UNIVERSIDAD DE LO S ANDES FACULTAD DE ECONOMIA …
46
UNIVERS IDAD DE LO S ANDES FAC ULTAD DE ECO NO MIA RELACIO NES ENTRE PO BREZA Y MEDIO AMBIENTE: UN ANÁLISIS ESPACIAL JO RG E H IGINIO MALDO NADO PRESENTADO PO R: LILIANA ANDREA M URCIA BALLES TERO S CO DIGO: 200011112 Julio de 2008
Transcript of UNIVERSIDAD DE LO S ANDES FACULTAD DE ECONOMIA …
UNIVERS IDAD DE LO S ANDES
FAC ULTAD DE ECO NO MIA
RELACIONES ENTRE PO BREZA Y MEDIO AMBIENTE: UN ANÁLISIS
ESPACIAL
JO RGE HIGINIO MALDO NADO
PRESENTADO POR: LILIANA ANDREA MURCIA BALLES TERO S
CO DIGO: 200011112
Julio de 2008
1
TABLA DE CONTENIDO
TABLA DE CONTENIDO....................................................................................1
1. INTRODUCCIÓN .........................................................................................2
2. MOTIVACIÓN..............................................................................................3
2.1 DESARROLLO ECONÓMICO Y GEOGRAFÍA ..................................8
2.2 POBREZA Y MEDIO AM BIENTE......................................................10
3. OBJETIVOS................................................................................................12
3.1 HIPÓTESIS .....................................................................................12
3.2 OBJETIVOS ESPECÍFICOS ..........................................................13 4. METODOLOGÍA........................................................................................13
4.1 AUTOCORRELACIÓN UNIVARIADA..............................................14
4.1.1 Autocorrelación Global ...................................................................14
4.1.2 Autocorrelación Local .....................................................................15
4.2 AUTOCORRELACIÓN MULTIVARIADA........................................15
4.2.1 Modelo de Rezago Espacial (Modelo Espacial Autoregresivo) ......16
4.2.2 Modelo de Error Espacial (Modelo de Media Móvil Espacial) .....16
4.2.3 Modelo Autorregresivo Espacial y de Media Móvil ......................16 5. MARCO TEÓRICO ....................................................................................17 6. ANALÍSIS DE DATOS ..............................................................................19
7. MODELO EMPÍRICO ..........................................................................20
8. RESULTADOS ...........................................................................................21
8.1 ANÁLISIS UNIVARIADO ...................................................................24
8.1.1 Análisis de Correlación Global ..............................................................24
8.1.2 Análisis de Correlación Local................................................................26
8.2 ANÁLISIS MULTIVARIADO .............................................................31
9. CONCLUSIONES Y RECOMENDACIONES..........................................37 REFERENCIAS...................................................................................................41
ANEXOS .............................................................................................................44
2
1. INTRODUCCIÓN
A pesar de que a partir del siglo XIX en el mundo se ha generado un gran crecimiento
de la renta per cápita, la pobreza sigue representando un problema latente y su erradicación un
objetivo fundamental del desarrollo económico, ante el crecimiento de la población y más
recientemente la incertidumbre sobre las consecuencias de los factores antrópicos que han
alterado los ecosistemas, el clima y la dispon ibilidad de los recursos. Una caracterización de
las relaciones existentes entre pobreza y medio am biente constituye un elemento determinante
para toda política destinada tanto a aliviar la pobreza como a garantizar el desarro llo
sostenible de los países en vías de desarrollo.
Como parte de la estrategia de desarrollo nacional, que tiene como prioridad la
erradicación de la pobreza1 el tema del agua ha sido abordado so lamente a través de
lineamientos de política para garantizar la cobertura de sistemas de acueducto y alcantarillado
en aquellas regiones que presentan déficit en estos rubros, que paradójicamente están
asociadas con la mayor disponibilidad de agua, pero no se tiene una v isión integral de
desarrollo regional que incorpore las diferentes dinámicas que caracterizan el uso y la
disponibilidad del recurso a lo largo del país.
Este estudio pretende constituirse en una herramienta para caracterizar la relación que
existe entre los problemas de contaminación y de escasez del agua en los municipios
colombianos (unidades geopolíticas más pequeñas dentro del territorio nacional) y su n ivel de
desarrollo haciendo uso de la econometría espacial. Entre los objetivos del análisis están:
determinar si las variables utilizadas tienen un comportamiento definido a lo largo del
territorio, específicamente, si existen aglomeraciones asociadas con la distribución geográfica
tanto para las variables hídricas como para las variables de pobreza (como Proxy del nivel de
desarrollo económico de un municipio); además, comprobar si la especificación del modelo
empírico que busca explicar la relación mencionada debe incluir un componente espacial y de ser el caso, la forma como debe incluirse.
1 De acuerdo con el do cu mento Conpes 91 del Depart amento Nacional de Planeación, titulado: “ Metas y Estrategias de Colo mbia para el Logro de los Objetivos de Desarrollo del Milenio- 2015 ” (DNP,2005 ), el país se co mp ro metió en la Cu mbre del Milenio d e septiembre de 2000 en el marco d e la Asambl ea General d e las Naciones Unidas a definir unas metas n acionales qu e pued an ser al canzadas en el 2015 conocidas co mo las Metas del Milenio, La p rimera meta d efinida por el gobierno nacional colombiano y quizá la más i mportant e es la erradicación de la pob reza extrema y el h ambre.
3
Para lograr estos objetivos, este trabajo se presenta como sigue: en una pr imera parte
se plantea la motivación a través de la identificación de una brecha literaria que permita ubicar
al lector sobre el problema que se pretende abordar, y las líneas de investigación sobre las que
se enmarca: desarrollo económico, geografía y medio ambiente, en la segunda parte se p lantea
la base teórica y metodológica del estudio ; en la tercera parte se presenta una descripción de los datos que se van a utilizar y del modelo empírico que se formula; la cuarta parte contiene
los resultados y en la quinta se presenta las principales conclusiones del estudio y las
recomendaciones de política.
2. MOTIVAC IÓN
Colom bia tiene una gran riqueza en términos hidrológicos, pero ésta se ve amenazada
por los graves problemas de manejo del recurso que enfrenta el país; sus principales ríos presentan altos niveles de contaminación, el abastecimiento de agua potable y la provisión de
saneamiento básico es todav ía muy precaria en algunas regiones y existen zonas que, por sus
características naturales o por las transformaciones de sus ecosistemas, son cada vez más
vulnerables ante fenómenos climáticos que superen los promedios históricos, ocasionando
eventos críticos de inundaciones o de escasez del recurso. Esta situación implica para el país
altos costos económicos y sociales2, dado que una porción importante de la población, en su
mayoría hogares en condición de pobreza, es la pr incipal afectada.
De acuerdo con el IDEAM (2001), la oferta hídrica total del país supera los 2000 Km3
al año, equivalente a 57.000 m3 anuales por habitante; incluyendo los efectos de la
contaminación y el desabastecimiento por regulación natural, se tendría una dispon ibilidad de
34.000 m 3 al año por persona que en condiciones de año seco se reducen a 26.700 m3 al año
por persona. A pesar de que estas cifras indican una amplia oferta del recurso (el promedio
mundial es 7.700 m3 al año por persona), ésta no es homogénea a lo largo del territorio, como
tampoco lo es la distribución de la población ni del desarrollo económico por lo cual la
demanda y la presión sobre el recurso es mayor en algunas regiones que en otras.
La localización de la población y de la actividad económica en Colombia está orientada hacia el centro del país; particularmente, las regiones de más alta presión hídr ica son
la Andina y la Caribe. En contraste las regiones del Pacíf ico, Orinoquía y Amazonia que
2 Las pérdidas esti madas para Colombia asociadas a un inadecu ado suministro de agu a, de san eamiento básico e higiene, asciend en a los 1960 billones de p esos. (Larsen ,2004).
4
soportan alguna presión por el recurso hídrico, cuentan con un alivio por la cercanía de
sistemas hídricos de mayor tamaño y densidades. (IDEAM, 2004)
En el Cuadro 1 se aprecia que los departamentos que presentan un mayor problema de
oferta física del recurso son : La Guajira, San Andrés y Providencia, Sucre, Cesár, Valle del
Cauca y Norte de Santander mientras departamentos como: Amazonas, Caquetá, Chocó,
Guain ía, Guaviare y Vaupés no presentan mayores inconvenientes de abastecimiento de agua.
Cuadro 1 Distri bución po rcentual de los muni cipios seg ún la categoría de oferta hídrica muni cipal por unida d de área
Catego ría
Rango Oferta /Unidad de área
Bajo ‹0.60 Medio 0.60-1.30 Alto 1.31-15 Muy alto ›15
Amazonas 88 13 100 Huila 43 43 11 3 73 22 5
Ant ioquia 21 49 25 5 50 35 10 5 La Guajira 100 100
Arauca 29 43 29 29 57 14 Magdalena 52 5 43 52 5 43
Atlánt ico 30 70 30 70 Meta 31 7 62 34 31 34
Bolívar 37 11 52 45 3 3 50 Nariño 44 42 15 77 15 8
Boyacá 54 35 8 2 76 17 6 2 Norte Santander 78 18 5 95 5
Caldas 20 76 4 68 28 4 Putumayo 8 31 62 8 46 46
Caquetá 93 7 0 33 60 7 Quindío 25 75 100
Casanare 16 58 26 26 23 21 Risaralda 57 29 14 86 14
Cauca 28 58 14 75 14 11San Andrés y Providencia 100 100
Cesar 67 17 4 12 75 13 12 Santander 17 80 1 1 93 5 2
Chocó 0 10 90 10 5 86 Sucre 88 12 88 13
Córdoba 31 12 31 27 38 4 38 19 Tolima 43 48 2 7 74 20 7
Cundinamarca 48 32 17 4 76 5 15 4 Valle 74 19 5 2 88 5 7
Guanía 75 25 100 Vaupés 67 33 100
Guaviare 100 100 Vichada 17 17 50 17 17 33 33 17
% de municipios por categoria de oferta de
agua, año medio
% de municipios por categoria de oferta de
agua, año seco
Departamento
% de municipios por categoria de oferta de
agua, año medio
% de municipios por categoria de oferta de
agua, año seco
Departamento
Fuente: IDEAM (2001)
Un fenómeno muy importante, que no es exclusivo de Colom bia, es la reversión de la
tendencia de concentración de la población en las áreas rurales a una población más
concentrada en las zonas urbanas; según cifras del DANE, mientras en 1951 el 38,7% de la
población habitaba en las ciudades, en 1985 este porcentaje llego a ser del 65.3% y de acuerdo
con el ultimo Censo General (2005), el 72.6% del total de la población del país habita en los
centros urbanos, que de forma paralela han crecido económicamente de manera sostenida
durante los últimos decenios. De esta manera, en el país las mayores concentraciones
5
poblacionales se presentan en las ciudades capitales con sus respectivas áreas de inf luencia
conformando el “Triángulo de Oro” (Bogotá-Medellín-Cali) (Galvis, 2001).
Como se puede ver en la Figura 1, los departamentos de Antioquia, Valle del Cauca y
el Distrito Capital aportan aproximadamente el 50% del PIB nacional con una población
equivalente al 38,9% del total y tan solo el 8% del territorio nacional. Estos departamentos,
junto con Cundinamarca y Atlántico cuentan con una estructura industrial sólida. En el otro
extremo, departamentos como: Chocó, Vichada, Guainía, Vaupés, P utumayo, Guaviare y
Amazonas, cuya economía se basa en la exp lotación forestal, la caza y la pesca, son los
departamentos colombianos menos desarro llados desde el punto de vista económico con un
aporte al PIB nacional de menos del 1%, una población equivalente a tan solo el 2,47% del
total nacional y una extensión que representa el 41% del territorio.
Figura 1 Participación po rcentual dentro del total nacional del Área , la Població n y el PIB pa ra los 32 departamentos de Colombia y el Distrito Capital (2005)
0,00
5,00
10,00
15,00
20,00
25,00
30,00
% Área Total
%Población Nacional
% PIB Nacional
Fuente: Datos Censo General DANE (2005). Elaboración propia.
Los cuerpos de agua a lo largo del territorio reciben de manera continua aguas
residuales del sector agropecuar io, doméstico e industrial como se muestra en el Cuadro 2.
Las escorrentías de tierras agrícolas representan el problema más grave en cuanto a magnitud
y a sus características ya que es un tipo de contaminación más dispersa, informal y de difícil control.
Las descargas del tipo doméstico e industrial están relacionadas directamente con el
desarrollo; dado lo anterior, se puede encontrar que dentro de los ríos más contaminados del
país se encuentran: el Río Bogotá receptor de las aguas negras del distrito capital,
caracterizado por su desarrollo productivo y por concentrar altos n iveles de población
6
(6.840.116 habitantes)3 y el Río Medellín receptor de las descargas de la segunda ciudad más
poblada (2.093.624 de habitantes)4.
Cuadro 2 Producción Diaria de Demanda Bioquímica de Oxígeno (DBO)5 por Sector
Sector Toneladas Descri pción
Agrícola y Pecu ario 7.100
Verti mientos de agu as residual es agrí colas con g ran nú mero de cont amin antes y d el sector p ecuario con alta carg a orgánica.
Do méstico 800
Los mayores aportant es de carga contaminante son los grandes centros urbanos como Bogotá, Med ellín, Cali, Barranquilla, Mani zales y Cartagena.
Industrial 520
En orden de i mpo rtancia por su aporte, el subsector d e alimentos, producción de licores, fab ricación de sustanci as químicas industriales y la industria de pap el y cartón.
Fuente: DNP- PNU D, 1994. Citado en DNP (2002 ).
Un alto volumen de las aguas residuales son descargadas directamente a los diferentes
afluentes sin ningún tratamiento, la Figura 2 muestra el número de p lantas de tratamiento que
hay por departamento, éstas representan un nivel de intervención de aproximadamente el 10%
de las aguas residuales, teniendo en cuenta que una gran porción de las p lantas no se encuentra
en condiciones óptimas de operación como se presenta en la Figura. El bajo tratamiento de las
aguas servidas también se debe a la escasa o nula cobert ura de sistemas de alcantarillado que
enfrentan los municipios del país, como se aprecia en la Figura 3, algunos departamentos
como: el Vichada, San Andrés, Chocó y Guan ía m uestran un importante rezago frente al resto
de los departamentos con una cobertura de alcantarillado inferior al 20%.
3 De acuerdo con in fo rmación d e la Empresa de Acu educto y Alcantarillado d e Bogot á, “la ciudad descarga aproxi madament e unos 14 m3/s de aguas residuales al sistema de al cantarillado; de este caudal, el 29.6% proviene d e la cuenca del Salitre (incluye la cuenca Torca), el 39,3% d e la d el Fu cha y el 31,1 % de l a del Tunjuelo; en est as dos últi mas cu encas se tien en en cu enta la produ cción de las cuen cas Tintal , Soach a y otras meno res)”. In forme de actividades P TAR Salitre. (s.f). recup erado el 16 de mayo de 2008 , de http://www.acuedu cto.co m.co/wpsv5/wps/portal/ 4 Antioquia representa el 13 % del total de verti mientos de aguas residuales de los centros urbanos, mientras Valle del Cauca p articipa con un 10 % y los demás dep artamentos están por d ebajo del 5 %. (DNP, 2002 ). 5 Dentro de los parámetros qu e se utilizan p ara medir la contaminación del agua se encu entra la Demanda Biológica d e O xíg eno - DBO qu e mid e indirectament e la contaminación del agua por cuenta de la cantidad de oxígeno que demand an las bacterias presentes en la mat eria orgánica para sob revivir.
7
Figura 2 Número de plantas de tra tamiento de ag uas residuales a ni vel departamental (2006)
05
101520253035404550
AMAZO
NAS
ANTIOQUIA
ARA
UCA
ATLAN
TICO
BOLIVA
RBOYA
CACALD
ASCAQUETA
CASANARE
CAUCA
CESAR
CHOCO
CORDOBA
CUNDINAM
ARCA
GUAINIA
GUAV
IARE
HUILA
LA GUAJIRA
MAG
DALEN
AMETA
NAR
IÑO
NORTE DE SA
NTA
NDER
PUTU
MAYO
QUINDIO
RISAR
ALDA
SAN ANDRES
SANTA
NDER
SUCRE
TOLIMA
VALLE DEL CAUCA
VAU
PES
VICHADA
No. PTAR
No. PTARs con operación deficiente
Fuente: Datos MA VD T (2006).Elaboración p ropia
Figura 3 Coberturas depa rtamentales de alcantarillado (2005)
0
20
40
60
80
100
120
AN
TIOQ
UIA
ATLA
NT
ICO
BO
GO
TA
BO
LIVAR
BO
YAC
A
CA
LDA
S
CA
QU
ET
A
CA
UC
A
CE
SAR
CO
RD
OBA
CU
ND
INA
MA
RC
A
CH
OC
O
HU
ILA
LA G
UA
JIRA
MAG
DA
LENA
MET
A
NA
RIÑ
O
NO
RTE
DE S
ANT
AND
ER
QU
IND
IO
RISA
RA
LDA
SAN
TA
ND
ER
SU
CR
E
TO
LIMA
VALLE
DEL C
AU
CA
AR
AUC
A
CA
SAN
AR
E
PU
TUM
AYO
SAN
AND
RES
AM
AZO
NA
S
GU
AINIA
GU
AVIAR
E
VAU
PE
S
VIC
HA
DA
POR
CE
NTA
JE
Fuente: Datos Censo General DANE (2005). Elaboración p ropia.
La mayoría de estudios que se han hecho para Colom bia sobre la calidad del agua son
análisis sobre la efectividad de las políticas destinadas a regular y a controlar los vertimientos
a los efluentes. Dado que el país ha sido pionero en la región en la implementación de
instrumentos económicos como la tasa retributiva para el control de los vertimientos, ex iste
mucho material disponible sobre la efectividad de este instrumento económico (Castro y Bonilla, 2003 y Blackman, 2005).
8
2.1 DES ARRO LLO ECONÓMICO Y GEOGRAFÍA
Los contrastes en el desarrollo económico que presentan los países se han explicado a
través de dos corr ientes de pensamiento. Por un lado, se encuentra la hipótesis geográf ica que
explica cómo estas discrepancias están dadas por las diferencias geográficas, climáticas o
ecológicas que muestran las naciones (Sachs 2001 y 2003). Por otro lado una teoría alternativa
es la h ipótesis institucional, donde el desempeño económico está atado a la organización de la
sociedad y a las instituciones establecidas. (Acemoglu, Johnson, Robinson, 2002, Acemoglu,
Johnson y Robinson, 2006 y Rodrik, Subramanian y Trebbi, 2002)
De acuerdo con Sachs (2001) el subdesarrollo de los países cercanos a los trópicos está
determinado por variables geográficas y climatológicas que afectan la calidad del suelo
haciéndo los menos productivos agríco lamente y más propensos a acunar enfermedades como
la malaria y el dengue. La hipótesis geográfica también se sustenta en factores como la
distancia a las costas o el relieve escarpado, que aumenta los costos de transporte.
Para Colombia, Sánchez y Núñez (2000) encontraron que la geograf ía afecta tanto el
ingreso per cápita como su crecimiento, explicando entre el 36% y el 47% de la variación del
ingreso per cápita municipal y entre un 35% y 40% de la variación del crecimiento del ingreso
per cápita municipal.
Otra importante conclusión de este estudio es que las var iables geográficas parecen ser
más significativas en el caso de los municipios pobres que en caso de los más r icos; en los
primeros la geografía explica entre un 25% y un 32% de la variación del ingreso per cápita y
entre un 24% y 27% de la variación del crecimiento del ingreso per cápita. En contraste en los
municipios r icos la geografía explica entre un 18% y un 25% de la variación del ingreso per
cápita y entre un 16% y 17 % de la variación del crecimiento del ingreso per cápita6.
En el estudio de Sánchez y Núñez (2000), las var iables geográficas que presentaron
una mayor influencia sobre las variables económicas fueron la distancia a los mercados
domésticos y la productividad del suelo. De acuerdo con los autores “Los municipios más
cercanos a los mercados domésticos crecieron más que aquellos más alejados; esos resultados implican que la actividad económica se ha venido concentrando alrededor de esos mercados y
6 Bonet (2007) argu menta que las condiciones geográficas de aislami ento que caracterizan la geografí a del Chocó , así como su intenso régi men lluvioso son factores determinantes para que este departamento se encuentre entre los más pobres del p aís.
9
sugiere que se ha dado un desarrollo importante de las economías de escala alrededor de los
mercados domésticos, que a su vez refuerza el crecimiento de éstos” (p. 38).
De acuerdo con lo anterior la tendencia de la localización de la población y de la
actividad económica en el país obedece a los planteamientos de Krugman (1998), que busca
explicar no solo la división del mundo en países industrializados y no industrializados,sino
tambien la desigualdad regional al interior de éstos últimos y la emergencia de centros
urbanos gigantes, a través de la tensión de fuerzas centrípetas (economías de escala y costos
de transporte) y centrífugas (inmovilidad de algunos factores) que explican los grados de
concentración o dispersión, respectivamente, a lo largo de un territorio.
Las regiones colombianas donde se concentra espacialmente el desarrollo económico
han sido est udiadas por Galvis (2001), quien realizó un análisis de correlaciones espaciales
utilizando los depósitos bancarios y los recaudos de impuestos locales per cápita como índices
de la actividad económica a nivel m unicipal. El autor dividió el país en subregiones utilizando
en una primera categorización las regiones que denominó: “Trapecio Andino”, “Triángulo
BMC” y “Corredor Costero”7, encontrando correlaciones positivas y significativas para las
áreas contenidas en el “Trapecio Andino” y el “Triángulo BMC”. En una segunda
aproximación, el autor utilizó las subregiones def inidas por los CORPES8 sin encontrar
resultados signif icativos, por último definió las siguientes sub-regiones: Región Central,
Región Norte, Región del Chocó, Región Sur y Región Or iental9, encontrando una correlación
positiva en las regiones Norte, Centro y Sur.
En la misma línea, el trabajo de Barón (2002) definió las regiones económicas de
Colombia a través de la variable construida: “ Captaciones Departamentales del Sistema
Financiero” para los años comprendidos entre 1975 y 2001, tomando un total de 24
departamentos; el autor realiza un análisis de clusters que le permite definir las siguientes
7 El “ Triángulo BMC” hace referenci a a las ciudades de Bogotá, Med ellín y Cali, “ Trapecio Andino” co mprende el área del Triángulo BMC más el área que se prolonga hasta Sant ander esp ecí ficamente a Bucaramanga y su área metropolitana. 8 CORPES (Consejos Regionales de Política Económica y Soci al), las regiones CORPES son: Caribe, Centro-Oriente, Centro -Occidente, Pací fico y Ori ental. 9 Región Central: Bogotá, Boyacá, Santander, Antioquia, Risaralda, Cald as, Quindío, Toli ma y Valle. Región Norte: Dep artamento de la Costa Caribe y Norte de Sant ander. Región del Chocó: Muni cipios que con fo rman el dep artamento del Chocó. Región Sur: Nariño, Cau ca, Huila y Putu mayo Región Oriental: Caquetá, Meta, Arauca, Casanare, Amazon as, Guainía, Guaviare, Vaup és y Vichada.
10
regiones que presentan un comportamiento económico parecido: Región Central, Región
Elite, Región Per iférica, Región Norte, Región Cafetera y Resto. 10
Pérez (2005) hace también un análisis de la concentración de la pobreza con base en
los indicadores de Necesidades Básicas Insatisfechas (NBI) y de Calidad de Vida (ICV) a
nivel departamental y municipal, haciendo uso de la econometría espacial para los años de
1985 y 1993. Los resultados obtenidos muestran evidencias significativas de dependencia
espacial a nivel departamental y municipal, indicando que la ubicación geográfica es
importante como determinante de la pobreza en el país.
La gran disparidad en el desempeño económico a lo largo del territorio colombiano
que se ev idencia en la concentración de los niveles de la actividad económica en unas pocas
ciudades y en las marcadas diferencias existentes entre las zonas periféricas del país y la zona
central; pone de manif iesto la importancia de reconocer el factor espacio dentro del análisis
del desarrollo (uno de los componentes de este est udio).
2.2 POBREZA Y MEDIO AMBIENTE
De acuerdo con el reporte sobre el Desarrollo Humano de las Naciones Unidas, PNUD
(2006), la pobreza vía ingresos ha disminuido en el mundo a partir de 1990. La proporción de
la población mundial que vive con menos de 1 dólar diar io ha bajado del 28% al 21%, a pesar
de los avances que se han alcanzado, este porcentaje continua siendo elevado en medio de
una economía mundial más próspera.
La relación de causalidad entre el medio ambiente y la condición de pobreza puede ser
en dos v ías en la medida que los hogares pobres ejercen mayor presión sobre el capital natural
y la degradación ambiental agudiza la condición de pobreza.
La pobreza es la característica más visible del subdesarrollo y está muy relacionada
con la porción de la población que habita en el sector rural y se dedica a actividades agrícolas
(Debraj, 2002). En todo el mundo, 900 millones de personas viven en la pobreza absoluta en
las zonas rurales, donde dependen del consumo y venta de productos naturales como forma
principal de sustento (PNUD, 2003). El suelo, recursos hídr icos, pesqueros y forestales
10 Región Central: Boy acá, Cundinamarca, Meta, Toli ma, Huila, Cauca y Nariño Región Élite: Bogotá, Antioquia, Atlántico y Valle. Región Peri férica: Caquetá y Chocó Región Cafetera: Caldas, Ris arald a, Santander, Norte de Santander y Quindío Región Norte: Bolívar, Cesar, Córdob a, Guajira, Magdal ena y Sucre. Resto: Arauca, Casan are, Amazon as, Guainía, Guaviare, Vaupés , Vi chada, Putumayo y San Andrés .
11
contribuyen de manera importante en los ingresos de los hogares pobres (Narain, Gupta y
Van´t Veld, 2005, Cavendish, 1998 y Cavendish, 2000). También se ha analizado el impacto
sobre el medio ambiente de fenómenos comúnmente asociados a la pobreza como la
migración y altas tasas de población (Cropper & Griff iths, 1994).
Dasgupta, et al. (2003) buscaron las correlaciones espaciales entre pobreza y los
problemas ambientales más comunes al nivel de las provincias y distritos para Camboya y la
República Democrática de Laos (deforestación, degradación del suelo, agua potable y
alcantarillado y, por último, contaminación del aire dentro y fuera del hogar). El est udio
encontró que la pobreza no es un factor decisivo para explicar la deforestación sin embargo el
nexo Pobreza/Ambiente es muy fuerte para el resto de var iables mencionadas.
También hay est udios que abogan porque esta relación no siempre es negativa;
Kámiche (2005) realizó un análisis empírico para Nicaragua del nexo entre pobreza y
degradación ambiental a través de la decisión que enfrentan los hogares pobres de usar
fertilizantes químicos u orgán icos, dado el diferente impacto de cada uno sobre el suelo,
encontrando que en la práctica la relación entre pobreza y degradación del suelo es positiva.
Los resultados del estudio sugieren que la condición de pobreza incrementa la probabilidad de
utilizar fertilizantes orgánicos frente a los químicos, debido principalmente, a la existencia de
incentivos económicos ya que los pr imeros son más baratos.
La forma como el deterioro ambiental afecta a los hogares pobres se ha abordado
principalmente a través las restricciones que enfrentan en cuanto a acceso a servicios básicos
como el agua potable, al uso de combustibles que generan polución al interior del hogar y a
una inadecuada disposición de las aguas servidas y de las basuras. Al respecto, Songsore y Mc
Granahan (1993) realizaron un análisis sobre las diferencias Intra-urbanas en las tasas de
morbilidad y mortalidad, por enfermedad diarreica y enfermedades respiratorias en niños
menores de 6 años, en función de las diferencias socioeconómicas. Los autores encontraron una fuerte correlación entre el ingreso y la prevalencia de diarrea en los niños; en el caso de
las enfermedades respiratorias se encontró una relación más débil pero igualmente negativa.
De acuerdo con Maldonado (2004) en el debate sobre la relación entre pobreza y
degradación del medio ambiente, se postula lo que se conoce como un “Espiral Desendente”,
en la medida que la pobreza contribuye a aumentar la presión sobre los recursos naturales, lo
que a su vez agrava esta condición. Por otro lado, y en contraste a este postulado, se p lantea
que en la medida que las sociedades son más ricas la degradación de los recursos naturales
tiende a ir en aumento en vez de disminuir.
12
En respuesta a este debate surge la h ipótesis de la Curva Ambiental de Kuznets (CAK)
para reconciliar las dos perspectivas, ésta post ula que el crecimiento económico puede tener
un efecto negativo inicial sobre el medio ambiente en los países en desarrollo y que esto se va
dar hasta cierto umbral a partir del cual el crecimiento económico eventualmente se traducirá
en beneficios ambientales.
Para Colombia, no existen muchos est udios sobre la relación entre pobreza y medio
ambiente. Ibáñez y Uribe (2003) realizaron una evaluación cualitativa de los efectos de las
inversiones ambientales por parte de las entidades a cargo en el país, sobre dos áreas
particulares: la mitigación de la pobreza y la activación del desarro llo económico del país,
encontrando como resultado que las inversiones municipales en medio ambiente denotan un
aporte reducido en la disminución de la pobreza y en dinamizar el crecimiento económico.
Sin desconocer el carácter multidimensional de los temas de desarrollo económico y de
medio ambiente, la principal motivación de este análisis es el vínculo existente entre ellos,
ampliamente analizado en la literatura, junto con la falta de est udios encaminados de forma
explícita a analizar las posibles relaciones existentes para Co lombia que además incluyan las
marcadas diferencias regionales tanto económicas como ambientales que se presentan en el
país.
3. OBJETIVOS
El presente trabajo de investigación tiene como objetivo general ver ificar la relación
propuesta entre pobreza y medio am biente. Para este propósito se hará uso de herramientas de
la econometría espacial, por lo cual la especificación de un modelo que explica la presión
sobre el agua a nivel municipal, a través de variables relacionadas con la condición de pobreza
en los diferentes municipios, tendrá en cuenta el componente espacial que caracteriza a las
variables.
3.1 HIPÓTESIS
La relación entre medio ambiente, medido a través de la Demanda Biológica de Oxigeno (DBO) y el Índice de Escasez del Agua Año Medio (IEAM), y la pobreza en el país
se comporta como lo sugiere la curva ambiental de Kuznets. El análisis para los municipios de
Colombia con base en información obtenida en un determinado momento del tiempo (Corte
transversal) y bajo el supuesto de que los entes territoriales presentan el mismo patrón de
crecimiento en el tiempo, arrojará que los municipios pobres (con índices bajos de Calidad de
13
Vida o altos de Necesidades Básicas Insatisfechas) generan una presión sobre el recurso
hídrico que es creciente en la medida que los municipios que presentan mayores n iveles de
desarrollo económico generan una mayor demanda de agua y causan mayores externalidades
negativas sobre el recurso derivadas de su uso, pero este comportamiento se presentará hasta
un n ivel dado a partir del cual menores índices de pobreza estarán asociados a un mejor desempeño en las variables hídr icas.
3.2 OBJETIVOS ESPEC ÍFICOS
A nivel específico, se trata de:
• Realizar un análisis anterior de las variables para ver si presentan autocorrelación
espacial global y local y determinar si es adecuado abordar el análisis supon iendo
dependencia espacial al tratar las var iables hídricas y de pobreza.
• Verif icar la existencia de dependencia en la var iable explicada, en los residuos o en
ambos términos, puesta de manifiesto a través de los contrastes que se obtienen corriendo modelos de regresión espacial.
• Analizar estadísticamente si la presión sobre el recurso esta relacionada con el n ivel de
pobreza a través de un modelo econométrico a la luz de la teoría de la Curva
Ambiental de Kuznets que incluya el componente espacial de las variables.
4. METODOLOGÍA
Siguiendo a Moreno y Vayá (2002) la autocorrelación espacial supone un
incumplimiento de la h ipótesis de independencia entre las observaciones de una muestra; esta
dependencia es de carácter multidireccional dado que el valor de la variable en una región
puede estar afectado por el valor de ésta en una o var ias de las regiones que la rodean.
Para representar la interdependencia en el espacio entre cualquier par de regiones i y j
se define la matriz de pesos espaciales w cuyos elementos ijw representan la intensidad de la
dependencia existente entre las dos regiones.
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
0....
0.0
21
221
112
NN
N
N
ww
wwww
w (1)
14
Esta matriz puede construirse a través del cr iterio de contigüidad física11 o de la
distancia entre las regiones. Comúnmente esta matriz se define con base en el concepto de
contigüidad física de primer orden donde ijw es igual a 1 si existe una frontera común entre
ji , y a cero si no existe ningún tramo fronterizo común entre las dos unidades espaciales
(Toral, 2001).
4.1 AUTOCORRELACIÓN UNIVARIADA
La depen den cia espacial a nivel un ivariante se refiere al contraste de la hipótesis n ula
de existencia de una distribución aleatoria en el espacio de las variables a lo largo del
territorio.
4.1.1 Autocorrelación Global
Para analizar si las variables de forma indepen diente tiene algún comportamiento en el
espacio, se usa el Ín dice de Moran que estima el grado de correlación entre las observaciones
como una función de la distancia que las separa, éste se define como:
( )( )( ) ⎟
⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
−−
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
∑
∑∑∑∑
ii
jij
iji
jij
iy
yyw
wnI 2*
µ
µµ (2)
Donde n es el n úmero de o bservaciones, ijw es el elemento en la matriz de pesos
espaciales correspon diente a las un idades espaciales ji , , y iy , jy son las o bservaciones p ara
los respectivos sitios y µ es la media de y . Este ín dice tiene una interpretación análoga al
coeficiente de correlación conven cional, ya que sus valores se encuentran entre +1 (que
signif ica: fuerte correlación esp acial po sitiva) y –1 (que significa: fuerte correlación espacial
negativa).
El ín dice se presentará a través de un gráfico de dispersión en el cual es posible
descomponer el tipo de asociación espacial en cuatro categor ías, cada una de las cuales
1 1 Suponiendo la matriz w co mo una cuadri cula si métrica; los criterios de vecindad que s e muestran a continuación, se conocen en la literatu ra, con los no mbres d e algunas d e las fich as del ajedrez: Criterio lineal : Serán vecinas de i l as regiones qu e co mparten el lado i zquierdo y/o d erecho de i Criterio Torre (Rook ): Serán v ecinas de i las regiones que comparten algún lado con i Criterio Al fil (Bishop): Serán vecinas de i las regiones que comp arten algún v értice con i Criterio Reina (Queen): Serán vecinas de i las regiones que comparten algún lado o v értice con i
15
correspon de a los cuadrantes del plano cartesiano. El primer y tercer cuadrante representan
una autocorrelación po sitiva y el segun do y cuarto representan una autocorrelación n egativa
(Pérez, 2005).
4.1.2 Autocorrelación Local
Para hacer el an álisis de la tendencia de correlación sobre la muestra entera de
observaciones promediando las var iaciones lo cales, con el fin de evaluar la existencia de
posibles cluster s (áreas don de las variables se comportan localmente de manera homogénea y
signif icativa), se utilizará un ín dice desarrollado por An selin (1995), cuyo uso está bastante
estan darizado y se cono ce con el nom bre de LISA (Local In dicador of Sp atial Association)
que se calcula como sigue:
( )( )( ) ⎟
⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
−−=
∑
∑
ii
jij
ij
i y
yywI 2µ
µµ (3)
La suma de los LISAs de todas la o bservaciones es equivalente al in dicador glo bal de
asociación espacial, I de Moran.
Entre los resultados que arro ja el análisis LISA se v an a tener en cuenta lo s siguientes:
Un mapa de sign ificancia don de lo s diferentes tonos en la escala del verde, del más
claro al más o scuro, corresponden al valor p para el cual el estadístico I de Moran es
signif icativo al 5%, 1%, 0.1% y al 0.01% respectivamente y un mapa de clusters que reúne la
información del graf ico de disp ersión y del mapa de sign ificancia, mostrando las zonas don de
existe autocorrelación estadísticamente significativa discr iminada por co lores que
correspon den a lo s tipos de autocorrelación, análo go a los cuadrantes del plano cartesiano.
4.2 AUTOCORRELACIÓN MULTIVARIADA
La autocorrelación espacial se p uede dar en la variable depen diente, en el término de
error, o en ambos a la vez. La autocorrelación en la variable en dógena representa un Modelo
Espacial Autorregresivo SAR (Sp atial Autoregressive), mientras que si es en el término de
error constituye un Mo delo de Media Móvil Espacial SMA (Spatial Moving Average) por
último el modelo que in corpora las do s formas po sibles de autocorrelación espacial se cono ce
como un modelo SARMA proceso Autorregresivo Espacial y de Media Móvil (Spatial
Autoregressiv e Moving average) (M ur,1999).
16
4.2.1 Modelo de Rezago Espacial (Modelo Espacial Autoregresivo)
De manera equiv alente a un proceso autorregresivo en series de tiempo, para el caso
del Modelo de Rezago Espacial, se in cluye una función de la variable depen diente observ ada
en otras ubicaciones a la derech a de la ecuación :
eXyWy ++= 11 βρ (4)
)N(0,~ 2 Iσµ
Donde y es el vector de observ aciones de la v ariable dep en diente, ρ es el coeficiente
autorregresivo espacial, yW1 representa el rezago esp acial de la var iable en dógena y X es la
matriz de var iables in depen dientes con sus respectivos co eficientes β .
4.2.2 Modelo de Error Espacial (Model o de Media Móvil Espacial)
La variable depen diente no está correlacionada por sí misma, en este caso es el término
de error el que está correlacionado espacialmente, como se ve a continuación en la expresión
de la forma reducida del modelo:
εβ += 1Xy (5)
µελε += 2W
)N(0,~ 2 Iσµ
Donde y es el v ector de o bservaciones de la variable depen diente, X es la matriz de
variables in dep endientes y sus resp ectivos co eficientes β , ε2W es la matriz de pesos
espaciales multiplicada por el término de error ε y λ es el co eficiente autorregresivo
espacial.
4.2.3 Modelo Autorregresi vo Espacial y de Media Móvil
Tanto la variable depen diente como el término de error están autocorrelacionados
espacialmente:
εβρ ++= 11 XyWy (6)
µελε += 2W
)N(0,~ 2 Iσµ
17
Donde y es el v ector de o bserv aciones de la v ariable depen diente, ρ es el coeficiente
autorregresivo espacial, yW1 es representa el r ezago esp acial de la variable y , X es la matriz
de var iables indepen dientes con sus respectivos coeficientes β , ε2W representa el rezago
espacial en el término de error ε y λ es el coeficiente autorregresivo esp acial.
Los aspectos gen erales del análisis espacial permiten entender la forma en que se va
abordar el estudio ante la presencia de dep endencia esp acial. El soporte teórico sobre el que se
formularán lo s modelos estimados con herramientas de la econometría espacial, se presenta a
continuación.
5. MARCO TEÓ RICO
El sustento teórico de este trabajo es la hipótesis de la Curva Ambiental de Kuznets
para explicar la sen da que relaciona la contaminación ambiental y/o degradación de los
recursos naturales y el crecimiento económico de un país. Este concepto que originalmente
fue planteado por Kuzn ets (1955) para explicar el comportamiento de la desigualdad en el
ingreso a medida que tiene lugar el desarrollo económico, se utilizó a partir de la década de
los 90´s como sustento teórico a nivel macroeconómico para analizar las relaciones medio
ambiente y desarrollo.
Específicamente se post ula que esta relación tiene forma de U invertida, lo cual
implica que en lo s primeros estados de una economía, asociados a bajos niveles de ingreso per
cápita, se presentan bajo s niveles de contaminación y deterioro de lo s recursos naturales pero
esta relación es creciente; a medida que aumenta el in greso aumenta también la contaminación
y el deterioro de lo s recursos naturales, hasta un n ivel de ingreso a partir del cual, mayor
ingreso per cápita implica una dismin ución en los niveles de contaminación. Lo anterior
implica que existe un niv el máximo de contaminación a partir del cual la relación entre
crecimiento económico y calidad ambiental se invierte y pasa de ser positiva a negativa.
En la Figura 4 se aprecia esta relación, tomando (E=e/y), que se encuentra en el eje
vertical, como las emisiones per cápita y a (Y= y/p) como el in greso per cápita representado
en el eje hor izontal y p artiendo desde cero tanto para el nivel de emisiones y de ingreso ; se
aprecia cómo E aumenta a medida que aumenta el in greso hasta un umbral de in greso Y* a
partir del cual se revierte el comportamiento de las emision es.
18
Figura 4Curva Ambiental de Kuznets
E
0=dYdE
0>dYdE
0<dYdE
Y
*Y
Fuente: To mado con modi ficaciones de Andreoni y Levinson (1998).
De acuerdo con Panayotou (1993), este comportamiento se podría explicar porque el
desarrollo im plica un cam bio estructural que se refleja en un a mayor conciencia so bre el v alor
intrínseco del m edio am biente y se traduce en más y mejor regulación, sum ado a una mejor
tecnología que f acilita procesos más lim pios.
En los est udios existentes para la Curva Ambiental de Kuzn ets predom ina el carácter
empírico don de al m odelar indicadores de impacto am biental y de degradación de lo s recursos
naturales, se plantea un a función que p uede ser tanto cuadrática com o cúbica del in greso per
cápita.
De acuerdo con Stern (2004), el mo delo estándar cuadrático se puede expresar como:
ititittiit PYPYPE εββγα ++++= 221 ))/(ln()/ln()/ln( (7)
Donde E son las emisiones totales, P es la población y Y es el ingreso, los primeros
dos términos son los interceptos que varían de acuerdo a los países o regiones i y con el
tiempo t . Los supuestos del modelo son: el nivel de emisiones per cápita puede ser diferente
entre países a cualquier nivel particular de ingreso y la elasticidad del ingreso es la misma en
todos los países para un nivel de ingreso dado.
El punto máximo de emisiones se expresa como:
))2/(exp( 21 ββτ −= (8)
Entre los trabajos más recientes de estimación de la CAK que se han realizado se han
expuesto conclusiones que soportan la ex istencia de la relación propuesta, mientras otros por
su parte no encuentran ningún sustento. Barbier (2003) a partir de un análisis detallado de
19
algunos contaminantes y su relación con el crecimiento económico argumenta que éste no
necesariamente implica un mejoramiento de la condición de calidad ambiental.
6. ANALÍS IS DE DATOS
Tradicionalmente la estimación de la CAK se realiza a través de la variable Ingreso Per
Capita y var iables para la degradación ambiental también en términos Per capita. Este análisis
utiliza un enfoque al estilo de la CAK, para rev isar como indicadores de pobreza como el
Índice de Calidad de Vida (ICV) y el de Necesidades Básicas Insatisfechas (NBI) se
relacionan con variables ambientales como la Demanda Biológica de Oxigeno (DBO) Per
cápita y el Índice de Escasez de Agua (IEAM) a nivel mun icipal
A partir de un mapa digital de Colombia se obtuv ieron las coberturas municipales que
contienen la siguiente información anidada básica: identificador del polígono, código, nombre,
área en hectáreas y jurisdicción de la CAR para cada municipio en el año 2000. Esta
información está contenida en el Aplicativo Informar desarrollado por el In stituto de
Investigación de Recursos Biológicos Alexander Von Humboldt, el sistema además recopila
datos relacionados con los recursos biológicos del país por lo cual también se tomaron las
variables hídricas: DBO para medir la contaminación del agua a nivel municipal en toneladas
por año y el IEAM que se mide como: la Demanda Anual de Agua sobre la Oferta Anual
Reducida Año por 100, las dos var iables también estaban disponibles para el año 2000.
Para el análisis de la pobreza se utilizó el NBI que se encuentra disponible en el último
censo realizado en el 2005, éste considera pobre una persona que no tenga cubierta una de las
necesidades básicas def inidas12, e indigente si tiene al menos dos. La variable se mide como el
porcentaje de personas clasif icadas como pobres dentro de cada mun icip io13.
Se utilizó también el ICV elaborado por el Departamento Nacional de Planeación y
disponible para el año 2003, que se def ine como un puntaje continuo de 0 a 100 puntos que
12 De acu erdo con ME RPD- DNP (2006) se considera co mo pobre a aquellos hogares o personas que tengan insatisfecha al menos una de cin co necesidades definid as co mo bási cas: Vivienda inadecuad a (Vivienda con piso de tierra o material precario en l as pared es), Vivienda sin s ervicios (Hogar sin agua por acueducto o, en áreas urbanas , sin conexión a alcantarillado o pozo séptico), Hacinamiento crítico (Nú mero d e personas por cu arto superior a 3), Inasistencia escol ar (Hog ar con niños de 7 a 11 años qu e no asisten a la es cuela) y Alta dependencia econó mica (Hogar con más de tres personas por miembro o cupado y cuyo jefe tenga, co mo máxi mo, tres años de educación primaria ap robados). 13 A aquellos municipios para los que no se cu enta con info rmación sufici ente el DANE asigna el máxi mo valor (100%) para la esti mación.
20
resulta de la suma de puntajes sobre las mismas variables evaluadas a través del NBI más
variables adicionales de cap ital humano y segur idad social. 14
Las diferencias que se presentan entre los dos indicadores se deben básicamente a la
forma como se mide cada uno dado que el ICV tiene en cuenta variables adicionales al NBI, a
que cada índice corresponde a años diferentes y a que el Índice de Necesidades Básicas
Insatisfechas esta disponible para más municipios que el Índice de Calidad de Vida.
En este análisis se hace el supuesto de que entre los años 2000 y el 2005 no se dio un
cambio sustancial en términos de reducción de pobreza en el país. 15
A continuación se presentan las estadísticas descriptivas para las variables que se van a
utilizar:
Cuadro 3 Estadísticas Descri pti vas de las Varia bles de A nálisis
VARIABLES UNIDAD AÑO OBSERVACIONES MEDIA VARIANZADESVIACIÓN
ESTÁNDAR
Demanda Biológica de Oxígeno Per Cápita
Toneladas por Año 2000 1044 0,22 0,072 0,27
Índice de Escasez de Agua Año Medio Porcentaje 2000 1044 3,5 333 18
Índice de Calidad de Vida Puntaje 2003 1044 64 42 7
Índice Necesidades Básicas Insatisfechas
Porcentaje 2005 1044 43 385 20
Área Hectáreas 2000 1044 89653 93.677.698.856 306.068
Fuente: Datos Aplicativo Informar (2000), DANE (2005) y DNP (2003).Elaboración P ropia
7. MODELO EMPÍRICO
El modelo empírico que se p lantea se baza en el postulado de la CAK para formular la
relación entre las variables hídricas utilizadas y el nivel de desarrollo. Como se explico
14 “Este índice combina indicadores de bienes físicos (características de la vivienda y acceso a servicios públicos) con capital hu mano pres ente y potencial (años de educación de jefes de hogar y de mayores d e 12 años, asistencia es colar de niños y jóvenes ) y co mposición del hogar (h acin ami ento y proporción de niños menores de seis años)” MERPD- DNP (2006), p . 17. 15 Desafortunad amente no se contó con datos del mismo periodo para hacer el estudio de manera más precisa, sin embargo se an alizó el co mportamiento de las medid as de pobreza utilizadas, entre esos años (Ver Anexo 1) y no se encontraron diferencias significativas. Lo anterio r sugiere que es adecuado formular este supuesto y que no tiene i mplicaciones i mportantes sobre los resultados que se obtengan .
21
anteriormente la causalidad de la relación entre degradación ambiental y desarro llo puede ser
de doble vía, ésto implica que una hipótesis alternativa podría ser que la calidad y la
disponibilidad hídr ica afectan el desarrollo económico. En este trabajo sigue la formulación
del modelo estándar propuesto por la CAK sin desconocer que el problema queda abierto a la
posibilidad de la aplicación de otros enfoques.
En la definición del modelo empírico para analizar la relación entre la variable de
calidad del agua junto con la de escasez y el desarrollo económico a nivel municipal, se utiliza
la forma funcional defin ida en (1) que representa el comportamiento de la Curva Ambiental de
Kuznets:
iiiii AREAPOBREZAPOBREZAPCDBO )ln())(ln()ln()ln( 32
21 βββα +++= (9)
iiiii AREAPOBREZAPOBREZAIEAM )ln())(ln()ln()ln( 32
21 βββα +++= (10)
Donde las variables dependientes son: DBO como una medida de la calidad del agua e
IEAM para medir la disponibilidad hídrica, las var iables explicativas corresponderán a los
índices de pobreza que se van a trabajar como una variable proxy para desarrollo económico
de cada municipio y su respectivo cuadrado, además se incluyó la variable AREA dado que el
desarrollo económico se encuentra concentrado en una extensión pequeña del territorio
mientras una vasta parte comprende regiones en las que la presión sobre el recurso tiene un
efecto marginal por sus características geográficas e hidro lógicas.
El análisis univar iado y multivariado requiere de la def inición de la matriz de pesos
espaciales w , que como se explicó anteriormente se usa para crear los rezagos espaciales que
son un promedio de los valores vecinos. El criterio de vecindad que se escoja determinará los
valores vecinos sobre lo s que se hará el promedio. En este trabajo se utilizarán matrices del
tipo torre (Rook) debido a que si no se tiene ningún criterio de decisión adicional, las
propiedades de esta matriz, son las más deseables al trabajar con polígonos irregulares como
en este caso, además porque este criterio tiene en cuenta un menor número de municipios
vecinos; de esta manera las observaciones vecinas tendrían una mayor influencia sobre la
variable.
8. RES ULTADOS
Tomando el NBI, que se encuentra disponible para un mayor número de m unicip ios,
en el Mapa 1 se puede apreciar la distribución de la pobreza en el país; para reconocer a pr iori
las posibles correlaciones que se pueden estar presentando.
22
Como se había enunciado anteriormente la localización de lo s municipios que
presentan lo s mayores índices de pobreza, corresponden en su mayoría a las regiones
periféricas del país relacionadas con lo s extremos o fronteras. Es así como entre las regiones
más pobres se encuentran el occidente nariñense, Chocó, Caquetá, sur del Meta, Amazonas,
Putumayo y Guainía, mientras al interior del país las zonas más pobres se encuentran en el Piedemonte Llanero y en la Costa Atlántica, en lo s departamentos de Córdoba, Sucre y el sur
de Bo lívar.
Entre las regiones con mayor desarrollo económico, se destacan el Valle del Cauca y el
Eje Cafetero, Antioquia, la Sabana Cundiboyacense, Huila y Tolima. En el norte del país, se
encuentran en condición económica favorable, parte del departamento del Atlántico,
alrededores de Cartagena (Bolívar) y de Cúcuta (Norte de Santander) y algunos mun icip ios de
los Llanos Or ientales (Meta y Casanare).
Ma pa 1 Percentiles para Índice de Necesida des Básicas I nsatisfechas (2005)
Fuente: Estimación propia en GeoDa™
Con respecto a la contaminación hídrica, como se aprecia en el Mapa 2, se tiene que la mayoría de los m unicipios en la región central se agrupan en lo s tres últimos percentiles, lo
cual indica que en esta zona se ejerce una influencia negativa importante sobre la calidad del
recurso a excepción del departamento de Antioquia, donde la mayoría de los municipios se
ubican en el segundo percentil que representa las menores emisiones de DBO per cáp ita.
23
Mapa 2 Percentiles Dema nda Biológica de Oxigeno per capita munici pal (2000 )
Fuente: Estimación propia en GeoDa™
En el Mapa 3, se observa cómo en la región central, al igual que al norte y noroccidente del país, la mayoría de m unicipios se ubican en el cuarto percentil que implica
altos índices de escasez de agua en un año promedio, sin embargo el resto del país en especial
las zonas periféricas se ubican en lo s percentiles uno y dos; indicando bajo riesgo de
desabastecimiento hídr ico.
24
Mapa 3 Índice de Es casez de Agua año Medio a nivel municipal (2000)
Fuente: Estimación propia en GeoDa™
8.1 ANÁLIS IS UNIVARIADO
Las diferencias regionales que se presentan para las var iables de interés justifican a
priori, hacer uso de los estadísticos de dependencia espacial a n ivel global y local para
determinar la existencia de patrones significativos de asociación espacial en la distribución de
las variables en el territorio. Este análisis se realiza continuación.
8.1.1 Análisis de Correlación Global
En la Figura 5 se presentan los diagramas de dispersión del estadístico I de Moran para
el Índice de Calidad de Vida y el de Necesidades Básicas Insatisfechas para contrastar la
presencia de un esquema de autocorrelación espacial global. En el diagrama la línea de
regresión que atraviesa los puntos distribuidos dentro de los cuatro cuadrantes representa el
valor del estadístico.
El estadístico I de Moran para los indicadores de pobreza ICV y NBI es de 0.5584 signif icativo al 1% (valor p de 0.0010) y de 0.6247 sign ificativo al 1% (valor p de 0.0010),
respectivamente; lo anterior muestra que hay una correlación positiva entre las variables (eje
x) y sus respectivos retardos espaciales (eje y). La dispersión de lo s puntos en el plano entre
los cuadrantes I y III, implica que las poblaciones con un ICV alto están rodeadas de
poblaciones que también tienen un alto ICV (cuadrante I) y las poblaciones con un bajo ICV
25
están rodeadas de poblaciones que presentan un bajo ICV (cuadrante III), se puede hacer el
análisis equivalente para la variable NBI.
Figura 5 Análisis de Auto correlació n Global: Diagra ma de Dispersión del Esta dístico I de Moran para las Varia bles ICV y NBI
(A) (B)
Fuente: Estimación propia en GeoDa™
Para la variable que mide la calidad del agua (DBO per cápita), en la figura 6.A se
observa una correlación positiva y significativa al 5% entre las observaciones de la var iable y
el rezago espacial de ésta (I de Moran de 0.0459 con un valor p de 0.0150). Por su parte la
variable que mide la disponibilidad del recurso (IEAM) Figura 6.B, tiene un índice de
autocorrelación global positivo de 0.0138 que no es signif icativo (valor p de 0.1090).
Figura 6 A nálisis de A utoco rrelación Global: Diagrama de Dispersión del Esta dístico I de Mora n para las Variables DB O per cápita e IEAM
(A) (B)
Fuente: Estimación propia en GeoDa™
Los resultados obtenidos del análisis de dependencia global a nivel univariante
muestran; la presencia de autocorrelación espacial positiva y, con excepción de la variable
26
IEAM, significativa. De este apartado también se puede concluir que las medidas de pobreza
presentan una mayor correlación espacial que las variables hídricas.
8.1.2 Análisis de Correlación Local
Si bien el test de autocorrelación anteriormente descrito es válido para contrastar la
presencia de un esquema estadísticamente significativo de autocorrelación, éste es calculado
de forma conjunta para toda la muestra lo cual impide conocer si existen clusters de
municipios localizados en áreas específicas del territorio donde se concentren valores más
elevados o más bajos que en el resto del país. En esta sección se procede al cálculo del
estadístico LISA
El análisis de correlación local univariado para el Índice de Necesidades Básicas
Insatisfechas se muestra en los Mapas 4 y 5 y para el Índice de Calidad de Vida en los Mapas
6 y 7. Los Mapas 4 y 6 muestran agrupaciones tanto de municipios que de acuerdo con los
índices no se considerarían pobres cómo de lo s que si están dentro de esta clasif icación. El
color rojo para el caso del ICV (azul para el NBI) representa lo s clu sters de m unicipios que
muestran mejores indicadores, básicamente: en la Región Andina, en la Costa Atlántica y
parte de los Llanos Orientales, mientras en azul (Rojo para el NBI) se identifican lo s clusters
de pobreza donde el sur del país presenta una proporción importante de lo s municipios más
pobres.
En lo s Mapas 5 y 7, tras el cómputo del contraste iI , se resaltan aquellas regiones que
presentan lo s valores significativos de dicho contraste. Los clusters identificados en los Mapas
5 y 7, en su mayoría, son signif icativos al 1 y 5 %.
27
Ma pa 4 LISA (Local Indicato r of Spatial Association) Clusters NBI
Fuente: Estimación propia en GeoDa™
Ma pa 5 LI SA (Lo cal I ndica tor of Spatial Associatio n) Sig nificancia NBI
Fuente: Estimación propia en GeoDa™
28
Ma pa 6 LISA (Local Indicato r of Spatial Association) Clusters ICV
Fuente: Estimación propia en GeoDa™
Ma pa 7 LISA (Local Indicator of Spatial Association) Significancia IC V
Fuente: Estimación propia en GeoDa™
Los Mapas 8 y 9 evidencian la ex istencia de clusters ( sign ificativos al 5 y 1%) de
municipios que ejercen menor presión sobre los recursos hídricos, básicamente en los departamentos de Antioquia, Meta y Nariño como lo muestran las áreas azules. Para el caso de
clusters de contaminación del agua éstos se presentan en los departamentos de Norte de
Santander, Santander, Boyacá, Cundinamarca y Valle del Cauca, como lo muestran las áreas
en rojo.
29
Ma pa 8 LI SA (Lo cal I ndica tor of Spatial Associatio n) Cl usters DB O per cápita
Fuente: Estimación propia en GeoDa™
Ma pa 9 LI SA (Lo cal I ndica tor of Spatial Associatio n) Sig nificancia DBO per cápita
Fuente: Estimación propia en GeoDa™
En los Mapas 10 y 11 para la var iable Índice de Escasez de Agua Año Medio, se
observa claramente que las zonas periféricas representan agrupaciones de municipios con
poco riesgo de desabastecimiento hídrico. La autocorrelación que predomina es
estadísticamente sign ificativa al 1% , para las regiones que no presentan problemas de escasez
de agua que están rodeadas de regiones con características similares; se puede observar que en
los departamentos de Antioquia y Casanare, por ejemplo, existe un cluster de municipios que
30
no enfrentan problemas de desabastecimiento hídrico con un nivel de significancia del 5%.
Para el caso de de algunos municipios de los departamentos de Cundinamarca, Tolima,
Santander, Bolívar y Atlántico, existen autocorrelaciones bastante significativas entre
municipios que enfrentan problemas de insuficiencia hídrica.
Ma pa 10 (Local Indicato r of Spa tial Association) Clusters IEA M
Fuente: Estimación propia en GeoDa™
Ma pa 11 LISA (Lo cal I ndicator of Spatial Associatio n) Significancia I EA M
Fuente: Estimación propia en GeoDa™
31
8.2 ANÁLISIS MULTIVARIADO
Aunque las variables dependientes DBO per capita e IEAM están autocorrelacionadas
positivamente en el espacio, el valor del estadístico I de Moran en lo s dos casos fue reducido y
no signif icativo para la variable IEAM; por lo tanto no es evidente que el modelo espacial mas
adecuado sea el de rezago espacial.
Partiendo del modelo propuesto en la ecuación 9, al realizar la estimación por M CO16,
como se muestra en el Cuadro 4, se obtiene como resultado un ajuste del modelo de 2.45 % y de 3% utilizando como variables exp licativas lo s dos índices de pobreza propuestos: ICV y
NBI, respectivamente. Las variables exógenas son estadísticamente significativas y tienen el
signo esperado lo cual indica que la relación propuesta entre la contaminación hídr ica a nivel
municipal se comporta como una parábola invertida, de acuerdo a la formulación teórica de la
Curva Ambiental de Kuznets.
Cuadro 4 Es timación a tra vés de Míni mos Cuadrados Ordi narios del Mo delo 9 utili zando como varia bles independientes las dos medi das de po breza
Variables independientes
Variable dependiente
LNDB O Variables independientes
Variable dependiente
LNDB O -60.458 -3.643
CONSTANTE (0.000) *** CONSTANTE (0.000) ***
28.765 1.332 LNICV (0.000) *** LNNB I (0.000) ***
-3.491 -0.190
LNICV2 (0.000) *** LNIB I2 (0.000) *** -0.0400 -0.0296
LNAREA (0.000) *** LNAREA (0.014) **
ESTADISTICO DE PRUEB AS DEL MODELO
R2 0.024 R2 0.030 Log likelihood -632.242 Log likelihood -628.84
Akaike inf o criterion 1272.48 Akaike inf o criterion 1265.68 Schwarz criterion 1292.29 Schwarz criterion 1285.48
N 1044 N 1044 DIAGNOSTICO DE DEPENDENCIA ESPACIAL
110.073 106.750
Lagrange Multiplier (lag) (0.000) *** Lagrange Multiplier (lag) (0.000) ***
1 6 Entre l as formas fun cionales posibles s e prefirió el modelo LOG-LO G definido en l a ecuación 1 po r la sencillez d e la interpretación de sus coeficientes que represent an el asticidades, su mado a que la estimación de este tipo de mod elos permit e solucionar problemas de heterocedasticidad , de existencia de observaciones atípicas y de distribuciones asi métricas en los residuos. Esta especi ficación, ad emás, mostró los mejores resultados reportados para los datos y la relación no lineal propuesta.
32
1.348 1.316
Robust LM (lag) (0.245) Robust LM (lag) (0.251) 115.712 112.355
Lagrange Multiplier (error) (0.000) *** Lagrange Multiplier (error) (0.000) *** 6.986 6.921
Robust LM (error) (0.008) ** Robust LM (error) (0.008) **
117.060 113.672
Lagrange Multiplier (SARMA) ( 0.000) *** Lagrange Multiplier (SARMA) (0.000) *** Variable significativa al (*) diez por ciento, (**) cinco por ciento y (***) uno por ciento.
Fuente: Estimación propia en GeoDa™
En la Figura 7 se muestra que el punto de quiebre de la relación entre la contaminación
hídrica medida a través de la Demanda Biológica de Oxigeno Per capita y NBI, se presenta
cuando el valor del logaritmo del índice es 3,50 que en niveles representa un NBI de 33,11%.
Esto implica que mun icip ios con un porcentaje de hogares con necesidades básicas
insatisfechas por debajo del 33%, se pueden asociar a lo s municip ios que generan menores
niveles de contaminación hídr ica en términos de DBO.
Figura 7 R elación LN DBO y LN NBI
-4,5
-4
-3,5
-3
-2,5
-2
-1,5
-1
-0,5
00 1 2 3 4 5
LN NBI
LN
DB
O
Fuente: Datos Aplicativo Informar (2000), DANE (2005) y DNP (2003).Elaboración Propia
Los resultados que se muestran en el Cuadro 4, quedan invalidados puesto que los
contrastes de los multiplicadores de Lagrange para el rezago (LM-LAG), para el error (LM-
ERR) y para ambos (SARM A), que se muestran en la salida que resulta de correr la regresión
por MCO en GeoDa™, rechazan la hipótesis nula de no ex istencia de autocorrelación espacial
lo cual implica que es adecuado formular un modelo espacial para corregir la dependencia que
presenta el modelo. A continuación se presentan los tres modelos espaciales posibles:
33
LNAREALNPOBREZALNPOBREZAWLNDBOLNDBO 42
321 )( ββββα ++++= (11)
WERRORLNAREALNPOBREZALNPOBREZALNDBO 432
21 )( ββββα ++++= (12)
WERRORLNAREALNPOBREZALNPOBREZAWLNDBOLNDBO 542
321 )( βββββα +++++= (13)
Donde WLNDBO representa la var iable dependiente rezagada en el espacio y WERROR incluye la dependencia espacial en los residuos.
En el Cuadro 5 se presentan los resultados obtenidos para lo s tres modelos espaciales que se
estimaron utilizando como variable dependiente el Índice de Necesidades Básicas
Insatisfechas, ya que con esta variable exógena el modelo presentó un mayor R2 en la
estimación por M CO.
Los modelos presentan un mejor ajuste que se refleja en un error estándar más bajo
que el obtenido a través de MCO ya que tanto el estadístico Akaike como el criterio de
Schwarz son inferiores en los modelos espaciales, además presentan un valor de verosimilitud
mayor17.
Para el modelo de rezago espacial, el modelo de error espacial y en el modelo
SARMA, todas las variables son signif icativas y tienen los signos esperados conf irmando la
relación en forma de U invertida entre el desarrollo y la contaminación hídr ica a nivel de los
municipios de Co lombia para un momento dado del tiempo. Con respecto a la dependencia
espacial, el único modelo que corrige el efecto espacial, es el modelo Autoregresivo Espacial
y de Media Móvil (SARMA) como lo muestra el Likelihood Ratio Test; de los tres, es el
único modelo para el que no se rechaza la hipótesis de no autocorrelación espacial.
Cuadro 5 Estimación de los tres posi bles modelos es paciales
MODELO Rezago Espacial Error Espacial
Autorregresivo Espacial y de Media Móvil
Variables independientes Variable dependiente LNDBO
0.377 0.027 W_LNDB O (0.000)*** (0.027) **
-2.652 -3.564 -3.449 CONSTANTE (0.000)*** (0.000)*** (0.000) ***
1.054 1.175 1.175 LNNBI (0.000)*** (0.000)*** (0.000) ***
1 7 El R2 que se obtiene al correr el modelo por Míni mos Cuadrados Ordinarios no es co mprable con el que se obtiene en modelos esti mados que incorporan un co mponente espacial debido a que estos son modelos estimados por Máxi ma Verosi militud.
34
-0.148 -0.163 -0.165
LNIBI2 (0.000)*** (0.000)*** (0.000) ***
-0.02111306 -0.017 -0.021 LNAREA (0.064)* (0.216) (0.055)*
0.411 0.630 W ERRORNBI (0.000) *** (0.000) ***
ESTADISTICO DE PRUEB AS DEL MODELO
R2 0.133 0.143 0.159
Log likelihood -585.002 -582.460 -554.47
Akaike inf o criterion 1180 1172.92 1120.94 Schwarz criterion 1204.76 1192,724 1150.64
N 1044 1044 1044 DIAGNOSTICO DE DEPENDENCIA ESPACIAL
87.675 92.758 0.194 Likelihood Ratio Test (0.000)*** (0.000)*** (0.659)
Variable significativa al (*) diez por ciento, (**) cinco por ciento y (***) uno por ciento.
Fuente: Estimación propia en GeoDa™
El análisis para el Índice de Escasez de Agua a través de la estimación por MCO del
Modelo 10, que se presenta en el Cuadro 6, muestra un mayor ajuste que en el análisis que se
hizo para contaminación. El desarro llo de los municipios estaría explicando un 16 %,
aproximadamente, de la dispon ibilidad del recurso hídrico (entendida como la relación entre
oferta y demanda). Para el modelo que se estima con el Índice de Necesidades Básicas
Insatisfechas se tiene que ni ésta variable ni su cuadrado son significativas, sin em bargo, no
ocurre lo mismo al utilizar el Índice de Calidad de Vida donde todas las var iables son
signif icativas, por lo cual se va a utilizar ésta como variable dependiente en la estimación de
los modelos espaciales.
Los signos de la variables independientes m uestran que, contrario a la forma propuesta
por la Curva Am biental de Kuznets, la relación entre la disponibilidad del recuso hídrico y el
desarrollo tiene forma de U; mun icip ios muy pobres tienen problemas de escasez de agua,
como es el caso de municipios de la Costa Atlántica, y en la medida que lo s mun icip ios son
menos pobres presentan menores problemas de abastecimiento hasta un punto a partir del cual
un mayor desarrollo esta ligado a mayores índices de escasez de agua; como es el caso de
región central, donde la demanda de agua es muy alta y la oferta no es suficiente, por las
características hidro lógicas de la región y por la mayor presión a la que se expone el recurso.
En la Figura 8 se puede apreciar la concavidad de la relación entre el Índice de Escasez
Hídrico y el Índice de Calidad de Vida. El punto a partir del cual cambia el comportamiento;
35
es 3,97 en logaritmo, este valor representa un nivel de ICV de 53,01.Dado que el IEAM se
construye como la oferta h ídrica sobre la demanda, este resultado implica que la porción
decreciente de la curva se puede asociar con oferta suficiente del recurso, mientras la parte
creciente se asocia con una mayor demanda relacionada con mayor desarro llo económico
(municip ios con Índice de Calidad de Vida superiores a 53).
Figura 8 Relación LN I EAM y LN ICV
-20
0
20
40
60
80
100
120
140
0 1 2 3 4 5
LN ICV
LN
IEA
M
Fuente: Datos Aplicativo Informar (2000), DANE (2005) y DNP (2003).Elaboración Propia
Al igual que en el caso de la contaminación se rechaza la h ipótesis nula de no
existencia de autocorrelación espacial sugiriendo que es adecuado introducir el factor espacial
en el modelo, a continuación se especif ican los tres modelos posibles:
LNAREALNPOBREZALNPOBREZAWLNIEAMLNIEAM 42
321 )( ββββα ++++= (14)
WERRORLNAREALNPOBREZALNPOBREZALNIEAM 432
21 )( ββββα ++++= (15)
WERRORLNAREALNPOBREZALNPOBREZAWLNIEAMLNIEAM 542
321 )( βββββα +++++= (16)
Donde WLNIEAM representa la variable dependiente rezagada en el espacio y
WERROR incluye la dependencia espacial en los residuos.
Cuadro 6 Es timación a tra vés de Míni mos C uadrados Ordi narios del Mo delo 10 utili zando como varia bles independientes las dos medi das de po breza
Variables independientes Variable dependiente LNIEAM
Variables independientes Variable dependiente LNIEAM
137.688 7.499 CONSTANTE (0.042) **
CONSTANTE (0.000) ***
LNICV -67.181 LNNB I -1.155
36
(0.039) ** ( 0.296) 8.460 0.056 LNICV2
(0.031) ** LNIB I2
(0.717)
-0.494 -0.434 LNAREA (0.000) ***
LNAREA ( 0.000) ***
ESTADISTICO DE PRUEB AS DEL MODELO
R2 0.160 R2 0.165 Log likelihood -2033.05 Log likelihood -2030.01
Akaike inf o criterion 4074.1 Akaike inf o criterion 4068.03
Schwarz criterion 4093.9 Schwarz criterion 4087.82 N 1042 N 1042
DIAGNOSTICO DE DEPENDENCIA ESPACIAL 327.747 318.526 Lagrange Multiplier (lag)
(0.000) *** Lagrange Multiplier (lag)
( 0.000) ***
5.441 3.992 Robust LM (lag) (0.019) **
Robust LM (lag) (0.045) **
335.304 28.631 Lagrange Multiplier (error) (0.000) ***
Lagrange Multiplier (error) (0.000) ***
12.998 14.097 Robust LM (error) (0.000) ***
Robust LM (error) (0.000) ***
340.746 332.623 Lagrange Multiplier (SARMA) ( 0.000) ***
Lagrange Multiplier (SARMA) (0.000) ***
Variable significativa al (*) 10 por ciento, (**) cinco por ciento y (***) uno por ciento.
Fuente: Estimación propia en GeoDa™
Los resultados obtenidos para los modelos espaciales propuestos se presentan en el
Cuadro 6, como en el caso anterior, éstos m uestran un mejor ajuste representado en unos
estadísticos Akaike y Schwarz menores y un valor de verosimilit ud mayor que los obtenidos
en la estimación por Mínimos Cuadrados Ordinarios.
En este modelo todas las variables son sign ificativas y los signos obtenidos confirman
la relación en forma de U entre disponibilidad de agua y el desarrollo económico a nivel
municipal. El efecto espacial so lamente se corr ige introduciendo en la modelación tanto la
dependencia espacial de la variable IEAM, como la dependencia residual ,con la estimación
del modelo Autoregresivo Espacial y de Media Movil (SARMA), como lo muestra el
Likelihood Ratio Test ya que para este modelo no se rechaza la hipótesis de no
autocorrelación espacial.
El signo negativo de la variable AREA, al igual que en el caso de la contaminación,
está explicando cómo vastas regiones perifér icas al sur del país presentan la mejor situación
en términos hídr icos, factor que es importante al momento de pensar en el modelo de
desarrollo que se desea para esta región.
37
Cuadro 6 Estima ción de los tres posibles modelos espa ciales
MODELO Rezago Espacial Error Espacial Autorregresivo Espacial y de Media Móvil
Variables independientes
Variable dependiente LNIEAM
0.588 0.081 W _LNIEAM
(0.000)***
( 0.056) *
103.785 166.034 143.921 CONSTANTE
(0.039)** (0.004)*** (0.011)** -50.546 -82.257 -71.29
LNICV (0.036)** (0.003)*** ( 0.008)***
6.302 10.355 9.013 LNICV2
(0.030)** (0.002)*** ( 0.006)*** -0.265 -0.340 -0.368
LNAREA (0.000) *** (0.000) *** ( 0.000)***
0.642 0.781 WERROR
(0.000) *** (0.000) ***
ESTADISTICO DE PRUEB AS DEL MODELO
R2 0.430 0.447 0.414
Log likelihood -1764.79 -1758.246 -1845.95 Akaike inf o
criterion 3539.58 3524.49 3703.91
Schwarz criterion 3564.33 3.544.295 3733.6
N 1044 1044 1044
DIAGNOSTICO DE DEPENDENCIA ESPACIAL 94.872 278.050 1.678 Likelihood Ratio
Test (0.000) *** (0.000) *** (0.195) Variable significativa al (*) diez por ciento, (**) cinco por ciento y (***) uno por ciento.
Fuente: Estimación propia en GeoDa™
A partir de lo s resultados obtenidos se puede decir que la formulación de los modelos
espaciales es adecuada, en cuento a que éstos presentan un mejor ajuste en comparación con
los resultados que se obtienen al correr una regresión estándar de Mínimos Cuadrados
Ordinarios, además, muestran que para el análisis de la relación existente entre las variables
hídricas utilizadas y el desarrollo; se logra corregir la dependencia espacial mediante la
inclusión del retardo espacial tanto de la variable dependiente como la residual a través de la
estimación de un Modelo Autoregresivo Espacial y de Media Móvil (SARMA).
9. CONCLUS IONES Y RECOMENDACIONES
El análisis planteado en este documento es novedoso en la medida que constituye un
ejercicio empírico con base al postulado teórico de la Curva Ambiental de Kuznets con la
incorporación de técnicas de la econometría espacial. Se tiene como hipótesis que la relación
38
de las variables hídr icas; Demanda Bio lógica de Oxigeno per capita e Índice de Escasez de
Agua año Medio y lo s índices de pobreza (Índice de Calidad de Vida y de Necesidades
Básicas Insatisfechas) para los mun icip ios de Colombia, podría ser explicada a través de ésta
postulación teórica que sugiere que la relación entre la riqueza y la degradación ambiental
tiene forma de U invertida.
Las variables de est udio tienen una dimensión espacial que plantea aspectos
importantes no solo para el ejercicio econométrico de validación de resultados sino también en
materia de la toma de decisiones y en el planteamiento de políticas dado que pone de
manifiesto la importancia del enfoque regional que requiere el tema propuesto. Este trabajo de
investigación hizo uso de la econometría espacial para capturar el comportamiento en el
espacio que presentan las var iables explicadas y explicativas e incorporar ese factor en la
determinación de la relación propuesta entre el nivel de desarro llo de lo s municipios de
Colombia y la escasez y contaminación hídrica que enfrentan.
Una pr imera parte consistió en el examen individual de las variables para establecer si
efectivamente el comportamiento de éstas dependía de su comportamiento en las un idades
vecinas. El análisis univariado arro jó que efectivamente tanto las variables dependientes: el
indicador de presión sobre el recurso (en términos de DBO per cápita) y del Índice de Escasez
de Agua, como las independientes: los índices para medir la pobreza, resultaron estar
autocorrelacionadas en el espacio. Para las variables de pobreza se encontró una alto de grado
de autocorrelación espacial, corroborando los resultados encontrados en estudios anteriores
sobre la dimensión espacial de la pobreza en el país.
Las pruebas de autocorrelación indiv idual comprobaron la presencia de clusters de
pobreza y de una situación favorable en términos hídr icos para gran parte del territorio
nacional; la zona que comprende la selva amazónica al sur del territorio.
El análisis multivariado consistió en pr incipio en la estimación por Mínimos
Cuadrados Ordinarios de los modelos econométricos propuestos, tomando como variables
dependientes el DBO per cápita a nivel municipal y el Índice de Escasez de Agua, explicadas
por las dos medidas de pobreza comúnmente utilizadas (ICV y NBI) y el área de los
municipios.
Los contrastes realizados confirman que la estimación de los modelos p lanteados
mediante econometría espacial es más adecuada que su estimación por medio de técn icas
econométricas tradicionales, que no incorporan la autocorrelación espacial presentada por las
39
variables. Los modelos econométricos espaciales planteados arrojaron resultados más robustos
y un mayor ajuste en comparación con lo s resultados obtenidos con MCO, confirmando la
idoneidad de la incorporación del componente espacial para el tratamiento del problema. El
modelo Autorregresivo Espacial y de Media Móvil (SARMA) que incorpora tanto la
autocorrelación en la var iable dependiente como la autocorrelación residual, resultó ser el más adecuado para corregir la dependencia espacial presentada.
Los resultados derivados del análisis de la contaminación h ídrica muestran que en
cuanto los municipios presentan mayores niveles de desarrollo exh iben mayores niveles de
contaminación pero a partir de un n ivel dado de desarrollo, se da una mejora en el desempeño
de la variable DBO per cáp ita. A los municipios con un porcentaje de hogares con
necesidades básicas in satisfechas por debajo del 33% se les puede asociar con mejores
condiciones ambientales, más específicamente, en términos de calidad del agua. Éste es el
caso del departamento de Antioquia con bajos índices de pobreza y donde se encontró un
cluster de baja presión sobre el recurso hídrico.
Del análisis sobre la disponibilidad hídrica se desprende que su relación con el
desarrollo económico es cóncava. Dada la composición del índice, el comportamiento
decreciente de la curva puede ser explicado principalmente por factores físicos de
disponibilidad del recurso que determinan la oferta del mismo. A partir de un mayor nivel de
desarrollo (municipios con ICV super iores a 53) la escasez del recurso se puede explicar por
una mayor demanda por el mismo, de esta manera un mayor desarrollo está ligado a mayores
índices de escasez de agua como es el caso de la Región Central.
En términos de lo s resultados obtenidos es posible realizar unas recomendaciones para
el diseño y análisis de los proyectos, programas o políticas que busquen impactar de forma
integral lo s temas que se abordaron:
• Tener en cuenta dentro del componente de pobreza del país y de las metas propuestas para
combatirla, dos aspectos que hasta el momento se han dejado de lado: el comportamiento
espacial que presenta y su relación con el medio ambiente, que pueden ser abordados
desde diferentes ángulos.
• La descentralización en materia ambiental que realizó el país es una consideración
explicita del factor regional dado que la jur isdicción de las Coorporciones Autónomas
Regionales CARs se defin ió pensado en que las entidades territoriales constituyentes
representaran geográficamente un mismo ecosistema o conforman una unidad geopolítica,
40
biogeográfica o hidrogeográfica. Tener en cuenta las diferencias regionales no solo en
términos ambientales sino económicos y propender por la autonomía administrativa y
financiera de los municipios es una forma de generar incentivos para el empoderamiento
de éstos en la formulación de políticas particulares que potencien sus capacidades
endógenas, les permita aprovechar los beneficios con lo s que cuentan y darle solución a los problemas particulares que enfrentan.
• Hacer uso de herramientas de análisis espacial para la identificación de clusters de
pobreza, de contaminación y de escasez de agua y de los procesos de difusión de éstos
fenómenos, es una herramienta muy útil para lograr una adecuada focalización a través de
las políticas de distribución de recursos y de aquellas dir igidas a aliviar lo s procesos de
deterioro y suministro del recurso hídr ico en el país.
Una clara limitante del documento fueron los datos ya que en el caso de las variables
hídricas, no se obtuvo información dispon ible más reciente a nivel municipal o que
coincidiera con los per íodos para los que están disponibles los dos índices de pobreza. Los problemas de información también se ref lejan en la inexistencia de variables al nivel de
desagregación del estudio que contribuyan a la explicación de la contaminación y de la
relación oferta-demanda del agua, por ejemplo, medidas para el tamaño de la industria y/o del
tratamiento efectivo sobre las aguas servidas a nivel municipal. Tampoco se encuentran
disponibles, a este nivel, otras variables ambientales sobre la degradación de recursos
naturales como el suelo y el recurso forestal, para las cuales sería interesante extender el
análisis.
41
REFERENCIAS
• Acemoglu, D., Johnson, S. & J.A. Robinson (2006). “Understanding Prosper ity and Poverty: Geography, Institutions and the Reversal of Fortune”. En Banerjee, A.V, Mookherjee, D. & Bénabou, R. (Eds.), Understanding Poverty. (pp. 19-36) New York: Oxford University Press.
• Acemoglu, D., Johnson, S. & J.A. Robinson (2002). “ Reversal of Fortune: Geography and Institutions in the Making of the Modern World Income Distribution”. Quarterly Journal of Economics, 117, 1231–1294.
• Andreoni, J. & Levinson, A. (1998).“The Simple Analytics of the Environmental Kuznets Curve”. National Bureau of Economic Research. NBER Working Paper No. 6739.
• Anselin, L. (1995)."Local Indicators of Spatial Association– LISA". Geographical Analysis, 27, 93-115.
• Aplicativo Informar, Instituto de Investigación de Recursos Biológicos Alexander Von Humboldt.
• Barbier E. (2003). “The Ro le of Nat ural Resources”. Economic Development Australian Economic Papers, 42 (2), 253–272.
• Barón, J.D. (2002) “Las regiones económicas de Colombia: Un análisis de Clusters”. Banco de la República, Documentos de Trabajo Sobre Economía Regional No. 23.
• Blackman, A. (2005) “Colombia s Discharge Fee Program: Incentives for Polluters or Regulators”. Resources for the Future, Discussion Paper No. 05-31.
• Bonet, J. (2007) “Porque es Pobre el Chocó”. Banco de la República, Documentos de Trabajo Sobre Economía Regional No. 90.
• Castro, R. & Bonilla, J.A., (2003). “Análisis Econométrico de la efectividad y eficiencia del programa de tasas retributivas en Colombia”. Informe final presentado al Ministerio del Medio Ambiente.
• Cavendish, W. (2000)."Empirical Regularities in the Poverty-Environment Relationship of Rural Househo lds: Evidence from Zimbabwe”. World Development, 28 (11), 1979-2003.
• Cavendish,W. (1998). “Poverty, Inequality and Environmental Resources: Quantitative Analysis of rural households”. Centre for the Study of African Economies, Universidad de Oxford, Working Paper Series No. 99-9.
• Cropper, M. & Griff iths C.(1994)."The Interaction of Population Growth and Environmental Quality". American Economic Rev iew 84(2), 250-254.
• Dasgupta, S., Deichman, U., Meisner, C. & Wheeler, D. (2003).“Poverty/Environmental Nexus in Cambodia and Lao People‘s Democratic Republic”. World Bank Policy Research, Working Paper Ser ies No. 2960.
42
• Debraj, R. (2002). “Pobreza y Desnutrición”. En: Debraj, Ray: Economía del Desarrollo; traducción de Ma. Esther Rabasco. Barcelona: Antoni Bosch Editor.
• DANE, Departamento Nacional de Estadística. Censo General 2005.
• DNP, Departamento Nacional de Planeación. (2005) “Metas y Estrategias de Colombia para el Logro de los Objetivos de Desarrollo del Milenio- 2015”. Documento Conpes No.91. Recuperado el 16 de Mayo de 2008, en: http://www.dnp.gov.co/PortalWeb/Portals/0/archivos/documentos/Subdireccion/Conpes%20Sociales/091.pdf
• DNP, Departamento Nacional de Planeación. (2002) “Acciones Prioritarias y lineamientos para la formulación del Plan de Manejo de Aguas Residuales” Documento Conpes No.3177 Recuperado el 16 de Diciembre de 2007 en : http://www.dnp.gov.co/PortalWeb/Portals/0/archivos/documentos/Subdireccion/Conpes/3177.pdf
• Galv is, L.A. (2001) “La Topografía económica de Colom bia”. Banco de la República, Documentos de Trabajo Sobre Economía Regional No. 22.
• Ibáñez, A.M. & Uribe, E. (2003) “Medio Ambiente y Desarrollo Económico: Priorización de la Inversión Ambiental con Criterio s Económicos”. Universidad de Los Andes, Documento CEDE. No.33.
• Informe de actividades PTAR Salitre. (s.f). recuperado el 16 de mayo de 2008, en: http://www.acueducto.com.co/wpsv5/wps/portal/
• IDEAM, Instituto de Hidrología, Meteorología y Estudios Ambientales. (2004). “Informe Anual sobre el Estado del Medio Ambiente y los Recursos Renovables en Colombia”. Recuperado el 10 de Octubre de 2007, en: http://www.ideam.gov.co /infoanual/informe%20anual%20CAP7.pdf
• IDEAM, Instituto de Hidrología, Meteorología y Estudios Ambientales. (2001). “El Medio Ambiente en Colombia”. (2a Ed) Bogotá, Colombia.
• Kámiche, J. N. (2005). “Los pobres y el medio ambiente: Análisis de la condición de pobreza y decisión de uso de fertilizantes en lo s hogares de Nicaragua”. Tesis de Maestría, Facultad de Economía, Universidad de Los Andes.
• Krugman, P. (1998) “The Role of Geography in Development”. Documento preparado para la Annual World Bank Conference on Development Economics.
• Kuznets, S. (1955). “Economic Growth and Income Inequality”. American Economic Review. 45 (1), 1-28.
• Larsen, B. (2004), “Cost of Environmental Damage. A Study of Co lombia”. Bogotá, Colombia.
• Maldonado, J.H. (2004). “Relationships among Poverty, Financial Services, Human Capital, Risk Coping and Natural Resources: Evidence from El Salvador and Boliv ia. PhD dissertation: Department of Agricultural, Environment and Development Economics. The Ohio State University.
• MAVDT, Ministerio de Ambiente, Vivienda y Desarrollo Territorial, (2006) Inventario de Sistemas de Tratamiento de Aguas Residuales Domésticas Municipales en Co lombia.
43
• MERPD- DNP, Misión para el Diseño de una Estrategia para la Reducción de la Pobreza y la Desigualdad-Departamento Nacional de Planeación, (2006) “Metodología de Medición y Magn itud de la Pobreza en Colombia.”.
• Moreno, R. & Vayá, E. (2002) Econometría Espacial: Nuevas Técnicas para el Análisis Regional. Una Ap licación a las Regiones Europeas, Investigaciones Regionales, 1, 83-106.
• Mur, J. (1999) "Testing for Spatial Autocorrelation: Moving Average Versus Autoregresive Processes" Environment and Planning, 31(8) 1371 – 1382.
• Narain, U., Gupta, S & Van´t Veld, K. (2005). “Poverty and the Environment: Exploring the Relationship bet ween Household Incomes, Private Assets, and Natural Resources”. Working papers 134, Centre for Development Economics, Delhi School of Economics.
• Panayotou, T. (1993). “Empirical Test and Policy Analysis of Environmental Degradation at Different Stages of Economic Development”, Geneva, World Employment Research Programme, Working Paper, International Labour Office.
• Pérez, G.J. (2005) “Dimensión Espacial de la Pobreza en Colombia”, Documentos de Trabajo sobre Economía Regional, 54, Banco de la República, Cartagena.
• PNUD; Programa de las Naciones Un idas para el Desarrollo (2006). Informe de desarrollo humano 2006: Más allá de la escasez: poder, pobreza y la crisis mundial del agua. UNDP, New York: Hoechstetter.
• PNUD; Programa de las Naciones Unidas para el Desarro llo (2003). Informe de desarrollo humano 2003: Objetivos de Desarrollo del Milenio : Un pacto entre las naciones para eliminar la pobreza, New York: Hoechstetter.
• Rodrik, D; Subramanian, A; & Trebbi, F.(2002). “Institutions Rule: the Primacy of Institutions over Geography and Integration in Economic Development”. CEPR Discussion Papers 3643.
• Sachs, Jeffrey (2003). "Institutions Don't Rule: Direct Effects of Geography on Per Capita Income". National Bureau of Economic Research. NBER Working Paper 9490.
• Sachs, Jeffrey (2001). “Tropical Underdevelopment”. National Bureau of Economic Research. NBER Working Paper 8119.
• Sánchez, F. & J. Núñez (2000). “Geography and Economic Development in Co lombia: a Municipal Approach”. Red de Centros de Investigación. Documento de trabajo N° 408. Washington D.C. : Banco Interamericano de Desarrollo, Departamento de Investigación.
• Songsore, J & Mc Granahan, G.(1993). “Environment, Health: Towars an analysis of intra-urban differentials within the Greater Accra Metropolitan Area, Ghana”. Environmental and Urbanization, 5 (2).
• Stern, D.I. (2004). “The Rise and fall of the Environmental Kuznets Curve”. World Development , Elsev ier, 32(8), 1419-1439.
• Toral, M. A. (2001). “El factor espacial en la convergencia de las regiones de la Unión Europea: 1980-1996”.Recuperado el 18 de Mayo de 2007 de: http://www.eumed.net/tesis/ata/e3.htm
44
ANEXOS
Anexo 1. Comportamiento de la pobreza en el periodo de análisis
Figura 9 Í ndi ce Necesidades Básicas Insa tisfechas (NBI) 1985 -2003, % de la población.
Fuente: 1985-2000: DNP-Misión Social, con base en DANE, censo 85 y 93 y ENH; 2003-2004: PNDH - DDS - DNP, con base en ECH. Citado en: MERPD- DNP (2006)
Figura 10 Í ndi ce de Condiciones de Calida d de Vida 1985-2004
Fuente: 1985-2000: DNP-Misión Social, con base en DANE, censo 85 y 93 y ENH; 2003-2004: PNDH - DDS - DNP, con base en ECH. Citado en: MERPD- DNP (2006)
45
Figura 11 Pobreza vía ingresos po r departa mentos (da tos medios 2004)
01020304050607080
Chocó
Boyacá
Córdoba
Nariño
Huila
Sucre
Cauca
Tolima
Cesar
N, S
antander
Caldas
Caquetá
Magdalena
Bolívar
Antioquia
Cundinam
arca
Guajira
Santander
Atlántico
Quindío
Risaralda
Meta
Valle
Bogota D
C
Departamentos
porc
enta
je
2002
20032004
Fuente: Cálculos MERPD con base en ECH, 4 trimestres. Citado en: MERPD- DNP (2006)
