INFORME FINAL

ECONOMETRÍA ICS294

Profesor
Jorge Ortega

Equipo de trabajo
Christopher Ancatén 201966044-6 Paralelo 1
Lafken Arias 201966126-4 Paralelo 1
Bahiron Astudillo 201966066-3 Paralelo 1
Raffaella Cafaro 201966068-3 Paralelo 1
Camila Gonzalez 201966184-1 Paralelo 2
Stacy Salazar 201866105-8 Paralelo 2
Rodrigo Vega 201966002-0 Paralelo 2
Barbara Villarroel 201966197-3 Paralelo 1
Cecilia Yampara 201966090-K Paralelo 1
Montserrat Zamorano 201866029-9 Paralelo 2

Fecha de entrega
Lunes 27 de Diciembre, 2021
Tabla de contenido

1. Introducción ................................................................................................................ 3

Importancia de la investigación ...................................................................................................3

Estado del Arte ............................................................................................................................3

2. Hipótesis de trabajo .................................................................................................... 4

Hipótesis .....................................................................................................................................4

Hipótesis Nula .............................................................................................................................4

3. Objetivos .................................................................................................................... 5

Objetivo General .........................................................................................................................5

Objetivos Específicos ...................................................................................................................5

4. Materiales y métodos ................................................................................................. 5

El origen de los datos...................................................................................................................5

Técnicas econométricas utilizadas. ..............................................................................................6

Regresión....................................................................................................................................................... 6
Test de Durbin Watson.................................................................................................................................. 6
Análisis de componentes .............................................................................................................................. 6
Correlación .................................................................................................................................................... 6
Autocorrelación............................................................................................................................................. 6

5. Resultados y discusión. ............................................................................................... 7

Descripción de las variables utilizadas. ........................................................................................7

Modelo Econométrico en función de la variable de resultado “NºInc”. ........................................7

Identificación y análisis de las tablas Stata...................................................................................8

Tabla 1- Análisis de Regresión completa ...................................................................................................... 8
Tabla 2 - Test de Durbin Watson (Modelo 1) ............................................................................................... 9
Tabla 3 - Análisis de componentes principales (Modelo 1) .......................................................................... 9
Tabla 4 - Correlación de datos (Modelo 1) ................................................................................................. 10
Tabla 5 - Regresión Climatológica (Modelo 2) ........................................................................................... 11
Tabla 6 - Autocorrelación (Modelo 2)......................................................................................................... 11
Tabla 7 - Analisis de Componentes Principales (Modelo 2) ....................................................................... 12
Tabla 8 - Correlación de datos (Modelo 2) ................................................................................................. 12
Tabla 9 - Análisis de regresión social (Modelo 3)....................................................................................... 13

1
 Tabla 10 - Autocorrelación (Modelo 3)....................................................................................................... 13
Tabla 11 - Análisis de componentes principales (Modelo 3) ...................................................................... 14
Tabla 12 - Correlación (Modelo 3).............................................................................................................. 14

El software. ............................................................................................................................... 15

Contraste con los resultados esperados ..................................................................................... 15

Contraste con los resultados obtenidos por otros autores. ........................................................ 15

6. Conclusiones ............................................................................................................. 17

7. Literatura Citada ....................................................................................................... 19

2
 1. Introducción

Importancia de la investigación

Si bien a nivel global el cambio climático sugiere un aumento en la frecuencia y magnitud de

los incendios forestales, en Chile la problemática puede tener que ver con muchas variables
explicativas adicionales, dada la configuración de la geografía en la cual se ubican las mayores
extensiones de bosque, ya sea nativo o artificial, lo que da como resultado impactos de diversa
índole, como son los ambientales, humanos y económicos. En virtud de ello es que cobra
especial importancia el estudio econométrico, con el fin de plantear un modelo que permita
analizar las principales causas de la generación de incendios forestales, en la reducción o control
de estas.

Estado del Arte

Dada la necesidad de construir un modelo ad hoc a la contingencia nacional es que es preciso

indagar comparativamente en estudios o publicaciones al respecto, lo que también permite
ampliar la información que ya se conoce respecto al tema de estudio. En ese sentido tiene
relevancia la contextualización de la situación, para clasificar los aspectos considerados
importantes para la investigación, en la materialización de contrastes o similitudes con la
literatura hallada, como es el caso del Estudio Econométrico Sobre Incendios Forestales e
Incentivos Económicos A Partir De La Ley De Bosques En Argentina (Instituto Nacional de
Tecnología Agropecuaria de Argentina, 2017).

Es fundamental la recopilación de los datos de fuentes fidedignas, ya que estas permiten obtener
conclusiones coherentes que generen aporte al conocimiento. Hoy es más fácil obtener datos, -
aunque los contemporáneos son mucho más completos - en virtud de la investigación por mera
curiosidad innata del ser humano, como también por razones de utilidad o aplicación para Conaf
por ejemplo.

3
 2. Hipótesis de trabajo

En virtud de las frecuentes noticias respecto a la generación de incendios forestales

intencionales en Chile, el equipo de trabajo decidió investigar al respecto, considerando además
factores ambientales. En ese sentido se plantea la hipótesis:

Hipótesis

“La acción humana es un factor decisivo en la generación de incendios en Chile”.

Además, la hipótesis nula plantea que:

Hipótesis Nula

“No existe relación entre la cantidad de personas y la cantidad de incendios producidos en

Chile”.

4
 3. Objetivos

Objetivo General

Determinar la relevancia del crecimiento poblacional en Chile en la generación de incendios

forestales.

Objetivos Específicos

I. Analizar la autocorrelación de la variable población con el fin de determinar periodos

anuales correlativos de crecimiento dentro de la variable explicativa, para contrastar con
la producción de incendios por cada año.
II. Determinar qué conjunto de variables independientes y cuántas de ellas pueden explicar
en mayor porcentaje la variable de resultado.
III. Hallar, si es que la hay, una interdependencia entre las variables explicativas, ya que si
es el caso, el modelo no puede explicar correctamente la causa principal de la
producción de incendios, y es preciso corregir.

4. Materiales y métodos

El origen de los datos.

La construcción de la base de datos se sustenta en la información anual de incendios forestales

en todo el territorio nacional, que proporciona la Corporación Nacional Forestal (CONAF), a
través del Ministerio de agricultura (Conaf, 2021).

A partir de esa información se comienza a evaluar las posibles razones que propician el inicio
y/o desarrollo de los incendios, ya sea bosque nativo o plantaciones, dentro de las cuales se
encuentran tanto condiciones ambientales pertinentes (Meteochile, 2019), con apoyo del
Reporte Anual de la Evolución del Clima en Chile (Ministerio de Medio Ambiente, 2021),
como la acción del hombre a través de la incorporación de la variable cantidad de población
total anual (Expansión, 2021).

5
Debido a que el último censo realizado en Chile fue en el año 2017, los datos posteriores
contemplados corresponden a la proyección extrapolada del diario económico líder en España;
Expansión. (Expansión, 2021).

Técnicas econométricas utilizadas.

Regresión

La primera técnica utilizada es la regresión completa, con el fin de analizar qué tanto las
variables explicativas consideradas pueden predecir el comportamiento de la cantidad de
incendios producidos en Chile.

Test de Durbin Watson

El estudio comienza con este test, dada la necesidad de evaluar si existe autocorrelación en la
regresión, ya que esto determinará si los valores que se analizan tienen algún tipo de
dependencia respecto al orden en el que se han obtenido.

Análisis de componentes

El análisis de componentes se aplica para reducir la dimensionalidad del conjunto de datos, a

partir de los resultados del Eigen value, lo que determina cuántas y cuáles variables explican
mejor el comportamiento de la variable dependiente.

Correlación

La prueba se realiza con el fin de descartar variables que se encuentren relacionadas entre si, a
través del estudio de la correlación de las mismas, asumiendo en primera instancia que dichas
variables explicativas contempladas son independientes entre si, por lo tanto la idea es hallar el
contraejemplo, tanto en condiciones ambientales como cantidad de población por año.

Autocorrelación

La finalidad de esta técnica es analizar el comportamiento de los valores repetitivos dentro de

una misma variable explicativa. Si los errores de las observaciones adyacentes están
correlacionados, existe autocorrelación en la variable explicativa.

6
 5. Resultados y discusión.

Descripción de las variables utilizadas.

El principal análisis de regresión incluirá a la variable dependiente Nº total de incendios

forestales producidos por año, desde 1987 en todo el territorio nacional, mientras que las
variables explicativas a estudias son las siguientes:

• MaxP: Temperatura máxima promedio anual

• SeqReg: Cantidad de regiones que presentaron sequía en el año
• LogPobl: Logaritmo de la población.
• DecLey: Decreto Ley firmado en 2013, el que endurece las penas para inicio de fuego
en espacio abierto. La variable se estableció como dummy, donde 0 indica que no existía
fortalecimiento de la ley, mientras que 1 establece los años donde la ley se encuentra en
vigencia (2013 – actualidad).
• HumRelP: Humedad relativa promedio del aire anual.
• ViePKH: Viento promedio anual en kilómetros por hora
• Tend: Tendencia normal de los incendios totales anuales

Modelo Econométrico en función de la variable de resultado “NºInc”.

𝑵º𝑰𝒏𝒄 = 𝐵0 + 𝐵1 !º#$%& + 𝐵2'()*(+ + 𝐵3,-+&-./ + 𝐵40(1,(2 + 𝐵5345*(/& + 𝐵667(&83

+ 𝐵7 !(9:

7
Identificación y análisis de las tablas Stata

Tabla 1- Análisis de Regresión completa

Num Incendios = -5540 + 238.09(T. Max) -33.77(SeqReg) + 84833.99(LogPob) + 1115.85

DecLey + 470.36(HumReiP) -45.91(ViePKH) – 9.21(Tend)

El resultado incluye 35 observaciones, de las cuales el R2 ha sido de 0.4110 es decir un 41.10%

de bondad de ajuste para el modelo, mientras que la Prob de F ha sido de 0.0299, la cual es
menor al 0.05 permitido para aceptar la hipótesis nula y que infiere entonces que el modelo si
es significativo.

Los resultados indican que la variable mas importante sería el Logaritmo de la población,
seguida de la Declaración de ley, esto implicaría que el crecimiento de la población tendría gran
repercusión en el número de incendios dado que a mayor población mas construcción cerca de
bosques y más probabilidad de la ocurrencia de una catástrofe, como naturalmente ocurre con
los incidentes. El viento promedio disminuye entonces la probabilidad de incendios al apagarlos
antes de que (quizás) se consuman como tal, así mismo las regiones con sequía. La humedad
sorprendentemente aumenta el numero de incendios mientras que la tendencia normal iría a la
baja.

Los coeficientes indican que la mayor parte de los estadísticos calculados no son significativos,
esto observando el valor t que da como resultado una Probabilidad para cada uno mayor al 0.05

8
que es el máximo valor permitido para el error. Las variables que SI serían significativas en
este modelo son LogPobl y con exactitud Tend.

Lo siguiente es analizar el supuesto de autocorrelación para la regresión realizada, esto se hará

mediante el test Durbin Watson, el cual arrojará un resultado para la autocorrelación.

Tabla 2 - Test de Durbin Watson (Modelo 1)

Los valores en la tabla para 35 valores con 8 variables dan du= 0.971 y dl=2.654. Por lo que la
región de rechazo de la autocorrelación sería en 4-dl y 4-du. es decir 1.346 y 3.029, por lo que,
al caer en 1.79 se puede aceptar que NO hay autocorrelación.

Ahora se pretende hacer el análisis de componentes principales, realizando en stata esta función.

Tabla 3 - Análisis de componentes principales (Modelo 1)

9
Los resultados para el Eigen value deben ser mayores a 1 para aceptar los componentes, por lo
que solo los tres primeros componentes serían en este caso válidos.

Posteriormente se realiza la correlación de los datos para encontrar cuales podrían ser
explicados de una manera fuerte por otros, los resultados se presentan a continuación.

Tabla 4 - Correlación de datos (Modelo 1)

Siendo que el número de incendios con LogPobl, DecLey, ViePKH y Tend tienen una
correlación mayor al 30%, así como TMaxP y ViePKH, SeqReg con LogPobl, DecLey, Viepkh
y Tend, Log Pobl con DecLey, VIepkh y Tend, DecLey con Viephk y Tend y Viepkh con Tend.
Siendo la mayor el LogPobl con Tend.

Lo siguiente será realizar la regresión únicamente con variables climatológicas.

10
 Tabla 5 - Regresión Climatológica (Modelo 2)

En donde solo la variable Tend que es la tendencia natural de incendios ha mostrado una
significancia estadística en la medida de la probabilidad de T.

Se tienen también 53 observaciones con un R2 de 0.2899 = 28.99% de bondad de ajuste y una

Porb de F de 0.0643 que indicaría esta última que el modelo no se encuentra especificado
correctamente.

Se volverá a medir la autocorrelación utilizando el estadístico de Durbin Watson.

Tabla 6 - Autocorrelación (Modelo 2)

Los valores resultantes son 1.097 y 1.884 para dl y du respectivamente, por lo que la región de
rechazo de autocorrelación se encontraría entre 4-1.884= 2.116 y 4-1.097 =2.903, indicando
entonces que con un valor de 1.47, el modelo para las variables ecológicas presentaría
autocorrelación, la cual deberá ser corregida.

En cuanto al análisis de principales componentes, se realizará nuevamente la tabla:

11
 Tabla 7 - Analisis de Componentes Principales (Modelo 2)

Tabla 8 - Correlación de datos (Modelo 2)

Se tienen entonces solo el Componente 1 y 2 como válidos al tener el Eigenvalue mayor a 1,

por lo que estos serían los principales componentes de este modelo.

Lo siguiente es realizar el análisis de regresión social, únicamente usando variables como el

Log Poblacional, DecLey y Tend.

12
 Tabla 9 - Análisis de regresión social (Modelo 3)

El resultado indica entonces para 35 observaciones que el valor de Porb de F es 0.0019, el más
chico hasta el momento y por ende el mejor para escoger un modelo, el cual también indica que
se acepta la validez del modelo en su forma global.

El R2 de este modelo fue de 0.3762 =37.62% en su bondad de ajuste. Así también, las 3
variables y la constante tuvieron resultados en P>|t| menores al 0.05, por lo que se acepta la
hipótesis de que los valores son estadísticamente significativos para el modelo de regresión
social.

Continuamos con la autocorrelación obteniendo el estadístico Durbin Watson.

Tabla 10 - Autocorrelación (Modelo 3)

Los valores son 1.222 y 1.726, por lo que la región de rechazo de autocorrelación será 2.274 y
2.778, por lo que este modelo presenta autocorrelación.

A continuación, se realizará el análisis de componentes principales.

13
 Tabla 11 - Análisis de componentes principales (Modelo 3)

Los resultados indican que solo el componente 1 sería válido al tener un valor de 2.65 mayor a
1 y por tanto importante a considerar para el modelo.

La correlación de datos será lo siguiente a observar.

Tabla 12 - Correlación (Modelo 3)

En esta ocasión, se aprecia que todas las correlaciones son mayores a 30, destacando la del
LogPoblacional y la Tendencia y DecLey con Log Poblacional.

14
El software.

Debido a que Stata es un software estadístico que provee completas herramientas para la
gestión, análisis y visualización de datos, además de la forma intuitiva de operarlo, permitió al
equipo de trabajo la construcción del modelo econométrico y los test o pruebas para llevar a
cabo el contraste con la hipótesis planteada.

Las principales características que determinaron el software a utilizar fueron la rapidez,

precisión y facilidad, lo que, en conjunto al potente análisis estadístico fue un gran soporte para
la interpretación del análisis de regresión completa.

Con respecto a la base de datos trabajada en el software, la decisión de construir una en Excel
tuvo lugar debido a la necesidad de incorporar variables que no estaban disponibles en archivos
Stata existentes. Esto para generar un modelo econométrico lo más representativo posible, a
través del estudio de variables explicativas ad hoc a la generación de incendios en el territorio
nacional. Por otra parte, el uso de Excel facilitó el aporte del equipo de trabajo en la
incorporación de nuevas variables en línea.

Contraste con los resultados esperados

A raíz de la interpretación de las pruebas realizadas al modelo inicial y sus correcciones, es

preciso señalar que los resultados obtenidos otorgan respaldo a la hipótesis planteada, en el
sentido de la intencionalidad en la generación de incendios, a través del incremento de la
población por año, desde 1987 a la actualidad.

Contraste con los resultados obtenidos por otros autores.

Debido a la necesidad de averiguar la consistencia de los resultados es que se realiza un

contraste con el estudio econométrico realizado por el autor Patricia Egolf (Investigadora del
Instituto Nacional de Tecnología Agropecuaria de Argentina) en 2017 a través de la
Universidad del CEMA, Buenos Aires, Argentina.

15
Cabe destacar que el contraste se realiza mediante el análisis de las variables compartidas entre
ambos modelos, ya que el estudio de Egolf tiene como hipótesis “La generación de incendios
forestales puede explicarse por incentivos económicos a las personas, con el fin de obtener
productividad dentro de áreas restringidas”.

Antecedentes Modelo Econométrico Argentino.

- Se emplea un modelo de efectos fijos para datos en panel.

- La variable de respuesta es la cantidad de incendios forestales anuales por provincia.
- El estudio se realiza entre 2002 y 2014.
- Se busca predecir a partir de la ocurrencia y no la propagación.

Principales Resultados Modelo Econométrico Argentino.

- Incremento transitorio de incendios intencionales en 22 provincias aún cuando se

endurece la ley sobre recuperación de boque nativo a través de restricciones de acceso.
- En los periodos de transición de las leyes sobre bosque nativo, los incendios forestales
incrementan.
- Las personas que inician los incendios se ven motivadas por el histórico bajo
cumplimiento de las normativa vigente relativa a bosques nativos.
- El costo de cometer el delito de incendio esta muy por debajo de la rentabilidad obtenida
por la utilización de las tierras para actividad agropecuaria o de bosque artificial.
- Como las leyes sobre incendios forestales fueron diseñadas de forma general para todo
el territorio nacional argentino, no especifican condena para lugares de geografía
específica.

En sumo, el contraste de los resultados sugiere que, aún cuando existen las variables
explicativas respecto a condiciones climáticas en ambos modelos, la variable que mejor explica
la generación de incendios forestales en Argentina guarda relación con las leyes atingentes, que
precisamente tienen lugar en el desincentivo hacia las personas para la producción de incendios,
lo que en permite sostener más firmemente los resultados obtenidos en el modelo de este
informe. En ese sentido, se argumenta la intencionalidad humana por sobre las condiciones
climáticas, como son las precipitaciones o humedad que contempla el modelo de Egolf.

16
 6. Conclusiones

A modo de conclusión, y basándonos en el análisis visto anteriormente, es posible ultimar que

un modelo en el que se relacionen las variables a considerar, junto a sus consecuencias directas
en probabilidad de incendios, cumple con la correlación en la cual se ven afectadas las distintas
variables presentadas en la investigación del presente informe. Luego, para verificar la misma,
se tiene en cuenta los siguientes resultados a su análisis, según los métodos que fueron más
efectivos a su ejecución, donde podremos localizarnos en el método 1, 2 y 3.

Es por esto que, ante los estudios realizados de la prueba de orden, principalmente, se puede
asumir que no hay correlación entre las variables en general. Así mismo, es importante
comentar que las dos variables más relevantes del proceso donde los coeficientes indican que
la mayor parte de los estadísticos calculados no son significativos a partir del logaritmo de la
población y la tendencia, generan finalmente un efecto positivo en el número de incendios.

La manera de lograr comprobar la hipótesis fue mediante el cumplimiento de objetivos, gracias

al análisis de la variable población, la determinación de las variables independientes y la
revisión de la interdependencia, que nos permitieron desarrollar el objetivo general.

En definitiva, existe una confirmación concreta respecto a la hipótesis inicial, ya que, logpob
entrega como efecto final un resultado positivo, es decir que el crecimiento poblacional sí afecta
a la cantidad de incendios de manera positiva.

A partir de esto, se debe considerar también las otras variables que no son relevantes por el
valor p; ya que, es mayor al 0,05 de un 95% de relevancia.

Al visualizar el análisis se puede aprender y analizar diversas medidas a nivel tanto nacional
como mundial, con una constante de población y/o tomar alguna solución al respecto que genere
conciencia social para que la población pueda participar en esta causa.

También se debe considerar que no existe correlación entre las variables, con lo que no se
observa interdependencia.

17
Esta investigación es puntapié para el desarrollo de nuevos estudios y por consiguiente medidas
acordes a encontrar soluciones respecto a la hipótesis planteada.

Finalmente, y sumado a lo anterior se concluye que, al realizar el estudio, se permitirá establecer

pautas de acción respecto a los posibles escenarios que se puedan dar teniendo en cuenta las
condiciones ambientales. Afirmando también que la presente investigación desarrollada es de
gran importancia para próximos estudios e implementaciones de nuevos proyectos y/o medidas
por parte de los gobiernos; en caso de Chile el crecimiento poblacional del 1% que genera un
efecto sobre la posibilidad de que ocurran más incendios forestales, lo cual es altamente
preocupante.

18
 7. Literatura Citada

Conaf. (2021). Obtenido de Estadísticas Históricas: https://www.conaf.cl/incendios-

forestales/incendios-forestales-en-chile/estadisticas-historicas/

Meteochile. (2019). Obtenido de Anuario Climatológico:

https://climatologia.meteochile.gob.cl/application/publicaciones/anuario

Ministerio de Medio Ambiente. (2021). Obtenido de Reporte Anual de la Evolución del Clima
en Chile: https://cambioclimatico.mma.gob.cl/wp-
content/uploads/2021/06/ReporteClimatico2020-edmay2021.pdf

Expansión. (2021). Obtenido de Población de Chile:

https://datosmacro.expansion.com/demografia/poblacion/chile

Instituto Nacional de Tecnología Agropecuaria de Argentina. (Marzo de 2017). Obtenido de

ESTUDIO ECONOMÉTRICO SOBRE INCENDIOS FORESTALES E INCENTIVOS
ECONÓMICOS A PARTIR DE LA LEY DE BOSQUES EN ARGENTINA:
https://inta.gob.ar/sites/default/files/inta_cicpes_instdeeconomia_egolf_p_tesina_mae_
ucema.pdf

19