View
5.069
Download
2
Category
Preview:
Citation preview
Valoración EconómicaEjemplos
Precios hedónicosCosto de viaje
El proceso de valoración
Paso 1 – Identificación de la relación de causa – efecto La degradación ambiental es importante por sus efectos en:
(1) producción; (2) salud humana; (3) calidad del entorno Conocimientos requeridos: ingeniería, biología, química,
ciencias sociales,…
Paso 2 – Valoración económica del impacto Expresa los impactos ambientales usando una unidad de
medida única. Esto facilita la toma de decisiones Conocimientos requeridos: economía, estadística, …
El proceso de valoración
Disposición al pago
Mejora ambiental
Funcion de dosis-respuesta
Cambios en la salud
Cambios en producción
Estimación de impactos (cientifico)
Cambios en el entorno
Valoración económica (economista)
Cambios de productividad
Coste de oportunidad
Costo de reemplazo
Costo de reemplazo
Coste de oportunidad
Costosmedicos
Capitalhumano
Revelada
Acciones preventivas
Costo de viaje
Precios hedónicos
Hipotetica
Valoración contingente
Ranqueo contingente
Disposición al pago (DAP)
Al precio p*, la DAP total es el área debajo de la curva de demanda (A+B)El área encima de la línea de precio es el ‘surplus del consumidor’ (A)Valoración económica mide la DAP total
Disposición al Pago total
Cantidad de servicio ambiental
Precio
Q*
P*
Surplus del consumidor
C
A
B
Valoración – Técnicas Indirectas
Se estudia el comportamiento y decisiones de individuos para entender como los bienes ambientales son ‘intercambiados’ por otros bienes (ej. dinero)Permiten obtener el valor verdadero de la disposición al pago por el bien ambientalMétodos de preferencias reveladas (estudian comportamientos y decisiones realmente observadas) Precios hedónicos Costo de viaje
Métodos de preferencias anunciadas (se basan en la creación de situaciones hipotéticas) Valoración contingente Ranqueo contingente
Precios hedonicos – la literatura
Método de precios hedónicos
Estudios Salario-amenidad
Utilizan la información de los precios residenciales Y de los salarios para valorar la disposición al pago por mejoras en la calidad ambiental
Precios residenciales
Utilizan la información de precios residenciales para valorar la disposición al pago por mejoras en la calidad ambiental
Estudios de Salario / Valor de la vida
Utilizan información sobre salarios para valorar la disposición al pago a evitar riesgos. Esta información luego se usa para calcular el valor de una vida “estadística”
Método de precios hedónicos – precios residenciales
Paso 1 – Especificación de la función de precios hedónicosPaso 2 – Recolección de datosPaso 3 – Estimación de la correlación entre calidad ambiental y precios residencialesPaso 4 – Estimación de la DAP por la calidad ambiental
Paso 1 – La función de precios hedónicos
FPH pone en relación el precio de una residencia con sus características Características físicas
Tamaño Nro. habitaciones
Características del barrio Infraestructura de agua Calidad de transporte publico
Características ambientales Vista hacia el Avila Calidad de aire
Paso 1 – La función de precios hedónicos
Tamano de la residencia
Precio de la residencia
Paso 1 – La función de precios hedónicos
Tamano de la residencia
Precio de la residencia
Apartamentos mas grandes cuestan mas
Paso 1 – La función de precios hedónicos
Aire limpio
Precio de la residencia
Apartamentos en barrios con mejor calidad de aire cuestan mas
Q0
P0
Q1
P1
Paso 2 – Recolección de datos
El método de precios hedónicos requiere MUCHOS datos Cross sección Serie de tiempo
Los datos se recogen por medio de encuestas o censosSupuestos importantes Los mercados funcionan bien y no están
segmentados Los individuos perciben las diferencias en la calidad
ambiental
Paso 3 – Estimación del precio implícito del aire limpio
Es la estimación estadística de los parámetros en la siguiente ecuación:
Pi = α0 + α1Tamanoi + α2CalidadAirei + … + errori
α2 es el precio implicito del aire limpio
α2 nos dice cuanto varia el precio residencial cuando la calidad del aire varia en forma marginal, dejando lo demás constante
Paso 3 – Estimación del precio implícito del aire limpio
La función de precio implícito
Aire limpio
Precio implicito
Q0
α2
Q1
Disposición al pago
Las zonas costeras en la Republica Dominicana
1,389 km de costas, el pais tiene una rica composicion de ecosistemas costeros y marinosLas zonas costeras pueden ser divididas en 4 macro areas
Area Coral Mangroves Tourism development
Fisheries Urban Development
North-West
YES High Low Low Very low
North Partially Medium High High High
North-East Partially High Medium High Low
East YES Medium High Low Low
South-East
YES Low High Low High
Capital district
Partially Low High Low Very high
South YES Medium Very Low Low Very low
Las zonas costeras en la Republica Dominicana
NORTH
EAST
SOUTH-EAST
Analisis de precios hedonicos
1. La funcion hedonicaPRECIOHAB = f(CARHOTEL, CARAREA,
CALIDADAMB)
2. Los datos• Cross section – 83 observaciones• Hoteles en areas turisticas (turismo recreativo)
Costa norte (zona 1) Costa este (zona 2) Costa sur-este (zona 3) Entrevista telefonica, Agosto 2003
3. Estimacion
La funcion hedonica
VARIABLES DESCRIPTION EXPECTED SIGN
TYPE OF VARIABLE
LOGDOUBLEHIGH Log of double room price during high season (dependent variable)
LOGDOUBLELOW Log of double room price during low season (dependent variable)
C Constant ZONE1 Hotel is in the North coast
(dummy)
ZONE2 Hotel is in the East coast (dummy)
ZONE3 Hotel is in the South-East coast (dummy)
AIRPORTKM Distance from airport (Km) - DISTKM Distance from beach (Km) - DISTURBANKM Distance from urban center (Km) +/- POPDENSITY Population density in the region - ROOMDENSITY Number of rooms per km2 of the
beach -
Characteristics of the area
STAR Star grading + YEAR Year hotel was built +/- AQUAPARK Hotel has aquapark (dummy) + CASINO Hotel has casino (dummy) + DISCO Hotel has a discoteque (dummy) + GOLF Hotel has a golf course (dummy) + SPA Hotel has a spa (dummy) + TENNIS Hotel has tennis courts (dummy) +
Characteristics of the hotel
GARBEVERY1 Garbage is collected every day (dummy)
+/-
SMELL It is possible to notice smell of effluents and solid waste (dummy)
-
SWASTEBEACH It is possible to observe occasional accumulation of solid waste in beach (dummy)
-
SEWTREAT Hotel has a sewage treatment plant (dummy)
+
WATERMUN Hotel is connected to municipal water service (dummy)
+
Environmental characteristics
• Modelo log-linear• 5 modelos distintos
• 3 modelos para todas las zonas• 2 modelos separados para la costa norte y este
Variable dependiente:Precios de epoca altaEl efecto de la recoleccion de basura es inesperado posiblemente captura la limpieza de la playa
Sample(adjusted): 1 82 Included observations: 50 Excluded observations: 32 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -16.59560 20.57721 -0.806504 0.4265 ZONE1 0.606015 0.230059 2.634173 0.0134 ZONE2 0.558709 0.330301 1.691515 0.1015
AIRPORTKM -0.018337 0.005129 -3.575358 0.0012 DISTKM -0.000372 0.000204 -1.825781 0.0782
DISTURBANKM 0.005568 0.004450 1.251194 0.2209 POPDENSITY -0.000736 0.001239 -0.593926 0.5572
ROOMDENSITY -0.002257 0.001544 -1.461881 0.1545 STAR 0.330712 0.146156 2.262732 0.0313 YEAR 0.010530 0.010435 1.009072 0.3213
AQUAPARK 0.096129 0.183088 0.525045 0.6035 CASINO 0.452520 0.156752 2.886844 0.0073 DISCO -0.234264 0.194029 -1.207365 0.2370 GOLF -0.193345 0.171235 -1.129118 0.2681 SPA 0.268347 0.181786 1.476166 0.1507
TENNIS 0.231997 0.266839 0.869430 0.3918 GARBEVERY1 -1.180330 0.678043 -1.740789 0.0923
SMELL -1.178291 0.548826 -2.146931 0.0403 SWASTEBEACH -0.066512 0.173256 -0.383895 0.7039
SEWTREAT -0.207572 0.157697 -1.316267 0.1984 WATERMUN 0.136885 0.191745 0.713893 0.4810
R-squared 0.739331 Mean dependent var 4.140059 Adjusted R-squared 0.559559 S.D. dependent var 0.570761 S.E. of regression 0.378790 Akaike info criterion 1.191601 Sum squared resid 4.160966 Schwarz criterion 1.994651 Log likelihood -8.790031 F-statistic 4.112602 Durbin-Watson stat 2.412859 Prob(F-statistic) 0.000291
Densidad de habitaciones es significativo
Sample(adjusted): 1 82 Included observations: 50 Excluded observations: 32 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -13.52369 19.21826 -0.703689 0.4872 ZONE1 0.427830 0.228793 1.869948 0.0716 ZONE2 0.708582 0.320837 2.208540 0.0353
AIRPORTKM -0.013473 0.004760 -2.830715 0.0084 DISTKM -0.000321 0.000198 -1.626696 0.1146
DISTURBANKM 0.003773 0.004344 0.868557 0.3922 POPDENSITY -0.001069 0.001210 -0.883068 0.3845
ROOMDENSITY -0.003041 0.001465 -2.075138 0.0470 STAR 0.256115 0.159126 1.609507 0.1183 YEAR 0.008776 0.009753 0.899798 0.3756
AQUAPARK 0.118665 0.173541 0.683785 0.4995 CASINO 0.377530 0.165711 2.278239 0.0303 DISCO -0.344748 0.191443 -1.800784 0.0821 GOLF -0.011932 0.171952 -0.069390 0.9452 SPA 0.063554 0.173147 0.367053 0.7162
TENNIS 0.314210 0.259461 1.211013 0.2357 GARBEVERY1 -0.487123 0.646453 -0.753533 0.4572
SMELL -1.154998 0.536406 -2.153216 0.0398 SWASTEBEACH -0.053327 0.168177 -0.317088 0.7534
SEWTREAT -0.142813 0.156840 -0.910568 0.3700 WATERMUN 0.288793 0.177625 1.625861 0.1148
R-squared 0.709708 Mean dependent var 4.007057 Adjusted R-squared 0.509506 S.D. dependent var 0.525759 S.E. of regression 0.368217 Akaike info criterion 1.134984 Sum squared resid 3.931929 Schwarz criterion 1.938034 Log likelihood -7.374608 F-statistic 3.544963 Durbin-Watson stat 2.157457 Prob(F-statistic) 0.000996
Variable dependiente:Precios de epoca baja
Regresion sin las caracteristicas del hotel
Sample(adjusted): 1 82 Included observations: 50 Excluded observations: 32 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -8.239528 17.70679 -0.465332 0.6446 ZONE1 0.348786 0.220880 1.579078 0.1233 ZONE2 0.502640 0.285952 1.757779 0.0875
AIRPORTKM -0.014581 0.004230 -3.447111 0.0015 DISTKM -0.000159 0.000157 -1.007828 0.3205
DISTURBANKM 0.001723 0.004225 0.407906 0.6858 POPDENSITY -0.001003 0.001203 -0.834280 0.4098
ROOMDENSITY -0.002899 0.001415 -2.048305 0.0481 STAR 0.521037 0.118791 4.386160 0.0001 YEAR 0.005807 0.009046 0.641897 0.5251
GARBEVERY1 -0.524424 0.564763 -0.928573 0.3595 SMELL -0.564603 0.481281 -1.173127 0.2487
SWASTEBEACH -0.199815 0.152997 -1.306008 0.2001 SEWTREAT -0.159544 0.160184 -0.996000 0.3261 WATERMUN 0.238572 0.159300 1.497625 0.1432
R-squared 0.620521 Mean dependent var 4.007057 Adjusted R-squared 0.468729 S.D. dependent var 0.525759 S.E. of regression 0.383217 Akaike info criterion 1.162895 Sum squared resid 5.139937 Schwarz criterion 1.736502 Log likelihood -14.07237 F-statistic 4.087980 Durbin-Watson stat 2.381658 Prob(F-statistic) 0.000355
La costa norteSample(adjusted): 4 31 IF ZONE=1 Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -46.50796 52.38828 -0.887755 0.3955 AIRPORTKM -0.023430 0.011496 -2.038090 0.0689
DISTKM -0.000920 0.001133 -0.811898 0.4358 DISTURBANKM 0.030954 0.031760 0.974602 0.3527 ROOMDENSITY -0.005410 0.002929 -1.847433 0.0944
STAR 0.898008 0.331915 2.705533 0.0221 YEAR 0.024350 0.026166 0.930578 0.3740
SWASTEBEACH 0.132163 0.385286 0.343026 0.7387 SEWTREAT -0.448172 0.324284 -1.382034 0.1971 WATERMUN 0.852162 0.439903 1.937160 0.0815
R-squared 0.651665 Mean dependent var 3.903595 Adjusted R-squared 0.338163 S.D. dependent var 0.568764 S.E. of regression 0.462709 Akaike info criterion 1.603414 Sum squared resid 2.140992 Schwarz criterion 2.101280 Log likelihood -6.034140 F-statistic 2.078664 Durbin-Watson stat 0.975373 Prob(F-statistic) 0.134879
La costa este
Sample(adjusted): 32 70 IF ZONE=2 Included observations: 25 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -8.718624 16.46573 -0.529501 0.6042 AIRPORTKM -0.013579 0.003529 -3.848069 0.0016
DISTKM -0.000303 0.000121 -2.502030 0.0244 DISTURBANKM -0.000844 0.002958 -0.285201 0.7794 ROOMDENSITY -0.002668 0.003263 -0.817663 0.4263
STAR 0.395662 0.117038 3.380625 0.0041 YEAR 0.006050 0.008548 0.707712 0.4900
SWASTEBEACH -0.144699 0.153213 -0.944430 0.3599 SEWTREAT 0.427943 0.192091 2.227811 0.0416 WATERMUN 0.147627 0.140577 1.050152 0.3103
R-squared 0.778254 Mean dependent var 4.200196 Adjusted R-squared 0.645206 S.D. dependent var 0.435723 S.E. of regression 0.259537 Akaike info criterion 0.429336 Sum squared resid 1.010389 Schwarz criterion 0.916886 Log likelihood 4.633298 F-statistic 5.849425 Durbin-Watson stat 1.881096 Prob(F-statistic) 0.001422
Resumen
Los precios en la costa este son mas altos que en la costa norteLa diferencia puede ser explicada por Calidad del servicio Variables ambientales y disponibilidad de recursos
naturales
Esto no significa que la calidad ambiental sea mejor en la costa esteLos desafios ambientales son distintos
Summary
Variables Zone 1 Zone 2 Characteristics of the area AIRPORTKM AIRPORTKM ROOMDENSITY DISTKM Characteristics of the hotel STAR STAR Environmental characteristics WATERMUN SEWTREAT Note: Statistical significance is at 10% level.
Método del costo de viaje
La tasa de visitación depende de: Costo de viaje desde cada zona Características de la población de cada zona
Ingreso promedio Distribución de edad Otras variables (i.e. disponibilidad de sitios substitutos en la
zona)
La relación entre la tasa de visitación y el costo de viaje es estimada con métodos econométricos
Trip Generating Function
vi = v (travelcosti+admissionfee, incomei, other variablei)Where vi = visitation rate
Método del costo de viaje – representación grafica
Loc. 1Loc. 3
Loc. 4Loc. 2
PARK
100020100/ 1000Loc. 1
9005060/ 1000Loc. 4
13004080/ 1000Loc. 3
11003070/ 1000Loc. 2
Ingreso promedio (US$)
Costo de viaje (US$)
Tasa de visitación
Zona
Método del costo de viaje
El área debajo de la curva de ‘demanda’ nos da la disposición a pagar por la experiencia recreativa del parque
Costo de viaje
Numero de visitas en un añoCV BV
C
B
A
Choke Price
0$TC
CPTC
1$TC
2$TC
AV
0D
Método del costo de viaje
Asuma que la calidad del parque disminuya (e.g. derrame petrolero, ruido por una nueva carretera)El numero de visitas disminuye (la demanda pasa de D1 a D2)
La perdida de bienestar esta dada por el área sombreada entre las dos curvas de demanda
Visits
Admission fee
p*
v1v2
D1D2
Perdida de bienestar
Calidad de agua en Davao, Filipinas – Paso 1
Funcion de visitacion vi = α0 + α1TCi+ α2Yi + α3EDUi + α4EDADi + α5TCsubi + α6other variablei + errori
ResultadosTable 5.1. Parameters of the trip generating function before the adivsory Variables Parameter obtained
from pre-advisory estimation
t-statistics
Intercept α0 = 9.762 3.37 Travel cost α 1 = -0.104 -4.11
Income α 2 = 0.026 1.96 Education α 3 = -0.163 -0.93 Age α 4 = -0.027 -0.58 Substitute α 5 = 0.019 2.92
Calidad de agua en Davao, Filipinas – Paso 2
Funcion de demandaDi = (α0 + α1TCi+ α2Yi + α3EDUi + α4EDADi + α5TCsubi + α6other variablei) + α1Pi
Di = 5,163 – 0,104*Pi
5,163
P
D
Calidad de agua en Davao, Filipinas – Paso 3
Cambio en el bienestarAntes: Di = 5,163 – 0,104*Pi
Despues: Di = 1,079 – 0,029*Pi
5,163
P
D1,079
Recommended