Aplicación web para la comparación de diferentes ...
37
1 EVALUACIÓN DEL IMPACTO ECONÓMICO DE LA CUARTA GENERACIÓN (4G) DE CONCESIONES VIALES EN LA VALORIZACIÓN DEL SUELO RURAL EN COLOMBIA. MARIO ANDRÉS ORTIZ BERNAL MEMORIA DE GRADO PARA OPTAR AL GRADO EN ECONOMÍA ASESOR: DANIEL PAEZ UNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMÍA BOGOTÁ, COLOMBIA 2014
Transcript of Aplicación web para la comparación de diferentes ...
1
EVALUACIÓN DEL IMPACTO ECONÓMICO DE LA CUARTA GENERACIÓN
(4G) DE CONCESIONES VIALES EN LA VALORIZACIÓN DEL SUELO RURAL
EN COLOMBIA.
MARIO ANDRÉS ORTIZ BERNAL
MEMORIA DE GRADO PARA OPTAR AL GRADO EN ECONOMÍA
ASESOR: DANIEL PAEZ
UNIVERSIDAD DE LOS ANDES
FACULTAD DE ECONOMÍA
BOGOTÁ, COLOMBIA
2014
AGRADECIMIENTOS
Quiero expresar mi más profundo y sincero agradecimiento a todas aquellas personas que con
su ayuda han colaborado en la realización del presente trabajo.
Al profesor Daniel Páez, asesor principal de esta investigación, por la orientación, el
seguimiento y la supervisión continúa de la misma.
Un especial reconocimiento a Vanessa Guzmán y otros integrantes del Grupo de
Sostenibilidad Urbana y Regional (Grupo SUR) del Departamento de Ingeniería Civil y
Ambiental de la Universidad de Los Andes, por su colaboración en recolección de datos y
manejo de software para el análisis espacial mostrado en este trabajo.
Finalmente, un agradecimiento muy especial al apoyo incondicional de mi familia.
A todos ellos, muchas gracias.
RESUMEN
Este trabajo tiene como objetivo principal evaluar el impacto económico que tiene el
desarrollo de proyectos de infraestructura vial en Colombia, particularmente en cuanto al
valor del suelo.
La motivación para trabajar sobre el tema es evaluar el impacto económico sobre la
valorización del suelo, en zonas rurales tras el desarrollo de proyectos de infraestructura vial.
Esto es de particular importancia dada la coyuntura actual de adjudicación de la cuarta
generación de concesiones viales (4G). En cuanto a esto, no existe hoy una herramienta en los
estudios de pre-factibilidad de las concesiones actuales en Colombia, que permita evaluar
cambios en el valor del suelo. Se propone medir el impacto directo de los proyectos viales
sobre el valor de la tierra mediante una regresión geográficamente ponderada (RGP). Esta
metodología derivada de la regresión multi-lineal, permite diferenciar el efecto de una
variable explicativa sobre la variable dependiente teniendo en cuenta la ubicación geográfica
de los datos.
Como resultado se obtuvo un modelo de regresión usando la metodología RGP con un
Coeficiente de Significancia (R2) de 51%. Las variables explicativas del precio del suelo a nivel
municipal fueron mucho más significativas, ya que a medida que se tiene un análisis más
específico, el resultado es más confiable. El modelo fue derivado de un modelo de regresión
multi-lineal con un R2 de 45%. El modelo RGP logra aumentar la explicación de la variación en
el valor de suelo respecto a las variables independientes, de un 45% a un 50%.
Para el caso en particular se encontró que el valor agregado generado por 4G no es equitativo
a lo largo de las diferentes regiones y se concentra principalmente en la zona central del país.
Esto se demuestra porque la zona central colombiana cuenta con la mayor concentración de
vías primarias y secundarias en la actualidad, y sin embargo es la zona en donde se concentra
también la mayoría de los proyectos 4G. Por lo tanto se concluye que se deben analizar más
detenidamente los efectos de 4G, con el fin que los nuevos proyectos 4G de infraestructura
vial en Colombia generen valor a la todas las regiones del país de forma equitativa.
La aplicación de la metodología RGP permitió concluir que la utilización de esta herramienta
genera un valor agregado tanto estadístico como analítico para el estudio de evaluaciones de
impacto económicas, particularmente para el caso de vías intermunicipales.
Finalmente, la investigación desarrollada se puede beneficiar en el futuro de la identificación
de nuevas variables que fortalezcan el modelo estadísticamente para que se puedan obtener
resultados más confiables. Adicionalmente, se puede analizar nuevos proyectos viales que
generen mayor impacto económico en las regiones más pobres del país.
Palabras clave: evaluación de impacto, proyecto de infraestructura vial, regresión
geográficamente ponderada (RGP), cuarta generación de concesiones viales (4G), Sistemas de
Información Geográfica, precios del suelo.
CONTENIDO
Agradecimientos ........................................................................................................................................................... 2
Resumen ........................................................................................................................................................................... 3
Índice de tablas e ilustraciones ............................................................................................................................... 6
Introducción .................................................................................................................................................................... 7
Marco teórico y Revisión bibliográfica ................................................................................................................ 9
Análisis de proyectos de infraestructura vial ............................................................................................... 9
Regresión Geográficamente Ponderada (RGP) ......................................................................................... 11
Metodología.................................................................................................................................................................. 13
Diseño de variables y determinación del modelo .................................................................................... 13
Modelo de regresión lineal estándar ............................................................................................................. 18
Modelo de Regresión Geográficamente Ponderada (RGP) ................................................................... 21
Caso de estudio: Concesiones 4G .................................................................................................................... 22
Conclusiones ................................................................................................................................................................ 23
Anexos ............................................................................................................................................................................ 26
Anexo 1 ...................................................................................................................................................................... 26
Anexo 2 ...................................................................................................................................................................... 27
Anexo 3 ...................................................................................................................................................................... 28
Anexo 4 ...................................................................................................................................................................... 29
Anexo 5 ...................................................................................................................................................................... 29
Anexo 6 ...................................................................................................................................................................... 30
Anexo 7 ...................................................................................................................................................................... 30
Anexo 8 ...................................................................................................................................................................... 31
Anexo 9 ...................................................................................................................................................................... 32
Anexo 10 ................................................................................................................................................................... 33
Anexo 11 ................................................................................................................................................................... 34
Anexo 12 ................................................................................................................................................................... 35
Bibliografía ................................................................................................................................................................... 36
ÍNDICE DE TABLAS E ILUSTRACIONES
Tabla 1. Variables escogidas para explicar el valor del suelo de la FNM ............................................ 13
Tabla 2. Clasificación de información vial en OSM ....................................................................................... 17
Tabla 3. Variables de transporte para explicar el valor del suelo.......................................................... 18
Tabla 4. Modelo OLS ................................................................................................................................................. 19
Tabla 5. Modelo OLS con variables significativas únicamente ................................................................ 20
Tabla 6. Valorización municipal ........................................................................................................................... 24
Ilustración 1. Inversión en proporción del PIB ................................................................................................ 8
Ilustración 2. Metodología de Investigación ................................................................................................... 13
Ilustración 3 Avalúo del suelo .............................................................................................................................. 14
Ilustración 4. Distribucion red vial principal en Colombia ....................................................................... 16
Ilustración 5. Line Density ..................................................................................................................................... 17
Ilustración 6. CARACTERÍSTICAS Modelo RGP ............................................................................................. 21
Ilustración 7. Red vial nacional ............................................................................................................................ 26
Ilustración 8. Área de influencia de la red vial por municipio ................................................................ 27
Ilustración 9. Población por municipio ............................................................................................................. 28
Ilustración 10. Red vial primaria por población municipal...................................................................... 29
Ilustración 11. Red vial secundaria por población municipal ................................................................. 29
Ilustración 12. Red vial terciaria por población municipal ...................................................................... 30
Ilustración 13. Información disponilbe por departamentos en el IGAC ............................................. 30
Ilustración 14. Modelo RGP ................................................................................................................................... 31
Ilustración 15. Proyectos concesiones 4G ....................................................................................................... 32
Ilustración 16. Área de influencia red vial + 4G ............................................................................................ 33
Ilustración 17. Impacto de las diferentes vías sobre el valor del suelo en zona rural en
Colombia ........................................................................................................................................................................ 34
Ilustración 18. VALORIZACION DEL KM2 EN ZONA RURAL TRAS SIMULACIÓN de 4G ............... 35
INTRODUCCIÓN
Es importante establecer las bases de porqué se debe prestar gran atención a la evaluación de
impacto en los proyectos de infraestructura vial en zonas rurales. Según la Asociación
Internacional para la Evaluación de Impacto (IAIA, por sus siglas en inglés) esta evaluación de
impacto se define como el proceso de identificación de futuras consecuencias a causa de una
acción determinada (IAIA, 2009). Y en el caso de los proyectos de infraestructura vial
impulsados por la nación, dichas consecuencias conciernen específicamente al bienestar
social. De acuerdo con esta afirmación, velar por el bienestar social de los colombianos es un
principio fundamental señalado en la Constitución Política de Colombia: (República de
Colombia, 1991)
“Artículo 2. Son fines esenciales del Estado: servir a la comunidad, promover la
prosperidad general (…) Las autoridades de la República están instituidas para
proteger a todas las personas residentes en Colombia, en su vida, honra, bienes,
creencias, y demás derechos y libertades, y para asegurar el cumplimiento de los
deberes sociales del Estado y de los particulares.”
Por lo tanto, la evaluación del impacto de los proyectos de infraestructura vial debe evaluar
principalmente el bienestar que estos producen a la comunidad, medido en aspectos sociales,
ambientales y económicos.
Adicionalmente, existen otras ventajas por las cuales es importante hacer énfasis en el
impacto económico, social y ambiental de los proyectos de desarrollo de infraestructura.
Algunas de estas ventajas, como lo establece el Centro Internacional de Minería para el
Desarrollo, (Franks, 2012) son:
Asegurar que los desarrollos contribuyan al crecimiento económico y desarrollo social
a largo plazo
Atraer compañías experimentadas y capaces
Reducir riesgos de proyectos y proporcionar una mayor seguridad para inversionistas,
gobierno y sociedad
Informar e implicar actores internos y externos para crear confianza y resultados
mutuamente beneficiosos
Aumentar ventaja competitiva y reputación
Por esto, la evaluación de impacto económico, social, y ambiental es crucial en la evaluación
de impacto de proyectos de infraestructura vial, de tal forma que la decisión de invertir en
infraestructura esté basada en una relación costo beneficio positiva de los proyectos tanto
para la nación, como para la empresa privada y la comunidad. La evaluación de impacto
promueve de esta forma un proceso transparente que permite a la nación y otros agentes que
intervienen en la toma de decisiones a lo largo del desarrollo de los proyectos, tener a su
disposición la información necesaria para la escogencia de los proyectos adecuados.
En este trabajo se hará la evaluación de impacto al caso de la cuarta generación de
concesiones viales en Colombia. Los objetivos principales del gobierno colombiano con el
desarrollo de estos proyectos son (Andrade Moreno, 2013):
Combatir la baja competitividad por deficiencia en la calidad de la infraestructura
Llegar al 3% de Producto Interno Bruto en inversión de infraestructura para el 2014,
para alcanzar la competitividad de otros sectores en Colombia (ver Ilustración 1).
ILUSTRACIÓN 1. INVERSIÓN EN PROPORCIÓN DEL PIB1
La evaluación de impacto económico de las 4G es crucial para determinar la magnitud de valor
que se está generando en el precio del suelo de las zonas rurales que son beneficiadas por
estos proyectos. La importancia de esta medición radica en que actualmente no existe una
herramienta que permita predecir la valorización del suelo tras el desarrollo de proyectos de
infraestructura vial. Esta falta de valoración de los impactos (tanto positivos como negativos)
de los proyectos viales en un problema ya que se limita la posibilidad del estado de
1 Fuente: Agencia Nacional de Infraestructura (ANI)
desarrollar un mejor esquema de financiación en los que, por ejemplo, se podría incluir
herramientas de captura de valor como la plusvalía.
En la siguiente sección se explora la bibliografía actual relevante a la evaluación de proyectos
y se presenta otras experiencias con la metodología propuesta en este estudio.
MARCO TEÓRICO Y REVISIÓN BIBLIOGRÁFICA
ANÁLISIS DE PROYECTOS DE INFRAESTRUCTURA VIAL
En la actualidad los análisis de pre-factibilidad de proyectos de infraestructura vial en
Colombia están basados principalmente en la selección de proyectos de acuerdo a
evaluaciones Costo Beneficio (CB) financieras de los proyectos. Estos estudios de pre-
factibilidad para la cuarta generación de concesiones viales en Colombia, son preparados
conjuntamente por la Agencia Nacional de Infraestructura (ANI), el Fondo Nacional de
Proyectos de Desarrollo (FONADE), la Corporación Financiera Internacional (CFI) del
Banco Mundial y los estructuradores de los proyectos específicos (ANI, 2013). Los
estudios de pre-factibilidad cuentan apenas con una vaga descripción de factores
ambientales, sociales, prediales, ecológicos, entre otros; que no son tenidos en cuenta
dentro del modelo de evaluación CB del proyecto (Agencia Nacional de Infraestructura,
2013).
A pesar de la gran importancia que tiene un proyecto de infraestructura vial público
existen muchos aspectos débiles en el proceso del desarrollo de estos proyectos. Entre los
principales se encuentra el hecho que la selección de proyectos está sujeta exclusivamente
a la efectividad y precisión de los actuales estudios de pre-factibilidad. Los estudios de
pre-factibilidad realizados en Colombia no tienen en cuenta factores importantes de
impacto económico, social y ambiental sobre las comunidades afectadas; como la
valorización del precio del suelo en zonas rurales. Un ejemplo claro es el estudio de pre-
factibilidad del “Proyecto vía al mar y Circunvalar de la Prosperidad”, en donde los
factores sociales no tiene un papel importante en el análisis (ANI, 2013).
Como lo presentan Hyari y Kandil, los agentes que toman las decisiones de selección de
proyectos basados en estudios de pre-factibilidad deben tener presente tanto la precisión
de las proyecciones con que se realizan los estudios, y que se cuente con toda la
información posible antes de la toma de decisiones (Hyari & Kandil, 2009). El estudio
conducido por los profesores Hyari y Kandil, muestra una considerable diferencia con los
resultados de un estudio de factibilidad de un proyecto específico, en comparación con los
resultados luego de la finalización del proyecto. Razón por la cual sugieren prestar mayor
atención a los estudios de factibilidad de la selección de proyectos de infraestructura.
Otro de los aspectos importantes a reforzar se evidencia en los estudios de evaluación de
proyectos de infraestructura vial en zonas rurales, los cuales no cuentan con una medida
de bienestar social y ambiental adecuada dentro del análisis. Existen dos posibles
soluciones en este aspecto, las cuales son planteadas por Dominique Van de Walle (Van de
Walle, 2002):
La primera consiste en arriesgarse a una selección de proyectos basada en un
análisis financiero CB tradicional, ignorando los beneficios y/o costos sociales y
ambientales que podrían influir una selección de proyectos sub-óptima.
La segunda es proponer una metodología adecuada que permita incluir el análisis
de impacto de beneficios sociales y ambientales dentro de marco de evaluación CB
general de los proyectos de infraestructura vial.
La opinión de la academia señala que no es posible basar un análisis de pre-factibilidad
tan sólo en la eficiencia económica. En contraste, Gannon y Lui en su trabajo sobre
pobreza y transporte indican por qué se utiliza en la actualidad (Gannon & Lui, 1997):
“La eficiencia economía es ampliamente aceptada como el objetivo principal de las
operaciones del sector del transporte y se utiliza, a través de análisis de CB, para orientar
la selección y diseño de los proyectos”.
De acuerdo a la conclusión académica, éste trabajo propone incorporar una medida de
impacto económico para no enfocarse únicamente en la eficiencia económica de los
proyectos: la valorización del suelo. Actualmente, se dan por hecho estos impactos sin ser
medidos ni evaluados; como se puede ver en el estudio en etapa de perfectibilidad del
“Proyecto Vía al Mar y Circunvalar de la Prosperidad” (ANI, 2013):
“Desde el punto de vista socioeconómico, el proyecto aporta beneficios de
reducción en los tiempos de viaje, (…) y el incremento de valor (valorización) de
los predios de la zona de influencia del proyecto.”
Sin embargo, en estos estudios no se presenta ninguna valoración o evidencia técnica de
estos beneficios de valorización, haciendo que no se puedan tener en cuenta en los análisis
financieros del proyecto o en consideraciones, por ejemplo, tributarias para la
cofinanciación de la infraestructura.
La valoración de los beneficios de la infraestructura en el valor del suelo no es nueva. Se
utilizó por ejemplo en un estudio sobre medidas para reducir la pobreza, dirigido por el
Banco Mundial (Van de Walle, 2002); en donde se analiza la eficiencia en la escogencia del
desarrollo de vías rurales como herramienta para reducir la pobreza, capturando el
impacto económico que genera la construcción de nueva infraestructura. Otro estudio,
también dirigido por el Banco Mundial analiza el uso de infraestructura para buscar la
mejora de las condiciones de vida en América Latina y el Caribe (Brushett & John-
Abraham, 2006).
REGRESIÓN GEOGRÁFICAMENTE PONDERADA (RGP)
En este trabajo se realizará una regresión geográficamente ponderada para medir el
impacto económico de los proyectos de infraestructura vial de las concesiones 4G sobre el
valor de suelo en zona rural en Colombia.
Este tipo de modelos de regresión espacial fue propuesto en 1996 por Brunsdon et al, con
el fin de captar las variaciones espaciales de los parámetros estimados en los modelos de
regresión y poder estimar de esta manera no sólo parámetros globales sino locales
(Brunsdon, Fotheringham, & Charlton, 1996).
RGP permite diferenciar el efecto de una variable explicativa sobre la variable
dependiente en el modelo de regresión dependiendo de la ubicación geográfica de los
datos. El modelo se basa en el concepto de “decaimiento de distancias”, en donde los datos
geográficamente más cercanos tienen mayor peso en el modelo, simulando un efecto de
caída con la distancia de las observaciones. En otras palabras, la relación entre las
variables independientes con la dependiente está relacionada con la distancia entre las
observaciones usadas en el modelo de regresión.
De esta forma, RGP tiene en cuenta el hecho que pueden presentarse variaciones en el
modelo de acuerdo a la relación espacial de los datos. (Fotheringham, Brunsdon, &
Charlton, 2002). Algunas de las ventajas más importantes de RGP son:
Obtención de mayor precisión en el análisis por su enfoque local, y no global
(Lloyd & Shuttleworth, 2005).
Desagregación del coeficiente de determinación (R2) en coeficientes locales para
identificar geográficamente en donde tienen mayor o menor poder explicativo las
variables independientes (Brunsdon, Fotheringham, & Charlton, 1996).
En su mayoría, RGP genera errores de estimación más pequeños que un modelo de
regresión de mínimos cuadrados ordinarios; además reduce considerablemente el
problema de autocorrelación espacial (Hadayeghi, Shalaby, & Persaud, 2010).
RGP ha sido aplicado exitosamente en estudios sobre accidentes de tráfico (Hadayeghi,
Shalaby, & Persaud, 2010), estudios de transporte (Chow, Chi, & Zhao, 2010) y
especialmente relacionado con esta investigación, el trabajo de Páez sobre influencia de
infraestructuras de transporte sobre usos de suelo. (Páez, 2006)
Adicionalmente, en la mayoría de estudios presentados se ha encontrado la principal
debilidad de RGP en los datos. Actualmente, pocos estudios consideran el aspecto espacial
en sus análisis debido a la limitada disponibilidad de datos georreferenciados, además del
poco análisis de metodologías de usos de los mismos datos (Sanchez-Peña, 2012).
La razón para medir la valorización del suelo en zona rural mediante de RGP es
principalmente el valor agregado del análisis a partir de la desagregación de resultados
globales a locales. A pesar que RGP se deriva un modelo de regresión lineal simple de
mínimos cuadrados, RGP permite obtener el análisis regional deseado para medir el valor
del suelo con el efecto de proyectos de infraestructura desarrollados en diferentes lugares.
METODOLOGÍA
En el desarrollo de este trabajo se utilizó la metodología de desarrollo para análisis espacial
(ver Ilustración 2) propuesta en el paper: “Exploring Geographically Weighted Regression of
Commute Mode Share in Melbourne, Australia” (Paez & Currie, 2012).
ILUSTRACIÓN 2. METODOLOGÍA DE INVESTIGACIÓN2
DISEÑO DE VARIABLES Y DETERMINACIÓN DEL MODELO
La selección de variables explicativas para la definición del modelo se hizo en dos partes:
Las primeras variables explicativas (ver Tabla 1) fueron escogidas a partir de la
información disponible en la Federación Nacional de Municipios (FNM), mediante las
herramientas de análisis e indicadores municipales que se encuentran en su página web.3
A partir de la información disponible sobre distintas categorías se evaluó el uso de varias
variables para el modelo de explicación del valor del suelo.
VARIABLE NOMBRE FUENTE AÑO
Dependiente Avalúo Catastral Instituto Geográfico Agustín Codazzi 2011
Explicativa Cobertura Acueducto Rural Superintendencia de Servicios Públicos 2008
Explicativa Ingreso Industria y Comercio Departamento Nacional de Planeación 2009
Explicativa Cobertura Eléctrica Rural Departamento Administrativo Nacional de Estadística 2005
Explicativa Inasistencia Escolar Departamento Administrativo Nacional de Estadística 2005
Explicativa Necesidades Básicas Insatisfechas Departamento Administrativo Nacional de Estadística 2010
Explicativa Cobertura Régimen Subsidiado Salud Ministerio de Salud 2010
Explicativa Población Rural Departamento Administrativo Nacional de Estadística 2005
TABLA 1. VARIABLES ESCOGIDAS PARA EXPLICAR EL VALOR DEL SUELO DE LA FNM
2 Fuente: (Paez & Currie, 2012) 3 FNM: http://www.fcm.org.co/index.php?id=162&L=fofumgocxsd
Diseño de variables y
determinación del modelo
Modelo de Resgresión
Lineal Estandar
Aplicación de Modelo RGP
Análisis Esaciaal y Resultados
En vista que el modelo se trata de una regresión lineal simple, y no de una serie de tiempo,
el uso de datos con disponibilidad más cercana en el tiempo para la medición de las
variables no genera inconvenientes significativos, particularmente si se tiene en cuenta
que el cambio de estas variables en el horizonte de los años utilizados tienen una
variación mínima.
Se usará el avalúo catastral del Instituto Geográfico Agustín Codazzi (IGAC) como variable
proxy del valor del suelo en zona rural. A demás, de estas primeras variables escogidas, se
realizaron análisis descriptivo para identificar tendencias en las variables. Se obtuvieron
estadísticas al interior de cada departamento con el fin de generar diferentes hipótesis
para probar con el modelo RGP el valor del suelo en zona rural.
Un análisis de la situación actual colombiana, muestra que el valor del suelo es mayor en
la región Andina (Cundinamarca principalmente), en los departamentos de Atlántico,
Córdoba y Valle. En contraste, las regiones de la Amazonía y Orinoquía presentan el valor
del suelo más bajo en el país (ver Ilustración 3).
ILUSTRACIÓN 3 AVALÚO DEL SUELO4
Adicionalmente, un análisis descriptivo de algunas de las variables explicativas del
modelo. Se identificaron las siguientes características regionales:
4 Fuente: Elaboración Propia.
Cobertura de acueducto: se tiene alta cobertura en general en la región Andina, en
los departamentos del Valle y Nariño de la zona Pacífica y en el departamento de
Guainía. Adicionalmente, la cobertura más baja está en el departamento de Arauca.
Cobertura eléctrica: se observa claramente una cobertura alta en zona Andina, una
cobertura media en las regiones Caribe, Pacífico y Orinoquía, y cobertura baja en la
Amazonía.
El análisis de la variable de Necesidades Básicas Insatisfechas (NBI) rural, como
indicador de pobreza muestra que los departamentos más pobres pertenecen a las
regiones del Caribe, Amazonía y Pacífico; mientras en la región Andina y el
departamento del Valle se presenta la menor pobreza en el país.
Aunque sólo se muestran los análisis de algunas de las variables, se identificaron una serie
de resultados esperados de acuerdo al comportamiento de los datos:
Alta influencia de variables de cobertura de servicios públicos en zona rural
(medida en significancia, signo y magnitud de los coeficientes del modelo). En
cuanto a esto, coincide en su mayoría las altas coberturas de servicios públicos con
los altos valores del suelo en zona rural. Estos resultados para departamentos de
la región Andina, especialmente en Cundinamarca, algunos de la región Caribe y el
departamento del Valle, siendo una excepción del comportamiento de las variables
para los departamentos de la región Pacífica.
Respecto a la variable de medición de pobreza (NBI) se espera que tenga alta
importancia en las regiones de la Orinoquia y Amazonia especialmente, y así
mismo media importancia en las regiones del Pacífico y Caribe.
La variable de medida de ingreso de los municipios por concepto de Industria y
Comercio, muestra una tendencia a un alto nivel de comercio en zonas Andina y
del Caribe.
La variable de Inasistencia Escolar, busca medir la proximidad de las instituciones
educativas oficiales con la zona rural de cada municipio. Tiene alta importancia en
la región del Amazonas, donde se presenta la mayor inasistencia, a diferencia de
Cundinamarca y la región Andina.
En cuanto a la cobertura del régimen subsidiario de salud, se repite el patrón de
mayor importancia en departamentos centrales del país, a diferencia de la
Amazonía u Orinoquía en donde se observa la menor cantidad de cubrimiento de
salud pública.
Finalmente, se usó la población para determinar si al presentarse mayor población
en los municipios el modelo captura la importancia de beneficiar a más personas
mediante el valor del suelo.
El segundo grupo de variables explicativas provienen de la red vial nacional de Colombia,
ya que el fin principal de este trabajo es identificar el impacto económico de los proyectos
de infraestructura vial sobre el valor del suelo en zonas rurales. Además la red vial
principal es de gran importancia en el plan de desarrollo de la nación (ver Ilustración 4).
ILUSTRACIÓN 4. DISTRIBUCION RED VIAL PRINCIPAL EN COLOMBIA5
La información utilizada para modelar geoespacialmente la red vial y la ubicación de los
municipios en Colombia se obtuvieron de OpenStreetMap (OSM)6 con fecha 14 de Marzo
de 2014 (una base de datos que guarda información georeferenciada a nivel mundial).
Una vez obtenida la información de OSM deseada para Colombia, se dividieron las vías en
primarias, secundarias y terciarias para captar el impacto de cada tipo de vía sobre el
valor del suelo (ver mapa de la red vial nacional en el Anexo 1). Las información de las
vías de Colombia en OSM se clasificó en las tres categorías: primaria, secundaria y
terciaria como lo muestra la Tabla 2.
5 Fuente: DNP, Ministerio de Transporte. 2011 6 http://www.openstreetmap.org/
PRIMARIAS SECUNDARIAS TERCIARIAS Primary Secondary Tertiary
Primary_link Secondary_link Tertiary_link
Trunk Residential
Trunk_link Road
track
service
services
TABLA 2. CLASIFICACIÓN DE INFORMACIÓN VIAL EN OSM7
Este proceso de manejo de información georeferenciada se hizo a través del software:
ArcGIS. Con la red vial en ArcGIS, y después de hacer múltiples pruebas con otras
herramientas para la deducción de variables espaciales para la red vial, se decidió utilizar
la información arrojada por la herramienta “Densidad de Línea” (Line Density) (ver
Ilustración 5).
ILUSTRACIÓN 5. LINE DENSITY8
Al tratar la información de las vías mediante “Line Density”, se traza un radio de influencia
de las vías de tal manera que se transforma la información de las vías de una distancia a
un área de influencia de cada vía para cada punto geográfico. De esta forma, se captura
realmente la influencia de la red vial en los municipios por los que pasa cada tipo de vía,
distinguiendo por la clasificación vial existente: primaria, secundaria y terciaria. En este
caso, se utilizó un radio de 40 km desde cada celda de cada tipo de vía, de 1 kilómetro
cuadrado de área. A continuación se muestran las variables que permitirán capturar el
efecto de la red vial sobre el valor del suelo (ir al Anexo 2 para ver la distribución
geográfica del área de influencia de cada tipo de vía en Colombia).
7 Fuente: http://wiki.openstreetmap.org/wiki/Co:Map_Features 8 Fuente: ArcGIS Help.
VARIABLE NOMBRE FUENTE AÑO
Explicativa Área de influencia de vías principales ponderada OSM 2013
Explicativa Área de influencia de vías secundarias ponderada OSM 2013
Explicativa Área de influencia de vías terciarias ponderada OSM 2013
TABLA 3. VARIABLES DE TRANSPORTE PARA EXPLICAR EL VALOR DEL SUELO
En el Anexo 2 se presenta como es la distribución actual de la red vial en Colombia. Las
vías terciarias y secundarias tienen una gran importancia y su área de influencia sobre los
municipios cubre la mayor parte del país. Por otro lado, las vías primarias tiene gran
importancia en las regiones Andina y Caribe principalmente, mientras su desarrollo es el
resto del país es casi nulo. De esta manera se podría esperar un gran impacto de la red vial
en el valor del suelo de las regiones centrales de Colombia, mientras en las regiones
periféricas como la Amazonía, Orinoquía y Pacífico debería tener un mayor impacto la red
de vías terciarias y secundarias. En el Anexo 3 se puede ver la distribución de la población
en Colombia, y en comparación con el análisis anterior se puede ver como la red vial
beneficia en su mayoría a la población urbana, mientras las regiones con mayor población
rural tienen baja influencia de vías a su alrededor. Para ver con mayor claridad la
distribución de vías por población en cada municipio ir a los anexos:
Vías primarias - Anexo 4
Vías secundarias - Anexo 5
Vías terciarias - Anexo 6
MODELO DE REGRESIÓN LINEAL ESTÁNDAR
La selección de variables explicativas para la definición del modelo se realizó mediante
exploración exhaustiva de la relación de cada variable con el valor del suelo. La forma
funcional del modelo se selecciona a partir de la naturaleza de las variables. El modelo
estimado9 es:
9 Para la estimación del modelo no se cuenta con información sobre avalúo catastral para ningún municipio del departamento de Antioquia, además a algunos municipios en el resto del país, ya que actualmente no se tiene la información unificada en las entidades respectivas. El IGAC trabaja en un proyecto de unificación de datos en el que existen algunos municipios en proceso de integración a la base de datos nacional. En el Anexo 7 se muestra la distribución de departamentos que cuentan con información disponible y los que no.
La variable dependiente, avalúo catastral, se transformó mediante una función logarítmica
con el fin de capturar el efecto de las variables explicativas en función del cambio
porcentual sobre el valor del suelo y tener un análisis más sólido en cuanto a esta
variación.
Las variables de vías (primarias, secundarias y terciarias) hacen referencia al área de
influencia calculada mediante “Line Density” de las vías cercanas a cada municipio. Las
variables de inasistencia escolar, cobertura eléctrica, cobertura de acueducto, cobertura
de salud y NBI fueron ponderadas por la densidad poblacional de cada municipio con el
fin de capturar el efecto de la cercanía a las vías del mayor número de personas posibles.
Por último, la variable de ingreso de industria y comercio se transformó mediante una
función logarítmica para capturar el efecto del cambio en el flujo de dinero sobre el
cambio en el valor de suelo. Los resultados del modelo de regresión lineal basado en
mínimos cuadrados ordinarios (OLS) fueron:
TABLA 4. MODELO OLS
Los resultados del modelo inicial de OLS muestran que las variables logran explicar un
45% de la variación del valor del suelo en zona rural en Colombia, de acuerdo al
coeficiente de determinación estimado. Adicionalmente, se ve que en su mayoría las
variables tienen significancia en el modelo a un nivel de confianza del 95% y un signo de
coeficiente esperado; por ejemplo, ante un cambio de 1% índice de pobreza (NBI) el
precio del suelo cae aproximadamente 0.01%. Sin embargo, para las variables de área de
influencia de vías secundarias y terciarias no se tiene significancia y su signo es negativo,
contrario a lo esperado.
Este resultado se podría explicar por el hecho que en las regiones con mayor densidad
poblacional rural es más importante la influencia de vías principales; en contraste, en la
región de la amazonia se tiene una alta importancia de las vías secundarias y terciarias,
pero su peso en el modelo global es bajo por su baja densidad poblacional rural. Por esta
razón, un modelo global no es el indicado para poder analizar la influencia de las vías
sobre el cambio en el valor del suelo en Colombia. Se requiere de un modelo que permita
llevar el análisis a un ámbito regional, con características diferentes de un lugar a otro.
Otro problema evidenciado con el modelo de regresión lineal simple es que la influencia
de las variables en el cambio del valor del suelo rural de forma global, no permite analizar
la inequidad en valor del suelo a lo largo del país como se ve en la Ilustración 3. Teniendo
en cuenta esto, se retiraron las variables sin significancia estadística, dando como
resultado un nuevo modelo el cual se presenta a continuación:
TABLA 5. MODELO OLS CON VARIABLES SIGNIFICATIVAS ÚNICAMENTE
Este nuevo modelo sin las variables sin significancia muestra que las variables logran
explicar un 45% de la variación del valor del suelo en zona rural en Colombia, al igual que
el modelo anterior. Adicionalmente, todas las variables son significativas a un nivel de
confianza del 95% y tiene un signo de coeficiente esperado. En conclusión, el modelo de
mínimos cuadrados ordinarios no permite el uso de variables que se consideraban
importantes en un principio, como la influencia de vías secundarias y terciaria, así como la
cobertura de servicios públicos. Sin embargo, es análisis de estas variables es importante
en un país con alta diversidad geográfica, por lo que serán tenidas en cuenta en el modelo
de regresión RGP.
MODELO DE REGRESIÓN GEOGRÁFICAMENTE PONDERADA (RGP)
El mismo modelo estimado en el paso anterior mediante OLS, fue estimado usando una
regresión geoespacial RGP, obteniendo los siguientes resultados:
ILUSTRACIÓN 6. CARACTERÍSTICAS MODELO RGP
El modelo RGP logra aumentar la explicación de la variación en el valor de suelo respecto
a las variables independientes, de un 45% a un 50%. Adicionalmente, se observa que la
suma de residuales cuadrados del modelo RGP en menor al de OLS, por lo que se tiene
menor nivel de error en el análisis espacial. El valor de AICc10, es una medida del
rendimiento del modelo, teniendo en cuenta la complejidad del modelo, un valor AICc más
bajo proporciona un mejor ajuste para los datos observados.
10 Criterio de Información de Akaike corregido (AICc): determina una cantidad de vecinos adaptable óptima de tal forma que cada estimación local se basa en el mismo número de entidades, en lugar de una distancia específica.
En el Anexo 8 se tiene la distribución espacial de los resultados del modelo RGP, en donde
se observa que el modelo tiene la mayor explicación del valor del suelo y el menor error
de predicción en las regiones Andina y Pacífica. En contraste, en las regiones Caribe y
Orinoquía principalmente se tiene el más bajo poder de explicación y la medida de error
más alta. También se logró responder algunas de las hipótesis planteadas al momento de
análisis de las variables explicativas:
Las variables de cobertura de acueducto, cobertura eléctrica, y cobertura de salud
muestran una mayor influencia en la explicación del cambio porcentual del valor
del suelo en la región Andina y otros departamentos específicos como Valle.
Las variables de medición de inasistencia escolar y Necesidades Básicas
Insatisfechas tienen mayor peso en el cambio porcentual del valor del suelo en las
regiones de la Amazonía y Orinoquía, respecto al resto del país.
CASO DE ESTUDIO: CONCESIONES 4G
Luego de obtener los resultados de RGP, se demostró que el modelo es estadísticamente
capaz de predecir el cambio en el valor del suelo en zona rural a partir de variables de
transporte (red vial). De esta forma, se quiere ver el impacto que tendría la
implementación de las concesiones 4G del plan de desarrollo territorial de Colombia sobre
el valor del suelo. Los proyectos 4G se distribuyen por diferentes zonas del país, como se
puede ver en el Anexo 9, y para captar el efecto de las 4G se construyó una nueva red vial
primaria que incluye los proyectos que se otorgarán en las concesiones futuras.
Se realizó la simulación de las vías de 4G en el modelo, mediante el mismo procesamiento
de datos: “Line Density” (ver Anexo 10). Los resultados obtenidos muestran en qué forma
se distribuiría la valorización general del suelo en zona rural tras la implementación de las
concesiones 4G.
En el Anexo 12 se puede ver el resultado final de la simulación del modelo RGP: una alta
valorización neta del suelo hacia la zona central colombiana en donde se concentran la
mayoría de proyectos de las concesiones 4G, los departamentos con mayor valorización
son Cundinamarca, Valle del Cauca, Quindío y Risaralda, además del Distrito Capital. De la
misma manera se puede ver que tanto la zona sur como norte del país presenta una baja
valorización en comparación al resto de Colombia, este efecto se da porque la simulación
de las concesiones mediante RGP hace que el impacto en municipios alejados a los
proyectos sea muy bajo o incluso nulo.
Adicionalmente, se puede ver la valorización porcentual respecto al valor inicial del
avalúo catastral de la zona rural en cada departamento. De acuerdo al modelo
desarrollado Boyacá, Risaralda y Nariño muestran las mayores valorizaciones relativas
aproximadamente del 2%. Este resultado quiere decir que las concesiones del “Grupo 2:
Centro Occidente”, como el proyecto de Santander de Quilichao – Pasto genera un gran
impacto en el valor del suelo, así como los proyectos de las concesiones de las “Autopistas
para la Prosperidad” que tienen alto impacto en la zona cafetera colombiana, y también
los proyectos de la concesión del “Fondo Adaptación: Cordillera Oriental” como el tramo
Tunja – Puerto Boyacá. En estos casos, el alto impacto sobre la valorización del suelo se
debe a que se fortalecen lugares en donde la infraestructura vial es de baja calidad en la
actualidad.
CONCLUSIONES
El aporte principal de éste trabajo está en mostrar el camino para la investigación del impacto
económico que generan los proyectos de infraestructura vial que se están planeando en
Colombia y cuyo análisis en el estudio previo de los proyectos es prácticamente nulo. También
es un objetivo fundamental de este trabajo mostrar que la estructuración de modelos
georeferenciados proporciona un valor agregado importante sobre los modelos de OLS
tradicionales. En esta investigación se encontró que con el modelo de regresión
geográficamente ponderado se pudo realizar un análisis más profundo de la importancia de
cada variable explicativa dentro del modelo y para cada punto del espacio en Colombia.
En cuanto a las características generales del modelo presentado, se puede concluir que en un
país con alta diversidad geográfica, cultural, demográfica, entre otras; la relevancia de una
variable puede cambiar radicalmente de un lugar a otro. Colombia es un claro ejemplo de este
caso y por lo tanto el modelo RGP es una gran herramienta para ayudar a la toma de
decisiones en lo que a infraestructura vial de refiere. Una referencia clara, es que impulsar el
desarrollo de diferentes tipos de vías puede generar un impacto totalmente diferente
dependiendo de la región donde se aplique. Por ejemplo, el desarrollo de vías primarias
genera mayor impacto en la región central del país.
Para el caso de estudio propuesto: la cuarta generación de concesiones viales muestra que el
desarrollo de proyectos de infraestructura vial tiene un alto impacto económico sobre la
valorización del suelo en zonas rurales. Es decir, los proyectos 4G generan un impacto
positivo en el valor del suelo de los colombianos en un marco general. Los resultados
específicos por departamento muestran una valorización neta concentrada en la zona central
y pacífica, disminuyendo gradualmente a medida que los departamentos se alejan del centro
hacia el sur-oriente y norte del país. Por otro lado, en cuanto a la valorización relativa al valor
del suelo inicial, los resultados no presentan grandes diferencias y el patrón de valorización es
muy similar. La zona andina muestra la mayor valorización porcentual. Boyacá, Risaralda y
Nariño muestran las mayores valorizaciones porcentuales respecto a su valor inicial mayor al
2%; en términos netos, los departamentos de Cundinamarca y Valle presentan las mayores
valorizaciones con una estimación de más de 10 millones de pesos de valor agregado por
kilómetro cuadrado. Finalmente, las mayores valorizaciones a nivel municipal estimadas por
el modelo se pueden ver en la Tabla 6.
DEPARTAMENTO MUNICIPIO VALORIZACIÓN
Nariño Magüi Payan 14,28%
Chocó Río Iro 12,32%
Chocó Medio San Juan 8,59%
Nariño Providencia 8,40%
Nariño Gualmatán 8,31% TABLA 6. VALORIZACIÓN MUNICIPAL
Se puede concluir que a pesar que las concesiones 4G tienen un impacto económico positivo
generalizado en el país, el valor agregado que se genera no es equitativo a lo largo de las
diferentes regiones y se concentra principalmente en la zona central, presentado bajo impacto
en las regiones de la periferia oriental y norte del país.
Finalmente, se identifica una posibilidad de mejora de éste trabajo mediante consolidación de
datos a lo largo del país para generar mayor confiabilidad de los resultados obtenidos por el
modelo RGP, así como identificación de variables socioeconómicas que logren explicar de una
mejor manera la variación del valor del suelo y puedan servir de mejor control en el modelo.
Otro punto importante a ser abordado es la inclusión de variables que capturen las
características específicas del suelo en cada región, ya que Colombia presenta una gran
diversidad geográfica. Con este conjunto de recomendaciones se esperaría tener un modelo
econométrico más sólido y confiable, que tenga mejores medidas de especificación estadística
que hagan que los resultados obtenidos sean más certeros y puedan ayudar a la planeación de
nuevos proyecto de infraestructura vial en Colombia que generen valor a la todas las regiones
del país de forma equitativa.
Finalmente se debe considerar en un futuro el desarrollo del modelo retirando aquellas zonas
con diferencias significativas en cuanto a su desarrollo, como son la Amazonía y Orinoquía.
ANEXOS
ANEXO 1
ILUSTRACIÓN 7. RED VIAL NACIONAL
ANEXO 2
ILUSTRACIÓN 8. ÁREA DE INFLUENCIA DE LA RED VIAL POR MUNICIPIO
ANEXO 3
ILUSTRACIÓN 9. POBLACIÓN POR MUNICIPIO
ANEXO 4
ILUSTRACIÓN 10. RED VIAL PRIMARIA POR POBLACIÓN MUNICIPAL
ANEXO 5
ILUSTRACIÓN 11. RED VIAL SECUNDARIA POR POBLACIÓN MUNICIPAL
ANEXO 6
ILUSTRACIÓN 12. RED VIAL TERCIARIA POR POBLACIÓN MUNICIPAL
ANEXO 7
ILUSTRACIÓN 13. INFORMACIÓN DISPONILBE POR DEPARTAMENTOS EN EL IGAC
ANEXO 8
ILUSTRACIÓN 14. MODELO RGP
ANEXO 9
ILUSTRACIÓN 15. PROYECTOS CONCESIONES 4G
ANEXO 10
ILUSTRACIÓN 16. ÁREA DE INFLUENCIA RED VIAL + 4G
ANEXO 11
ILUSTRACIÓN 17. IMPACTO DE LAS DIFERENTES VÍAS SOBRE EL VALOR DEL SUELO EN ZONA RURAL EN COLOMBIA
ANEXO 12
ILUSTRACIÓN 18. VALORIZACION DEL KM2 EN ZONA RURAL TRAS SIMULACIÓN DE 4G
BIBLIOGRAFÍA
Agencia Nacional de Infraestructura. (2013). Proyecto vía al mar y circunvalar de la
prosperidad. Estudios en etapa de pre-factibilidad, Bogotá.
Andrade Moreno, L. F. (2013). Cuarta Generación de Concesiones en Colombia. Agencia
Nacional de Infraestructura, Bogotá.
ANI. (2013). Proyecto Vía al Mar y Circunvalar de la Prosperidad. Estudio en etapa de
prefactibilidad, Bogotá.
Brunsdon, C., Fotheringham, A., & Charlton, M. (1996). Geographically weighted regression: a
method for exploring spatial nonstationarity. Geographical Analysis, 28, 281-298.
Chow, L., Chi, H., & Zhao, F. (2010). Subregional transit ridership models based on
geographically weighted regression. Annual Meeting of Transportation Research Board,
Paper #10-3810.
Figueroa B., E., & Lever D., G. (Abril de 1992). Determinantes del Precio de Mercado de los
Terrenos en el Area Urbana de Santiago. Cuadernos de Economía, 29(86), 99-113.
Fotheringham, A., Brunsdon, C., & Charlton, M. (2002). Geographically weighted regression: the
analysis of spatially varying relationships. Chichester: Wiley.
Franks, D. (2012). Evaluación del impacto social de los proyectos de recursos. International
Mining for Development Centre, Crawley.
Gannon, C., & Lui, Z. (1997). Poverty and Transport. The World Bank, TWU discussion
papers(TWU-30).
Hadayeghi, A., Shalaby, A., & Persaud, B. (2010). Development of planning level transportation
safety tools using geographically weighted poisson regression. Accident Analysis and
Prevention, 42, 676-688.
Hyari, K., & Kandil, A. (2009). Validity of Feasibility Studies for Infrastructure Construction
Projects. (T. H. University, Ed.) Jordan Journal of Civil Engineering, 3(1).
IAIA. (Ocubre de 2009). What is Impact Assesment? Obtenido de Interntional Association for
Impact Assessment: www.iaia.org
Lloyd, C., & Shuttleworth, I. (2005). Analysing commuting using local regression techniques:
scale, sensitivity, and geographical patterning. Environment and Planning, 37, 81-103.
Meloni, O., & Ruiz Nuñez, F. (2002). El Precio de los Terrenos y el Valor de sus Atributos. Un
enfoque de Precios Hedónicos. Económica, La Plata, XLVIII(1-2).
Páez, A. (2006). Exploring contextual variations in land use and transport analysis using a
probit model with geographical weights. Journal of Transport Geography, 14(3), 167-
176.
Paez, D., & Currie, G. (2012). Exploringg Geographically Weighted Regression of Communte
Mode Share in Melbourne, Australia. Geographic Information Sciene and Application.
República de Colombia. (1991). Constitución Política de Colombia.
Ridker, R. G., & Henning, J. A. (Mayo de 1967). The Determinants of Residential Property
Values with Special Reference to Air Pollution. The Review of Economics and Statistics,
49(2), 246-257. Obtenido de
http://www.jstor.org/discover/10.2307/1928231?uid=3737808&uid=2&uid=4&sid=
21103791636513
Rosen, S. (Febrero de 1974). Hedonic Prices and Implicit Markets: Product Differentiarion in
Pure Competition. The Jorunal of Political Economy, 82(1), 34-55. Obtenido de
http://www.jstor.org/discover/10.2307/1830899?uid=3737808&uid=2&uid=4&sid=
21103791636513
Van de Walle, D. (2002). Choosing rural road invesment to help reduce poverty. (E. S. Ltd., Ed.)
World Development. The World Bank, 30(4), 575-589.
