UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE CIENCIAS ECONOMICAS

Escuela Profesional de Ciencias Economicas

Economía del Medio Ambiente y de los RRNN

Sesión N°13: Valoración Contingente

Dr. Carlos Iván Palomares Palomares

Semestre 2022-II
Correo: cipalomaresp@lunac.edu.pe
Ley MRSE 30215
FASES DEL ESTUDIO

• Caracterización del ámbito de estudio

• Identificación y caracterización de los Ecosistemas a través de los instrumentos de gestión

Guía de Inventario de Flora y Vegetación, Guía de Inventario de Fauna Silvestre.

• Jerarquización de Servicios Ecosistémicos

• Determinación del Método de Valoracion Económica

• Estimación del Valor Económico Total (Poner en Valor de Uso a los RRNN y SE).

• Inserción de los Valores del Valor de Uso y No Uso en los Proyectos Ambientales según el
marco de los lineamientos de proyectos de inversión publica en biodiversidad y servicios
ecosistemicos.
 Instrumentos de Gestión

 Guía Nacional de Valoración Económica

del Patrimonio Natural.
 Guía de Inventario y Evaluación de Flora y
Vegetación.
 Guía de Inventario y Evaluación de Fauna
Silvestre.
 Guía de Impactos Ambientales.
 Lineamientos para la Formulación de
Proyectos de Inversión Publica en
Biodiversidad y Servicios Ecosistemicos
CRITERIOS PARA CARACTERIZAR
ECOSISTEMAS

Medios de Evaluación
Físico: Agua, Aire
y Suelo
Biológico: Flora y
Fauna
Social: Población,
Salud,
Valoración Económica
Métodos de Valoración
Económica
MODELOS DE ELECCIÓN
DISCRETA Y EL VINCULO CON
LA VALORACIÓN CONTINGENTE
s en los que s
                                                                                                                                                                                                        

Modelos de elección discreta

osis u
Modelos de regresión donde la variable dependiente es binaria o dummy

El desarrollo moderno de los modelos de elección binaria se encuentra en

las aplicaciones biológicas, sociales, económicas y demas.

Ej: experimentos en los que se administra una dosis de una droga a

grupos de insectos y se pretende analizar su probabilidad de
supervivencia.
La probabilidad de tener casa propia.
s en los que s
                                                                                                                                                                                                        

Modelos de elección discreta

osis u
Modelos de regresión donde la variable dependiente es binaria, dummy O
DICÓTOMA.
El desarrollo moderno de los modelos de elección binaria se encuentra en
las aplicaciones AMBIENTALES, biológicas, sociales, económicas y
demás.
EJEMPLOS:
experimentos en los que se VALORA LA DAP Y DAA PARA CUANTIFICAR
LA PROVISIÓN HÍDRICA DEL RIO RÍMAC.
El valor de la vida estadística.
el valor de la provisión de recursos silvestres como copoazú.
La probabilidad de DAP POR EL SERVICIO PROVISIÓN DEL RECURSO
HÍDRICO, es un medio para establecer el éxito de dicho servicio brindado
por la naturaleza.
Ejemplos Estructurados
¿En qué medida LA GENERACIÓN DE UNA DISCAPACIDAD TEMPORAL O
PERMANENTE, PERMITE ESTABLECER UN VALOR DE MERCADO MEDIANTE DAP
Y DAA PARA ESTABLECER UN SEGURO MAS JUSTO Y APROPIADO?

Pr(Ocurre suceso j) = Pr(Y=j) = F(efectos relevantes: parámetros). Resulta conveniente agrupar

estos modelos en dos grandes clases: aquellos que siguen un enfoque binomial, es decir, si el
resultado o fenómeno depende de la elección o la situación en dos alternativas; para ello, se
puede mencionar al respecto; que si se tiene a cada uno de N individuos, casos u objetos que
pueden ser clasificados independientemente en 1 de 2 categorías complementarias, ejemplo de
ello puede ser la presencia o no de discapacidad laboral. En este caso se tiene que cada
individuo tiene la misma probabilidad p de estar en una de las dos categorías, por ejemplo si el
empleado es discapacitado por un evento laboral (0 < p < 1); y la probabilidad 1-p de encontrarse
en la otra categoría complementaria, es decir, si el empleado no es discapacitado.
Tipos de modelos de elección discreta
binaria

Modelo de Probabilidad Lineal (MPL). MÉTODO MCO.

Modelo Logit. MÉTODO MÁXIMA VEROSIMILITUD.
Modelo Probit. MÉTODO MÁXIMA VEROSIMILITUD.
No paramétricos Turnbull.
 Método de Valoración Contingente

El método de valoración contingente, consiste en

simular por medio de encuestas y escenarios
hipotéticos un mercado para un bien o conjunto de
bienes para los que no existe mercado. Este método
se ha convertido en una herramienta cada vez más
popular para estimar cambios en el bienestar de las
personas, especialmente cuando estos cambios
involucran bienes y/o servicios públicos que no
tienen precios explícitos. La valoración económica de
espacios urbanos abiertos, valoración de recursos
hídricos, valoración de los impactos de la
contaminación sobre la salud y valoración de la
conservación y preservación de parques o reservas
naturales, son algunos de los estudios de caso a nivel
empírico desarrollados bajo esta metodología.
El método de valoración contingente (MVC) se introdujo
en 1963 al campo de la economía ambiental y de los
recursos naturales, Davis Robert. k. (1963). Desde
entonces se ha acumulado gran volumen de información
teórica y empírica relevante a su aplicación. Un avance
importante se dio en 1989: en marzo de ese año el
transportador de petróleo Exxon Valdéz sufrió un
accidente que ocasiono el derrame de once millones de
galones de petróleo en el mar frente a las costas de
Alaska. Este percance a la necesidad de dimensionar
económicamente el daño causado sobre el ambiente.
Con el fin de atender esta necesidad, se conformó el
panel NOAA (1993). Este panel estuvo integrado por un
equipo de notables economistas a quienes se le asigno la
tarea de perfeccionar una metodología para valorar
económicamente los daños ambientales causados por el
derrame. Del trabajo de este grupo surgió un importante
compendio de recomendaciones que han servido desde
entonces como guía para llevar a cabo estudios de
valoración ambiental, utilizando el método de valoración
contingente, Arrow et. al. (1993).
La aplicación del método de valoración
contingente se basa en información
recolectada mediante encuestas. El método
busca, básicamente, determinar los beneficios
sociales generados por el acceso a un bien
ambiental. En el caso de su aplicación a la
economía ambiental y de los recursos
naturales, se trata de dimensionar
económicamente los beneficios sociales
generada por la provisión de bienes que,
como los ambientales, son principalmente de
naturaleza no mercadeable.
El método de valoración contingente resulta
aplicable especialmente cuando se quiere
estimar valores de no uso. Esto por cuanto
para estos valores no existe información de
mercado, y por lo tanto no resulta posible
hacer inferencias sobre su valor económico
mediante el análisis de las preferencias
reveladas de las personas.
El método de valoración contingente ha sido criticado por algunas personas
debido a que, por tratarse de un método de construcción de preferencias, no
utiliza información sobre el comportamiento observado de las personas en los
mercados reales. Sin embargo, la aceptación del método de valoración
contingente ha aumentado enormemente después del accidente del
transportador de petróleo Exxon Valdéz. Actualmente es utilizado por
investigadores en el campo de la economía ambiental y de los recursos
naturales, y por organismos multilaterales de crédito. Estos últimos lo utilizan
para estimar beneficios de proyectos no solo en el área ambiental sino en
sectores como el transporte, la salud, la seguridad, el saneamiento básico y
educación, entre otros. El método de valoración contingente es además la
única metodología de valoración disponible para la estimación conjunta de
valores de uso y de no uso.
organismos multilaterales de crédito. Estos
últimos lo utilizan para estimar beneficios de
proyectos no solo en el área ambiental sino en
sectores como el transporte, la salud, la
seguridad, el saneamiento básico y educación,
entre otros. El método de valoración
contingente es además la única metodología de
valoración disponible para la estimación
conjunta de valores de uso y de no uso.
Esta metodología persigue como objetivos:

Evaluar los beneficios de proyectos o políticas relacionados con la provisión

de bienes y/o servicios que no tienen un mercado. El método estima el valor
económico del activo ambiental bajo una línea base o para una mejora
especifica.
Estimar la disponibilidad a pagar (DAP) de las personas como una
aproximación de la variación compensatoria (VC) para medir los beneficios
económicos de mejoras ambientales.
Estimar la disposición a aceptar (DAA) como una aproximación de la variación
equivalente (VE) para medir el valor económico del daño producido por
degradación del medio ambiente.
Los supuestos de esta metodología son:
El individuo se comporta en el mercado hipotético de la misma
manera como lo haría en un mercado real, y toma una decisión
racional a la hora de asignar, o no, parte de su ingreso a la compra
del bien ambiental.
El individuo tiene información completa sobre los beneficios que el
consumo del bien ambiental le generaría.
El individuo maximiza su utilidad dada una restricción de
presupuesto representada por el ingreso disponible. Es decir, a la
hora de decidir si paga o no, y cuanto, por el bien ambiental
ofrecido, el individuo sabe que tiene un ingreso limitado para gastar.
Preguntas de Disponibilidad a Pagar y los
Problemas que enfrentan.
Cada uno de los entrevistados es preguntado de una manera u otra
sobre su máxima DAP por una mejora ambiental (excedente de
compensación) o para evitar una perdida (excedente equivalente).
Alternativamente, un estudio de este tipo también puede determinar la
máxima compensación que aceptarían los individuos por no rechazar
una pérdida (excedente de compensación) o por privarse de una
ganancia (excedente equivalente).
Los primeros estudios de valoración contingente utilizaron
una técnica iterativa llamada Juego de Postura (Bindding
Game). Esta técnica consiste fundamentalmente en
preguntar al individuo si estaría Dispuesto a Pagar una
determinada cantidad de dinero $X por .......... Si la
respuesta resulta afirmativa, la pregunta se repite con una
cantidad mayor, hasta que el individuo responda
negativamente. El mayor precio producto de una respuesta
afirmativa es interpretado como la máxima DAP. Si la
respuesta original es negativa, el procedimiento iterativo es
ensayado con un precio menor hasta obtener una respuesta
afirmativa.
Existe otro instrumento de estudio que consiste en realizar una pregunta
abierta, ¿Cuánto estaría DAP?. El problema principal de este enfoque es
que se confronta a las personas con un problema poco familiar para ellos.
Situación muy diferente a la enfrentada por las personas en mercados
reales donde los individuos realizan sus elecciones entre bienes con base
en un listado de precios. Donde raramente son preguntados por un
ofrecimiento de un valor por un bien, ya que estos tienen la libertad de
aceptar o rechazar el precio del bien que se les ofrece en el mercado según
su conveniencia. Una consecuencia negativa de utilizar este instrumento
de estudio es una alta tasa de personas que responden negativamente (no)
a la pregunta de valoración o también a menudo se pueden presentar altos
porcentajes de valores muy altos o muy bajos, totalmente incoherentes
con el verdadero valor del bien.
Como se había mencionado anteriormente, dentro de las preguntas
que se le pueden hacer a los individuos para conocer sus preferencias,
se encuentra la pregunta del Modelo de Referéndum. En ésta pregunta
se espera una respuesta Sí /No por parte del entrevistado. Bishop y
Heberlin (1979) introdujeron una variante del método que tiene
enormes ventajas en comparación con los procedimientos utilizados
anteriormente.
Modelo de Encuesta
VALORACION
CONTINGENTE
Métodos para calcular la DAP media y mediana en la
valoración contingente para preguntas tipo referéndum

Paramétricos

No paramétricos
Método Paramétrico
Regresión tipo Logit

Regresión tipo Probit

Regresión tipo Logit

(POR ESO ES LOGIT)

LO IMPORTANTE ES CALCULAR LOS VALORES BETA DE

LA REGRESION
Regresión tipo Logit
Cálculo de la DAP

ESE MONTO CORRESPONDERA AL VALOR DE LA

MEDIA O MEDIANA POR PERSONA
ENTREVISTADA.
EL VALOR TOTAL CORRESPONDERA A
MULTIPLICAR EL MONTO ANTERIOR POR LA
UNIDAD DE ANALISIS OBJETIVO DEL ESTUDIO.
 VALORACIÓN CONTINGENTE

APLICACIÓN DEL MODELO LOGIT PARA ESTIMACION DEL DAP MEDIA

A TRAVES DEL MÉTODO DE VALORACIÓN CONTINGENTE, EL CASO DEL
RIO BOGOTA.
ESTUDIO DE VALORACIÓN CONTINGENTE
El ejercicio presentado es un estudio sustraído de Mendieta (1999), de
la investigación titulada “Valoración Económica de los Beneficios
Ambientales Directos de la Construcción de la Planta de Tratamiento
de Agua del Río Salitre”. Tesis de Maestría del Programa de Economía
del Medio Ambiente y de los Recursos Naturales (PEMAR) de la
Facultad de Economía de la Universidad de los Andes-Bogotá-Colombia.
En el presente ejercicio de investigación se hace la valoración
económica del cambio en la calidad del agua generada por la
construcción de una planta de tratamiento primario y
secundario para el Río el Salitre. A partir de estas estimaciones,
se pretende calcular la contribución al bienestar total de los
habitantes de la zona, gracias al programa de reducción en la
contaminación del agua del río. Con el tratamiento primario,
desaparecerán los olores fétidos y los sólidos flotantes
desagradables que se presentan en la actualidad.
No obstante, este tratamiento hará que el agua tenga un olor
característico, que se describe como “musty” (rancio, mohoso, añejo).
Con el tratamiento secundario, desaparecerá todo tipo de olor y el río
recuperará su color natural. Con un proceso de desinfección en el
tratamiento secundario se reducirá drásticamente la población de
agentes patógenos dentro del río.

Específicamente, se utiliza el método de valoración contingente para

estimar la disponibilidad a pagar de los habitantes de la zona por
diferentes niveles de calidad relacionados con diferentes niveles de
flujos de servicios provistos por el río una vez ya esté descontaminado.
Se pretende estimar:
Una primera disponibilidad a pagar por la eliminación de los malos
olores generados por el agua contaminada, tratar de poder caminar y
jugar por las orillas del río una vez que el agua sea descontaminada.
Este será el nivel de calidad A.

Una segunda disponibilidad a pagar de los habitantes de la zona por el

mejoramiento estético del río. Este será el nivel de calidad B.

Una tercera disponibilidad a pagar de los habitantes de la zona por la

disminución en los riesgos a la salud, asociados a una menor presencia
de agentes patógenos en el río y con miras a poder navegar por este.
Este será el nivel de calidad C.
La zona de impacto del proyecto de descontaminación abarca parte de
las localidades de Engativá y Fontibón. Para esto se levantó un total de
340 observaciones a través de encuestas directas. El archivo que
contiene los datos se llama BASE.XLS. Las variables incluidas en el
estudio son las siguientes:
X1: Variable continua que representa la distancia en kilómetros del
hogar al río.
X2: Variable binaria que toma el valor de 1 si existe percepción de
malos olores y 0 si no existe percepción.
X3: Variable continua que representa el número de meses que se
perciben al año los olores fétidos del río.
X4: Variable continua que representa el número de días que recibió los
malos olores en el mes pasado.
X5: Variable binaria que toma el valor de 1 si el tipo de olor percibido es
constante y 0 si el tipo de olor percibido es temporal.
X6: Variable independiente continua que representa el precio hipotético a
pagar por acceder a los beneficios del nivel de calidad ambiental A.
X7: Variable dependiente binaria, que representa la probabilidad de
responder SI (1) a la pregunta de DAP por el nivel de calidad A, o NO pagar
(0).
X8: Variable independiente continua que representa el precio
hipotético a pagar por acceder a los beneficios del nivel de calidad
ambiental B.
X9: Variable dependiente binaria, que representa la probabilidad de
responder SI (1) a la pregunta de DAP por el nivel de calidad B, o NO
pagar (0).
X10: Variable independiente continua que representa el precio
hipotético a pagar por acceder a los beneficios del nivel de calidad
ambiental C.
X11: Variable dependiente binaria, que representa la probabilidad
de responder SI (1) a la pregunta de DAP por el nivel de calidad C, o NO
pagar (0).
X12: Variable continua que representa el número de personas en el
hogar.
X13: Variable independiente continua que representa el ingreso
familiar mensual en miles de pesos colombianos del entrevistado.
X14: Variable discreta categórica ordenada que representa el
estrato socioeconómico.
X15: Variable independiente binaria que representa el nivel de
educación del entrevistado, si es universitaria o mayor (1), y (0) si tiene
un nivel de educación inferior al universitario.
Se pide:

Estimar modelos tipo referéndum que predigan la disponibilidad

a pagar media por los diferentes niveles de calidad ambiental del
río. Cual es el conjunto de variables óptimas en este caso.
Mencione el orden encontrado en los valores de la
disponibilidad a pagar. Cree que estos valores son consistentes
con las mejoras propuestas. La estimación de la disponibilidad a
pagar media por los diferentes niveles de calidad ambiental del
río serán estimados a partir del modelo LOGIT.
Luego, después de hacer dicha estimación, desarrollaremos una
discusión en torno a los diferentes valores de disponibilidad a
pagar encontrados a partir de cada uno de los modelos.
Primeramente, estimemos los modelos LOGIT: Utilicemos el
proceso de importación de datos, la idea es importar un
proyecto del archivo BASE.XLS, archivo con 15 variables y 340
observaciones. Inmediatamente aparecerán las 15 variables y las
340 observaciones correspondientes a la base de datos. Nuestro
proyecto se llama EJERCICIOVC.
 Base de Datos

OBS X1 X2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 X15

1 2 1 11 20 1 5 1 5 1 10 1 2 3000 4 0

2 2 1 12 15 0 6 0 6 1 9 1 3 2500 5 1

3 3 1 9 17 0 6 0 6 1 8 0 4 2000 3 1

4 2 1 8 14 0 5 0 5 1 10 0 5 1000 4 0

Son 340 Observaciones

summarize X1 X2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 X15

Variable Obs MeanStd. Dev. MinMax

X1 340 2.317647 .6555732 13

X2 340 .9764706 .151801 01
x3 340 8.926471 1.119895 712
x4 340 17.16176 4.887557 931
x5 340 .4058824 .4917857 01
Regresión MPL
. regress x7 x6 x13 X2 X15

Source SS df MS Number of obs = 168

F( 4, 163) = 7.44
Model 6.14985037 4 1.53746259 Prob > F = 0.0000
Residual 33.7013401 163 .206756688 R-squared = 0.1543
Adj R-squared = 0.1336
Total 39.8511905 167 .238629883 Root MSE = .45471

x7 Coef. Std. Err. t P>|t| [95% Conf. Interval]

x6 .0002948 .0001111 2.65 0.009 .0000754 .0005143

x13 .0000565 .0001486 0.38 0.704 -.000237 .00035
X2 -.2913066 .2312788 -1.26 0.210 -.7479955 .1653822
X15 .3157243 .0723771 4.36 0.000 .1728068 .4586418
_cons -1.13852 .6946343 -1.64 0.103 -2.510162 .2331218
Regresión Logit
. logit x7 x6 x13 X2 X15

Iteration 0: log likelihood = -112.11369

Iteration 1: log likelihood = -98.456441
Iteration 2: log likelihood = -98.269004
Iteration 3: log likelihood = -98.268866
Iteration 4: log likelihood = -98.268866

Logistic regression Number of obs = 168

LR chi2(4) = 27.69
Prob > chi2 = 0.0000
Log likelihood = -98.268866 Pseudo R2 = 0.1235

x7 Coef. Std. Err. z P>|z| [95% Conf. Interval]

x6 .0016299 .0006206 2.63 0.009 .0004135 .0028462

x13 .0002561 .0007107 0.36 0.719 -.0011369 .0016491
X2 -1.442134 1.234883 -1.17 0.243 -3.86246 .978192
X15 1.447451 .3532935 4.10 0.000 .7550089 2.139894
_cons -8.988041 3.823405 -2.35 0.019 -16.48178 -1.494305