazamiento. Grupo de variables relacionadas con la generación de residuos en las unidades económicas. Nivel de Empleo, Número de Empresas y Nivel de Consumo 11 5.1 METODOLOGÍA MODELO DE REGRESIÓN Se realizará un estudio transversal o de prevalencia en un momento determinado del tiempo, usando variables cuantitativas que sean factibles de medición, para el 2011, que será el año base. Se recopilará toda la información estadística apropiada utilizando un método análisis-síntesis,4 en el cual se desagrupará el problema de residuos sólidos en general, para crear subgrupos con las 19 localidades urbanas de Bogotá. Además, se formulará un modelo lineal partiendo de la teoría planteada por Buenrostro, Bocco, & Vence (2001), en el que la generación de residuos sólidos urbanos depende de dos subsistemas (unidades económicas y unidades de vivienda). El siguiente paso, será estimar un primer modelo, con una variable e ir agregando o descartando paso a paso las variables, dependiendo de su significancia y de su desempeño con respecto a siguientes supuestos, que un modelo econométrico debe cumplir: Lineal en parámetros y bien especificado Numero de datos, mayor al número de parámetros, es decir, grados de libertad positivos. Variables independientes, no aleatorias. Variables explicativas, que sean linealmente independientes. La esperanza del ruido igual a cero, es decir, que sea un ruido blanco. Varianza del ruido igual a una constante. Que las perturbaciones del modelo, tengan una distribución normal. Como el propósito de este trabajo, es determinar el modelo econométrico que se ajuste a Bogotá, para encontrar la relación que existe entre la sociedad y la generación de residuos sólidos, se irán eliminando las variables que no sean significativas o las que generen problemas técnicos, a través del método stepwise5, justificándolas debidamente por la literatura económica ó la literatura de residuos sólidos, para llegar al modelo que se ajuste a las características de Bogotá. Datos Los datos utilizados en este trabajo, fueron tomados de instituciones u organizaciones de prestigio y reconocimiento en la ciudad: UAESP6, Secretaria De Hacienda Distrital, 4 Análisis-sintesis: Es un método que consiste en la separación de las partes de un todo para estudiarlas en forma individual (Análisis), y la reunión racional de elementos dispersos para estudiarlos en su totalidad. (Síntesis) 5 Método stepwise: el proceso secuencial termina, cuando se satisface una regla de parada establecida. . (U. nacional agraria Perú) 6 Unidad Administrativa Especial De Servicios Públicos. 12 Organización Bogotá Como Vamos, Cámara De Comercio De Bogotá y Secretaria Distrital De Planeación. 5.2 DESARROLLO DEL MODELO ECONOMÉTRICO Las variables a utilizar para el desarrollo del modelo de regresión, serán aquellas que reflejen el nivel de consumo, las características económicas y las características demográficas. Las variables presentadas a continuación, fueron debidamente seleccionadas, dentro de un grupo de variables muy amplio (otorgadas por la Organización Bogotá Como Vamos), en cada uno de estos criterios mencionados anteriormente. Además, estas variables contienen la información agregada para el año 2011, de las 19 localidades urbanas de Bogotá (Bosa, Kennedy, Puente Aranda, Ciudad Bolívar, Tunjuelito, Engativá, Fontibón, Barrios Unidos, Teusaquillo, Mártires, Candelaria, Chapinero, Santa Fe, Antonio Nariño, Rafael Uribe, San Cristóbal, Usme, Usaquén y Suba). Variable dependiente RSU: Toneladas de residuos sólidos urbanos recolectadas por localidad Fuente: (UAESP, subdirección recolección barrido y limpieza) Variables independientes a utilizar en la investigación UVIV: Número de viviendas residenciales por localidad Fuente: (UAESP, Subdirección Recolección Barrido Y Limpieza) UECO: Número de firmas o unidades económicas por localidad Fuente: (Cámara De Comercio De Bogotá) NDESP: Número de desplazados por localidad Fuente: (Secretaria De Hacienda Distrital, informes económicos) NHAB: Número de habitantes o población total por localidad. Fuente: (Organización Bogotá Como Vamos, coordinación localidades) NEMPLE: Tasa de ocupación por localidad Fuente: (Organización Bogotá Como Vamos, coordinación localidades) NCONSU: Porcentaje de mejoramiento en el nivel de alimentación y consumo por localidad Fuente: (Organización Bogotá Como Vamos, coordinación localidades) 13 NIVEDUC: Años promedio de escolaridad por localidad Fuente: (Organización Bogotá como vamos, coordinación localidades) APÉNDICE A: Estadísticas descriptivas de las variables. ESPECIFICACIÓN DEL MODELO APÉNDICE B: Metodología del test de White. APÉNDICE C: Metodología del test de Jarque-Bera. (Paso 1) Se comienza la calibración del modelo con la variable “uviv” que representa la cantidad de viviendas por localidad, teniendo en cuenta su importancia en la generación de RSU según la literatura. RSU= β0 + β1* uviv + µj TABLA 1- Modelo 1 Variable c uviv Probabilidad Test de White 0.2380 Coeficiente 26447.48 0.864118 p-valor 0.0031 0.0000 Probabilidad Test Jarque-Bera 0.457317 R2 Ajustado 0.9395 En la tabla 2, se observa que la variable “uviv” es significativa con respecto a la variable dependiente al presentar un p-valor inferior al 5%, además al incluirla el modelo no presenta heterocedasticidad y las perturbaciones se distribuyen normalmente. Teniendo en cuenta estos resultados, se incluye definitivamente esta variable al modelo. (Paso 2) El siguiente paso será incluir la variable “nemple” que representa la tasa de ocupación por localidad. Con esta variable se pretende determinar si el nivel de empleo de las personas tiene incidencia directa en la generación de RSU. RSU= β0 + β1* uviv + β2* nemple + µj 14 TABLA 2- Modelo 2 Variable c uviv nemple Probabilidad Test de White 0.1842 Coeficiente -48126.07 0.856117 1355.777 p-valor 0.0031 0.0000 0.4596 Probabilidad Test Jarque-Bera 0.43209 R2 Ajustado 0.9416 En la tabla 3, se observa que a pesar de no tener problemas de heterocedasticidad y de tener una distribución normal en las perturbaciones, la variable “nemple” no es significativa. Lo anterior obedece, muy probablemente a que esta variable no refleja directamente el nivel de consumo por localidad. Además es considerada como una variable confusora al no entregar suficiente información al modelo. (Ossadon, 2007). Por lo anterior, se decide no incluir esta variable en el modelo final. (Paso 3) En el siguiente modelo se incluirá la variable “ndesp” la cual representa el número de personas en condición de desplazamiento forzoso por localidad, teniendo en cuenta que es una variable importante en la conformación demográfica de la ciudad y por lo tanto podría influir en la generación de RSU. (Defensoria del pueblo, 2009) RSU= β0 + β1* uviv + β2* ndesp + µj TABLA 3- Modelo 3 Variable c uviv ndesp Probabilidad Test de White 0.1399 Coeficiente 26169.09 0.859033 0.242797 p-valor 0.0052 0.0000 0.8657 Probabilidad Test Jarque-Bera 0.452140 15 R2 Ajustado 0.9396 En la tabla 4, se observa que la variable “ndesp” no es significativa, esto confirma el análisis realizado en el capítulo 6, en el cual gráficamente no se observó ninguna relación importante. A pesar de que este modelo no presenta problemas de heterocedasticidad y los ruidos se distribuyen normalmente, se decide descartar esta variable para el modelo final, debido a su poco poder de explicación. (Paso 4) En el siguiente paso, se incluirá la variable “ueco”, la cual representa el número de unidades económicas por localidad, con el fin de captar el impacto de las firmas en la generación de RSU. RSU= β0 + β1* uviv + β2* ueco + µj TABLA 4- Modelo 4 Variable c uviv ueco Probabilidad Test de White 0.1405 Coeficiente 9788.079 0.796530 1.666168 p-valor 0.3290 0.0000 0.0291 Probabilidad Test Jarque-Bera 0.514261 R2 Ajustado 0.9555 Se observa que la variable “ueco” que representa el número de firmas por localidad es significativa al 5%, que el modelo no presenta heterocedasticidad y que los ruidos se distribuyen normalmente. Por lo anterior, se incluye definitivamente esta variable en el modelo final ajustado. (Paso 5) En el siguiente paso, se incluirá la variable “nhab” que representa el número de habitantes por localidad. Esta variable representa un factor demográfico que podría influir en la generación de RSU. (Defensoria del pueblo, 2009) RSU= β0 + β1* uviv + β1* ueco + β3* nhab + µj TABLA 5- Modelo 5 Variable c Coeficiente 6555.5114 p-valor 0.5747 16 uviv ueco nhab Probabilidad Test de White 0.1071 0.700435 1.864294 0.027570 0.0013 0.0323 0.5758 Probabilidad Test Jarque-Bera 0.481373 R2 Ajustado 0.9564 En el modelo 5, se observa que la variable “nhab” no es significativa. Además al ser incluida esta variable, las demás pierden poder de explicación. Lo anterior, refleja una mala especificación del modelo, al incluir esta variable y por lo tanto será descartada para el modelo final. (Paso 6) El siguiente paso será incluir la variable “nconsu”, que representa el porcentaje de mejoramiento en el nivel de alimentación y consumo por localidad durante el año de estudio. Lo anterior, con el fin de captar el efecto de los niveles de consumo en la generación de RSU. RSU= β0 + β1* uviv + β2* ueco + β3* nconsu + µj TABLA 6- Modelo 6 Variable c uviv ueco nconsu Probabilidad Test de White 0.0805 Coeficiente -67817.29 0.765598 1.745423 223405.2 p-valor 0.0628 0.0000 0.0122 0.0312 Probabilidad Test Jarque-Bera 0.632021 R2 Ajustado 0.967684 Se observa que en el modelo 6 la variable “nconsu” es significativa al 5%. Además, esta variable muy probablemente genera problemas de heterocedasticidad al modelo como se observa en el p-valor del test de White. De acuerdo a los resultados anteriores y teniendo en cuenta la importancia de esta variable en cuanto a la representación de los hábitos de 17 consumo, se decide incluir en el modelo final ajustado. Sin embargo, el modelo final se estimará por el método de White, para calcular la varianza de manera robusta y corregir el problema de heterocedasticidad. (Paso final) En el siguiente paso se incluirá la variable “niveduc” la cual representa los años promedio de escolaridad por localidad. Con esta variable se busca captar el nivel de educación y así mismo su influencia en la generación de RSU en la ciudad. Para la estimación de este modelo se utilizará el método de White para corregir el problema de heterocedasticidad que se ocasiono en el paso anterior. RSU= β0 + β1* uviv + β2* ueco + β3* nconsu + β4* niveduc + µj TABLA 7- Modelo 7 Variable c uviv ueco nconsu niveduc Coeficiente -27160.74 0.718355 2.615276 233843.0 -5342.995 p-valor 0.1559 0.0000 0.0012 0.0005 0.0126 Probabilidad Probabilidad Test R2 Ajustado Test de White Jarque-Bera 0.7548 0.906603 0.9752 En la tabla 8, se observa que la variable “niveduc” es significativa al 5%. Se corrigió el problema de heterocedasticidad al estimar la ecuación por un método para calcular la varianza de manera robusta. Además, las perturbaciones tienen una distribución normal. Por lo anterior, se toma la decisión de incluir definitivamente esta variable al modelo final ajustado. 18 5.3 MODELO DE GENERACIÓN DE RSU AJUSTADO PARA BOGOTÁ Teniendo en cuenta el proceso de calibración realizado en el numeral anterior, se determinó el siguiente modelo, que explica la generación de residuos sólidos urbanos en Bogotá, a través de variables socio- económicas. RSU= β0 + β1*uviv + β2* ueco + β3* nconsu + β4 * niveduc + µj TABLA 8- Modelo de generación de RSU ajustado para Bogotá. Variable c uviv ueco nconsu niveduc Prob Test White 0.7548 5.4 Coeficiente -27160.74 0.718355 2.615276 23384.0 -5342.99 p-valor 0.1459 0.0000 0.0012 0.0005 0.0126 Estadístico Durbin- R2 ajustado watson 2.68 0.96815 Prob Jarque-Bera 0.906603 ANÁLISIS DE LOS RESULTADOS Para analizar los resultados del modelo final, se procederá a la verificación y comprobación de cada uno de los supuestos que debe cumplir un modelo econométrico. - Lineal en parámetros Como se observa en el planteamiento del modelo final ajustado, el modelo es completamente lineal en parámetros. - Forma funcional adecuada Según la literatura de residuos sólidos, la mejor forma de estimar la generación de RSU, es a través de un modelo lineal como se observa en las investigaciones de Buenrostro, Bocco, & Vence (2001), Tchobanoglous (1994), Rodriguez Salinas (2004) y Ossadon (2007). - Bien especificado 19 Gracias al proceso de calibración del modelo y a las bases teóricas planteadas por la literatura, podemos estar seguros de que el modelo incluye todas las variables relevantes, pues este es el objetivo de esta investigación. - Número de datos > al número de parámetros Al tener solo 4 variables el modelo cumple con este supuesto. Además, los grados de libertad del modelo son positivos teniendo en cuenta la siguiente ecuación: gl=n-k, en donde gl son los grados de libertad, n es el número de datos y k es el número de parámetros (Sotoca López, 2009). Por otro lado, según teóricos académicos, para estimar un modelo econométrico se necesitan mínimo de 10-15 grados de libertad, lo cual nos indica que esta investigación a pesar de usar relativamente pocas observaciones, cuenta con el número de datos necesarios para la estimación del modelo (Ossadon, 2007). - Detectando Multicolinealidad NIVEDUC UVIV 1.000000 -0.109012 NIVEDUC -0.109012 1.000000 UVIV 0.457615 0.514301 UECO -0.015719 0.270782 NCONSU TABLA 9- Matriz de correlaciones UECO 0.457615 0.514301 1.000000 0.094345 NCONSU -0.015719 0.270782 0.094345 1.000000 No existe ninguna relación fuerte entre las variables independientes que pueda generar problemas de multicolinealidad al modelo, como se observa en la matriz de correlaciones. También se evidencio gráficamente la no presencia de multicolinealidad, debido a que los gráficos entre las variables independientes y los residuales, presentan una estructura aleatoria en sus puntos. APÉNDICE D - Prueba de Heterocedasticidad La probabilidad del estadístico del test de White, fue de 0.7548 la cual nos permite no rechazar la hipótesis nula de homocedasticidad, es decir, el modelo no tiene problemas de heterocedasticidad. APÉNDICE E - Prueba de Autocorrelación Para aplicar el estadístico Durbin-Watson, se escogió como variable ordenadora “uviv”, porque no todas las localidades tienen el mismo número de viviendas y así se podrían ordenar los datos de una forma lógica. Sin esta organización esta prueba no tendría ninguna validez. Se observó un estadístico de 2.68, lo cual corresponde a un p-valor muy cercano a 20 cero, lo que nos permite no rechazar la hipótesis nula, es decir, no hay presencia de autocorrelación en el modelo. - Distribución normal del ruido El p-valor asociada al estadístico de la prueba Jarque-Bera, fue de 0.906603, lo que nos permite no rechazar la hipótesis nula, es decir, el ruido tiene una distribución normal y por lo tanto es válida la inferencia en el modelo. APÉNDICE F 5.5 ESTANDARIZACIÓN DE LOS COEFICIENTES Al utilizar variables en diferentes unidades de medida, no es posible determinar la importancia relativa de las variables, debido a que es probable que coeficientes mayores o menores no indiquen realmente la importancia que tienen. Por esto, es necesario estandarizar los coeficientes, a través de las desviaciones estándar, tanto de la variable exógena como de la variable endógena. (Ossadon, 2007) Por medio del siguiente calculo, se realizara la estandarización: Donde βj* representa el parámetro estandarizado, dt(xj) y dt(yj) las desviaciones típicas de la variable independiente y dependiente respectivamente. Finalmente β representa el parámetro no estandarizado. Variable Coeficiente no Desviación estandarizado estándar de la variable independiente uviv 0,718355 93308,34 ueco 2,615276 2,047798 nconsu 23384 4,712975 niveduc -5342,99 1,708236 TABLA 10- Estandarización de los coeficientes Desviación Coeficiente estándar de la estandarizado variable dependiente (RSU) 83184,03 0,8057 83184,03 6,4382 83184,03 1,3248 83184,03 -0,1097 En la tabla 11, se observan grandes diferencias en los coeficientes de variables como nconsu y niveduc, mientras que en los coeficientes de las variables uviv y ueco la diferencia es mínima. 21 5.6 MODELO FINAL: RSU= β0 + β1*0.8057 + β2* 6.4382 + β3* 1.3248 + β4 * -0.1097 + µj Interpretación de los coeficientes. - - Uviv: Ceteris Paribus, una unidad de vivienda adicional, ocasiona un aumento de 0,8 toneladas/año de residuos sólidos urbanos en la ciudad de Bogotá. Ueco: Ceteris Paribus, una unidad económica (firma) adicional, ocasiona un aumento de 6,4 toneladas/año de residuos sólidos urbanos en la ciudad de Bogotá. Nconsu: Ceteris Paribus, un 1% adicional en el nivel de consumo de las personas, ocasiona un aumento de 1,32 toneladas/año de residuos sólidos urbanos en la ciudad de Bogotá. Niveduc: Ceteris Paribus, un año extra de escolaridad, ocasiona un decremento de 0,10 toneladas/año de residuos sólidos urbanos en la ciudad de Bogotá. 22 6 CONCLUSIONES Actualmente la generación de residuos sólidos es uno de los problemas ambientales más importantes. Es por esto que las investigaciones orientadas a conocer y estimar la generación de residuos sólidos urbanos, son la base teórica para una buena gestión pública. La forma más eficiente de reducir la cantidad de RSU que se producen en una sociedad, es a través de la reducción en el origen. Este proceso se puede llevar a cabo, con una buena educación ambiental de la población y con la gestión o regulación eficiente del gobierno. Las relaciones entre los seres humanos y la naturaleza, están basadas en procesos metabólicos, en los cuales el hombre se apropia de los recursos naturales, para producir bienes y servicios. Como consecuencia de esta interacción, se generan residuos sólidos que contaminan el medio ambiente. Este proceso es independiente de cualquier forma histórica, debido a que es una consecuencia de la vida. La mayoría de los residuos sólidos que se generan en Bogotá, son de origen doméstico, representando aproximadamente el 74% del total de residuos. El porcentaje restante, se le atribuye al desarrollo de diferentes actividades económicas como la industria, el comercio, la construcción y el sector de servicios. La profundización y el énfasis en la educación ambiental tanto en los colegios como en las universidades, genera un impacto positivo en la reducción de residuos sólidos generados en las viviendas. La regulación estricta de cada uno de los elementos que componen la gestión integral de residuos sólidos, aminora el impacto negativo de la generación de residuos en las empresas ubicadas en Bogotá.De igual forma, queda abierta la posibilidad de investigar más a fondo en otro trabajo de investigación, cada una de las variables que componen el modelo final de residuos sólidos presentado en este trabajo, para lograr un mayor aporte a la literatura ambiental de la ciudad. Finalmente, queda abierta la posibilidad de ajustar el modelo planteado en esta investigación, a diferentes ciudades, contando con la información estadística necesaria para llevar a cabo este proceso. 23 APÉNDICE A Estadísticas descriptivas de las variables. RSU UVIV UECO Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 123692.7 86233.00 326726.0 14676.00 83184.03 1.140658 3.479369 112537.1 81706.00 335385.0 4959.000 93308.34 1.087781 3.219799 JarqueBera Probability 4.302075 Sum Sum Sq. Dev. Observatio ns NCONSU 14563.68 13585.00 28666.00 4551.000 7359.581 0.371507 2.047798 NIVEDU C 9.684211 9.500000 13.30000 7.300000 1.708236 0.539881 2.690989 3.785261 1.154851 0.998587 4.482646 0.116363 0.150675 0.561342 0.606959 0.106318 2350162. 1.25E+11 2138204. 1.57E+11 276710.0 9.75E+08 184.0000 52.52526 6.798000 0.032897 19 19 19 19 19 24 0.357789 0.359000 0.479000 0.283000 0.042751 0.825834 4.712975 APÉNDICE B Metodología del test de White. Hipótesis Nula (H0): Hipótesis alternativa (Hi): α p-valor Homocedasticidad Heterocedasticidad Nivel de significancia = 5% Probabildad de rechazar H0 Si p-valor es > α, NO rechazo la hipótesis nula. Si p-valor es < α, SÍ rechazo la hipótesis nula. 25 APÉNDICE C Metodología del test de Jarque-Bera. Hipótesis Nula (H0): Hipótesis alternativa (Hi): α p-valor εt se aproxima a una distribución normal εt no se aproxima a una distribución normal. Nivel de significancia = 5% Probabildad de rechazar H0 Si p-valor es > α, NO rechazo la hipótesis nula. Si p-valor es < α, SÍ rechazo la hipótesis nula. 26 APÉNDICE D Prueba grafica de la NO presencia de multicolinealidad en el modelo En esta prueba gráfica, se verifica que entre los residuales del modelo y las variables independientes, se presente una estructura aleatoria en sus puntos. Y así se pueda descartar la presencia de autocorrelación en el modelo. 350,000 .52 300,000 .48 250,000 UVIV NCONSU .44 .40 200,000 150,000 .36 100,000 .32 .28 -30,000 50,000 -10,000 0 0 -30,000 10,000 20,000 30,000 -10,000 RESID 0 10,000 20,000 30,000 RESID 30,000 13 25,000 12 20,000 UECO NIVEDUC 14 11 15,000 10 10,000 9 5,000 8 7 -30,000 -10,000 0 10,000 20,000 30,000 0 -30,000 -10,000 0 RESID RESID 27 10,000 20,000 30,000 APÉNDICE E Prueba de Heterocedasticidad Heteroskedasticity Test: White F-statistic 0.65056 Prob. F(14,4) 6 Obs*R-squared 13.2019 Prob. Chi8 Square(14) Scaled explained 6.08813 Prob. ChiSS 2 Square(14) 28 0.7548 0.5107 0.9642 APÉNDICE F Prueba de normalidad de los residuales Jarque- Bera 5 Series: Residuals Sample 1 19 Observations 19 4 3 2 1 0 -30000 -20000 -10000 0 10000 29 20000 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis -8.72e-12 799.0556 22392.67 -25751.56 13090.91 -0.198083 2.698737 Jarque-Bera Probability 0.196102 0.906603 7 BIBLIOGRAFÍA Alcaldia de Bogotá. (2012). Proyecto de acuerdo 017, por medio del cual se establecen los puntos de acopio de residuos peligrosos domiciliarios para Bogotá, D.C. Bogotá. Alcaldia Mayor De Bogotá. (2000). Vision Ambiental de Bogota 2015. Bogotá D.C. Aristizabal, C., & Sachica, M. (2001). El aprovechamiento de los residuos solidos domiciliarios no toxicos en Bogotá. Universidad Javeriana Bogotá. Bagchi, A. (1990). Desing, construction and monitoring of sanitary landfill. Nueva York: John Wiley & Sons. Barradas, A. (2012). Gestión integral de residuo solidos para paises en desarrollo: Guia metodologica para la planificacion de la GIRS. editorial EAE. Baumol, W., & Oates, W. (1988). The Theory of Environmental Policy. Cambridge University. Berent, M. (2012). Gestión de los residuos sólidos en pequeñas ciudades. editorial academica española. Bogotá Como Vamos. (2013). Encuesta de percepción ciudadana . Bogotá D.C. Broto, V., Allen, A., & Rapoport, E. (2012). Interdisciplinary perspectives on urban metabolism. Journal of Industrial Ecology, 16(6), 851-861. Buenrostro, O., Bocco, G., & Vence, J. (2001). Forecasting generation of urban solid waste in developing countries- A casi study in Mexico. Morelia, Mexico: Instituto de investigaciones sobre los recursos naturales, Universidad Michoacana de San Nicolas de Hidalgo. Cepal. (2014). Evaluaciones del desempeño ambiental: Colombia 2014. Naciones Unidas. Chía, M. I. (2008). Externalidades: más que un problema de derechos de propiedad. Universidad Santo Tomas, Colombia. Christensen, T., & Kjeldsen, P. (1989). Basic biochemical processes in landfills. Londres. Colomer Mendoza, F., & Gallardo, A. (2007). Tratamiento y Gestión de residuos sólidos. Universidad Politecnica de Valencia. Concejo de Bogotá. (2009). Proyecto de acuerdo número 349- El reciclaje en Bogotá D.C. Bogotá. Contreras, C. (2006). Manejo integral de aspectos ambientales - Residuos solidos. Bogotá D.C.: Pontificia Universidad javeriana Bogotá. 30 Cope, F., Karpinski, G., Pacey, J., & Stein, L. (1984). Use of liners for containment of hazardous waste landfills. Pollution Engineering, 16. Corporacion nuevo arco iris. (2004). El desplazamiento en Bogotá. Una realidad que clama atención. Bogotá D.C. Defensoria del pueblo. (2009). Dispisicion final de residuos solidos en Bogotá D.C. Defensoria del pueblo, Bogotá. Diaz, L. (2011). La gestion de residuos solidos municipales en America Latina. Cali: Recovery Incorporated. Diaz, Luis;. (2011). La Gestion de residuos solidos mucicipales en America Latina. Cali: Recovery incorporated. Dougherty, C. (2011). Introduction to Econometrics (Vol. Fourth edition). New York: Oxford University Press. Field, B., & Azqueta, D. (1996). Economia y medio ambiente. McGrawHill. Fonfria, R. F., & Rivas, J. (1989). Ingenieria Ambiental: Contaminacion y tratamientos. Barcelona: Barcombo s.a. Frank, R. H. (2001). Microeconomia y conducta. España: MC Graw Hill. Global Methane Initiative. (2011). Metano de Vertederos : Reducción de las emisiones, avance de las oportunidades de recuperación y utilización. Lemos Machado, K. (2013). Plan de gestión integral de residuos sólidos para la empresa manufacturera Muebles Bovel Ltda. Pereira: Universidad Tecnológica de Pereira. Martinez Alier, & Schlupmann, K. (1991). La ecologia y la economia. Mexico D.F.: Fondo de cultura economica. Medina Bermúdez, C. (1999). Manejo de residuos solidos. Revista de la facultad de ingenieria Universidad Militar Nueva Granada, 135-144. Mejia, C. A. (2003). Metodologia de diseño para la recogida de residuos solidos urbanos mediante factores punta de generacion: sistemas de caja fija (SCF). Ministerio de Medio Ambiente de Colombia, O. P. (1996). Análisis Sectorial de Residuos Sólidos en Colombia. Bogotá. Naredo, J. (1987). La economia en evolucion: historia y perspectivas de las categorias basicas del pensamiento economico. Madrid: siglo XXI editores. 31 ONU- Habitat. (2012). Estado de las ciudades de América Latina y el Caribe 2012: Rumbo a una nueva transición urbana. Brasil: Cepal; Minurvi; Flacma; CAF, Banco de desarrollo de America Latina; La Alianza de las ciudades. Ossadon, C. S. (2008). Situación de la gestion de residuos solidos urbanos en España y Gran Canaria. Universidad de las Palmas de Gran Canaria. Rodriguez Salinas, M. (2004). Diseño de un modelo matematico de la generación de residuos sólidos municipales en Nicolas Romero, Mexico. Mexico, DF: Instituto Politecnico Nacional. scs-engineers, s. (2007). Informe de evaluación: Relleno Sanitario Doña Juana Bogotá, Colombia. United States Environmental Protection Agency. Secretaria general Habitat. (2013). Reciclar es facil- Programa basura cero. Bogotá D.C. Soto López, F. (2007). Instrumento de precio como politica optima para el mercado de residuos domiciliarios en presencia de disposicion ilegal. Pontificia Universidad Catolica de Chile. Sotoca López, S. (1997). Una nota sobre la estimacion eficiente de modelos con parametros cambiantes. Estadistica Española, 37(140), 363-380. Superintendencia de servicios públicos. (2011). Situación de la disposicion final de residuos sólidos en Colombia. Bogotá. Tchobanoglous, G. (1994). Gestion integral de residuos solidos. California: Mc Graw Hill. Toledo, V., & Gonzalez, M. (2009). El Metabolismo Social: las relaciones entre la sociedad y la naturaleza. Veracruz: Universidad Veracruzana. UAESP. (2008). Prevenir, mitigar y disminuir gradualmente el volumen de residuos que son dispuestos en el RSDJ. Bogota D.C. UAESP. (2012). Caracterizacion de los residuos solidos residenciales generados en la ciudad de Bogotá D.C. 2011. Bogotá D.C. Varian, H. R. (1998). Analisis microeconomico. España: Antoni Bosch Editor. Wooldridge, J. (2001). Introduccion a la econometría: Un enfoque moderno. Michigan: Thomsom Learning. 32 33
© Copyright 2024 ExpyDoc
