Servicios ecosistémicos y su valoración
Se puede definir un servicio ambiental o ecosistémico como los beneficios para la población humana que se derivan directa o indirectamente de los ecosistemas (Bolund y Hunhammar, 1999). Los servicios dependen entonces de los tipos de los ecosistemas con los que cuente el entorno urbano. Bolund y Hunhammar (1999) distinguen 7 tipos de ecosistemas urbanos: árboles de calle, zonas verdes, bosques urbanos, tierras cultivadas, humedales, lagos/lagunas, y ríos/arroyos. Todos ellos en conjunto benefician a la población, y muchos estudios se han encargado de cuantificar el impacto de estos beneficios. En particular, se cuentan los que se relacionan con los ecosistemas de árboles de calle y las zonas verdes, como reducción de las temperaturas (Ripoll, Kurbán, Papparelli, Cúnsulo, y Roca, 2010), reducción de la polución en el aire (Durán Rivera y Alzate Guarín, 2009), secuestro de carbono (McPherson, Xiao, y Aguaron, 2013; Nowak y Crane, 2002) , mitigación de los efectos de calentamiento por gases de efecto invernadero (Laredo y Mirtha, 2011), mantenimiento del agua en los ecosistemas o proveyendo alimento como en el caso de los árboles frutales (Konijnendijk, Gauthier, y Van Veenhuizen, 2005; Nolazco, 2012) y reducción de los niveles de ruido (Bolund y Hunhammar, 1999). Otros estudios argumentan que los beneficios ambientales de los ecosistemas urbanos pueden medirse directamente en la salud de la población (Bolund y Hunhammar, 1999; Gómez-Baggethun y Barton, 2013). Una forma de clasificar todos estos beneficios e indagar sobre las medidas usadas las resume Gómez-Baggethun y Barton (2013) en una tabla que se reproduce a continuación (ver tabla 2.1).
Tabla 2.1: Clasificación de servicios ecosistémicos importantes en zonas urbanas y funciones y componentes subyacentes del ecosistema.
| Conversión de energía en plantas comestibles a través de la fotosíntesis |
Suministro de alimentos |
Hortalizas producidas por lotes urbanos y áreas periurbanas |
Producción de alimentos [toneladas/año] |
| Percolación y regulación de la escorrentía y la descarga del río |
Regulación del caudal de agua y mitigación de escorrentía |
El suelo y la vegetación percolan el agua durante eventos de precipitación intensa y/o prolongada |
Capacidad de infiltración del suelo; [%] Sellado con respecto a la superficie permeable [ha] |
| Fotosíntesis, sombreado y evapotranspiración |
Regulación urbana de la temperatura |
Los árboles y otra vegetación urbana proporcionan sombra, crean humedad y bloquean el viento |
Índice de área foliar; Disminución de la temperatura [°C] por cobertura arbórea[m2] en parcelas cubierta de árboles |
| Absorción de ondas sonoras por la vegetación y el agua |
Reducción de ruido |
Absorción de ondas sonoras por barreras vegetales, especialmente vegetación espesa |
Superficie de la hoja [m2] y distancia a las carreteras [m]; Reducción de ruido por unidad de vegetación [dBA/m] |
| Filtración y fijación de gases y partículas |
Purificación de aire |
Eliminación y fijación de contaminantes por la vegetación urbana en hojas, tallos y raíces |
O3, SO2, NO2, CO y PM10 [\(\mu\)m] removido en [toneladas/año] multiplicado por la cobertura arbórea (m2) |
| Barrera física y absorción en energía cinética |
Moderación de los extremos ambientales |
Tormentas, inundaciones y amortiguación de olas por barreras vegetales; Absorción de calor durante olas de calor severas |
Cubrir la densidad de las barreras de vegetación que separan las áreas construidas del mar |
| Eliminación o descomposición de nutrientes xénicos |
Tratamiento de desechos |
Filtración de efluentes y fijación de nutrientes por humedales urbanos |
P, K, Mg y Ca en mg\(\cdot\)kg-1 en comparación con las normas de calidad del suelo y del agua |
| Secuestro y fijación de carbono en la fotosíntesis |
Regulación climática |
Secuestro y almacenamiento de carbono por la biomasa de arbustos y árboles urbanos |
Secuestro de CO2 por árboles (carbono multiplicado por 3.67 para convertir a CO2) |
| Movimiento de los gametos florales por la biota |
Polinización y dispersión de semillas |
El ecosistema urbano provee hábitat para aves, insectos y polinizadores |
Diversidad de especies y abundancia de aves y abejorros |
| Ecosistemas con valores recreativos y educativos |
Recreación y desarrollo cognitivo |
Los parques urbanos ofrecen múltiples oportunidades para la recreación, la meditación y la pedagogía |
Superficie de los espacios públicos verdes [ha/habitante (o cada 1000 habitantes)] |
| Disposición del hábitat para las especies animales |
Avistamiento de animales |
El espacio verde urbano proporciona un hábitat para las aves y otros animales a los que les gusta ver |
Abundancia de aves, mariposas y otros animales valorados por sus atributos estéticos |
|
|
|
Fuente: (Gómez-Baggethun y Barton, 2013) |
Existen diferentes perspectivas para la evaluación de los servicios ecosistémicos. En razón de ellos se crean diferentes indicadores, métodos estadísticos y metodologías para capturar de forma directa o indirecta los beneficios ambientales. Gómez-Baggethun y Barton (2013) proponen 2 tipos de valoración: la económica y la sociocultural. La valoración sociocultural se enfoca en la percepción y preferencias de los ciudadanos que están ligadas a sus costumbres y sistemas de valores. Resalta lo difícil de medir y que suele ser mejor abordado por instrumentos cualitativos, construcción de escalas y el uso de narrativas. Un ejemplo de este tipo de trabajos es el de Garzón, Brañes, Abella, y Auad (2004) o el de Ferro Medina (2010) donde se hace referencia a la vegetación en las ciudades y su incidencia en la vida de las personas, sobre todo en aquellas comunidades de menores recursos.
Konijnendijk et al. (2005) proponen además que se valore lo ambiental, la biodiversidad y sostenibilidad por su carácter fundamental en la existencia misma del los ecosistemas.
Las metodologías de valoración económica se basan principalmente en análisis costo beneficios que buscan un aprovechamiento eficiente del uso del suelo (Bolund y Hunhammar, 1999). La inversión en el arbolado urbano y las zonas verdes arroja resultados positivos consistentemente en la literatura p.e McPherson et al. (1997) reportan que los beneficios exceden los costos en ciudades como Chicago y en Adelaide (Australia) según Killicoat, Puzio, y Stringer (2002) cada árbol da beneficios por AUD$172. Algunos estudios se basan en modelos biofísicos de los individuos arbóreos e incluyen variables ambientales, características de lo suelos, la infraestructura de las zonas y sus habitantes p.e el modelo UFORE (Nowak y Crane, 2000) o C-BAT (McPherson, 1992), y que permiten tomar acciones específicas sobre el tipo de vegetación y su distribución.
Sin embargo es importante tener en cuenta que este tipo de análisis pueden generar incentivos indeseables para la conversión de ecosistemas urbanos en infraestructura construida, con la consiguiente pérdida de servicios de los ecosistemas (Gómez-Baggethun y Barton, 2013). La lógica económica de los servicios ecosistémicos puede conducir también a incentivar procesos paradójicos, como el incremento de los precios de las casas y arriendos que derivan en procesos de gentrificación y desplazamiento de la población que fue beneficiada por las estrategias de mejoramiento de EV y AU con el propósito de resolver problemas relacionados con la justicia ambiental (Wolch, Byrne, y Newell, 2014).
La perspectiva de la justicia ambiental
La justicia ambiental es un concepto que ha evolucionado desde su aparición en la década de los 1980. A través de organizaciones dedicadas al activismo ambiental y las redes que ellas forman en conjunto con la academia, acuñaron conceptos de ecología política como justicia ambiental, deuda ecológica, epidemiología ambiental, racismo ambiental, justicia climática, soberanía alimentaria, y responsabilidad ambiental empresarial, que han sido adoptados también por académicos y por tomadores de decisiones (Cerdà, 2011; Martinez Alier et al., 2014).
La planeación urbana, las relaciones entre los ciudadanos con los espacios públicos y con las instituciones que los rigen son la base de la idea de justicia ambiental propuesta en Low (2013), y que tiene 3 componentes que la definen: i) la justicia distributiva, que en términos de espacio público se basa asegurar disponibilidad y acceso equitativo de los espacios y servicios a los ciudadanos; ii) la justicia procedimental o procesal, que se refiere a los procesos de negociación y toma de decisiones, en concreto a la percepción de los individuos sobre qué tan justos y equilibrados son, y por tal motivo más dispuesto a aceptar los resultados aunque no les favorezca; iii) la justicia interaccional, que refiere al comportamiento y trato de la personas en el espacio público que configuren comportamientos violentos o discriminatorios sobre grupos de la población. El autor argumenta que las condiciones ambientales provocadas por los procesos de urbanización y/o contaminación deben analizarse pensando en satisfacer las tres dimensiones, de lo contrario no es posible hablar de justicia. Schlosberg (2013) lleva la reflexión un poco más lejos, argumentando que las nuevas extensiones de la justicia ambiental se han movido del discurso a un nuevo dominio, donde lo natural y ambiental crean las condiciones para la justicia social.
Braverman (2008) explora las implicaciones entre las intervenciones en el arbolado urbano y el control de fenómenos como el crimen y la gobernabilidad dada las relaciones afectivas y morales de la población con los árboles. El uso de los árboles puede verse también una forma de discriminación y de discurso político o tecnología de gobierno. El uso de zonas verdes y arboles ha sido usado también como una forma de simbólica de estatus y de poder, y esta afirmación es consistente con la tendencia a tener distribuciones inequitativas (Braverman, 2008).
La perspectiva distributiva de la justicia ambiental busca relacionar métricas usadas para cuantificar los servicios ecosistémicos con métricas sobre la población y sus condiciones de vida usando unidades espaciales para caracterizar su comportamiento en el área de estudio. Típicamente se usan variables ambientales que representan aspectos biofísicos de los ecosistemas p.e superficie de la hoja, índice de área foliar y el área de cobertura de la copa o los efectos directos e indirectos de los ecosistemas sobre variables climáticas p.e temperatura o humedad, o físico-químicas para representar la composición del suelo y del aire, o mediciones de la capacidad de secuestrar carbono de los árboles y la de filtrar agua del suelo.
Los primeros trabajos enmarcados en la justicia ambiental se enfocaron en la ubicación de plantas de residuos y manejo de desechos relacionándolos con variables sociales como la etnicidad e indicadores de segregación racial o en comunidades con bajos ingresos (Chakraborty y Armstrong, 1997; Cutter, Holm, y Clark, 1996; Heynen, Perkins, y Roy, 2006). Posteriormente con el avance de modelos y tecnologías de la información para la caracterización de la infraestructura ecológica urbana y la cuantificación de servicios ambientales se desarrollan metodologías para establecer relaciones entre distribuciones desiguales adoptando el uso de la cobertura de copa de los árboles como variable que se consolida para este tipo de estudios. En lo socioeconómico, la etnicidad de la población tradicionalmente ha sido una preocupación en el estudio de las desigualdades sociales (Heynen et al., 2006; Landry y Chakraborty, 2009; Phelps, 2012; Schwarz et al., 2015; Watkins, Mincey, Vogt, y Sweeney, 2016; X. Zhou y Kim, 2013).
Sobre los espacios verdes suelen caracterizarse dimensiones sobre el acceso, dimensiones físicas, los equipamientos, servicios que prestan y si los beneficiarios son del ámbito local al EV o más amplio. Igualmente es importante preguntarse por la calidad de los EV y los usos, que pueden variar dependiendo de las comunidades que están disfrutando de ellos (Kabisch y Haase, 2014). El acceso suele ser un concepto complejo de medir, pues el análisis espacial de los datos arroja variaciones significativas usando diferentes métricas que proviene de los diferentes conceptos de acceso usados para su definición (Talen y Anselin, 1998).
En Cali hay estudios que caracterizan procesos de desigualdades entre la población, analizando factores como la segregación racial, brechas salariales, empleabilidad e índices socioeconómicos de segregación espacial (Arroyo Mina, Pinzón Gutiérrez, Mora, Gómez Jaramillo, y Cendales, 2016 ; Cerón y Escobar, 2014; Mora y Arcila, 2014). Aunque todos ellos incluyen una dimensión espacial, en tanto que usan las comunas como unidades de agregación de las variables socioeconómicas, su análisis no hace uso de los datos espaciales de los objetos geográficos. Su base teórica son los modelos econométricos de regresión de mínimos cuadrados o la creación de índices (escalas) para clasificar las unidades geográficas en una escala. Por ejemplo, Cerón y Escobar (2014) hacen uso del escalograma de Guttman, un método para normalizar las diferentes escalas usando igual número de rangos discretos y construir un índice acumulativo de todas las dimensiones. Mora y Arcila (2014) estudian la discriminación, tanto racial como por sexo a través de los modelos econométricos de Oaxaca-Blinder usado para analizar las diferencias salariales entre dos grupos, definiendo una función con términos de discriminación y procedencia con varibles dummies. Arroyo Mina et al. (2016) evalúan la calidad del empleo bajo el supuesto de ser buen proxy de la calidad de vida y encuentran que en Cali existe evidencia de que las poblaciones afrocolombianas son discriminadas laboralmente, y que esta discriminación se explica por el lugar de residencia.
Pacheco (2013) hace uso de modelos de regresión espacial para identificar dos grupos y sus cambios entre 1993 y 2005: “las personas con elevada educación que se localizan en el eje longitudinal central de la ciudad, mientras que la población afrocolombiana se localiza en la periferia de la ciudad”(p. 122). Concluye que la segregación racial es un fenómeno que se ha mantenido vigente en una ciudad cuya población afrocolombiana es de 26,2% del total.
Los estudios que se han llevado a cabo sobre segregación espacial muestran que la exclusión de grupos étnicos en Cali tiende a coincidir espacialmente con la segregación de los grupos socioeconómicos de estratos bajos (Cerón y Escobar, 2014). Tendencia que también se ve en estudios de ciudades norteamericanas (Heynen et al., 2006; Landry y Chakraborty, 2009; Nesbitt y Meitner, 2016; X. Zhou y Kim, 2013).
Modelamiento y análisis espacial de variables ambientales y sociales
Las fuentes de datos con información espacial usadas para capturar variables ambientales relacionadas con la vegetación provienen principalmente de imágenes satelitales (Landry y Chakraborty, 2009; Nesbitt y Meitner, 2016; Troy, Grove, O’Neil-Dunne, Pickett, y Cadenasso, 2007; Vásquez Fuentes y Romero Aravena, 2008), imágenes aéreas (Azócar et al., 2007; Heynen et al., 2006; Tratalos, Fuller, Warren, Davies, y Gaston, 2007), datos de Lidar (Schwarz et al., 2015; Shanahan, Lin, Gaston, Bush, y Fuller, 2014) e inventarios producidos por muestras o censos arbóreos y de espacios verdes (Comber, Brunsdon, y Green, 2008; Killicoat et al., 2002; Nowak y Crane, 2000, 2002; Talen y Anselin, 1998). Las imágenes satelitales son usadas en gran cantidad de los estudios dadas su creciente disponibilidad y la frecuencia de actualización —Landsat 8 revisita un mismo punto sobre la superficie de la tierra cada 16 días con un desfase de 8 días con respecto al satélite Landsat 7—, lo que permite hacer monitoreo y seguimiento a escalas entre los 15 m a 100 m por ancho de píxel. Los indicadores de cobertura calculados con base en datos de imágenes satelitales son estimados usando la escala de resolución de la imagen en combinación con el índice de Vegetación de Diferencia Normalizada (NDVI) que permite diferenciar entre densidad y tipo de vegetación leñosa o vegetación herbosa (Nesbitt y Meitner, 2016).
El uso de inventarios arbóreos permite estudios más detallados sobre las características del arbolado y son usados para evaluar la salud y estructura de los individuos arbóreos y las capacidades específicas de las especies para proveer servicios ambientales (Cowett, 2014; Killicoat et al., 2002; Nowak y Crane, 2002).
Entre los distintos indicadores desarrollados para capturar la extensión y distribución de los servicios ambientales la cobertura de copa ha probado ser sensible y eficaz para cuantificar hasta qué punto los árboles y bosques están proporcionando servicios críticos a los residentes (Nowak et al., 2010). Se usan otros indicadores además de la cobertura en la literatura, y en muchas ocasiones se normalizan los valores de las variables ambientales por unidad de área, usando unidades geográficas definidas e introduciendo métricas sobre la densidad y cantidad de población beneficiada en el cálculo. De hecho Cowett (2014) propone que, para analizar con precisión la distribución espacial de los árboles de las calles y los beneficios que proporcionan, es importante migrar hacia métricas en las que las especies arbóreas y el tamaño del árbol sean un factor en el cálculo, pues la mayoría de los servicios de los ecosistemas arbóreos son proporcionales a la cantidad de área superficial de la hoja; en esta medida las especies de árboles de mayor estatura típicamente proporcionan muchos más beneficios que las especies de menor estatura. Alanís, Jiménez, Mora-Olivo, Canizales, y Rocha (2014) usaron indicadores ecológicos de las especies como abundancia, dominancia y frecuencia para construir índices de importancia para valorar las especies nativas y estructura de los bosques urbanos, cuya conservación también hace parte de las metas de manejo del AU (Nowak et al., 2010).
La tabla 2.2 resume los indicadores para cuantificar servicios/beneficios y estado de los ecosistemas arbóreos usados en la literatura revisada.
Tabla 2.2: Métricas para caracterizar servicios del AU
| Producción de alimentos [toneladas/año] |
Gómez-Baggethun y Barton (2013) |
| Índice de área foliar |
Gómez-Baggethun y Barton (2013) |
| Disminución de la temperatura [°C] por cobertura arbórea[m2] en parcelas/sitios cubiertas de árboles |
Gómez-Baggethun y Barton (2013) |
| Superficie de la hoja [m2] |
Gómez-Baggethun y Barton (2013) |
| O3, SO2, NO2, CO y PM10 \(\mu\)m removido en [toneladas/año] multiplicado por la cobertura arbórea (m2) |
Gómez-Baggethun y Barton (2013) |
| Secuestro de CO2 por árbol (carbono multiplicado por 3.67 para convertir a CO2) |
Gómez-Baggethun y Barton (2013) |
| Abundancia (por especie) [individuos] |
Alanís et al. (2014) |
| Densidad [individuos/m2] |
Nowak et al. (2010) |
| Cobertura de copa de árbol por persona[m2/persona] |
Nowak et al. (2010) |
| Cobertura de copa de árbol[m2] |
|
| porcentaje de cobertura de copa de árbol en un área |
Nowak et al. (2010) |
| Dominancia de una especie en función a la cobertura de copa [m2/ha] |
Alanís et al. (2014) |
| Dominancia relativa de una especie respecto a la dominancia total |
Alanís et al. (2014) |
| Frecuencia absoluta de una especie (porcentaje de presencia en los sitios) |
Alanís et al. (2014) |
| Abundancia relativa de una especie respecto a la abundancia total en el área de estudio |
Alanís et al. (2014) |
| Árboles por habitante |
Alcaldía de Cali (2014) |
| índice de cobertura de copa de árbol alrededor de un punto de muestreo |
X. Zhou y Kim (2013) |
| Porcentaje de cobertura de copa de árbol en servidumbres y espacios públicos |
Landry y Chakraborty (2009) |
En cuanto a los espacios verdes se valoran típicamente los aspectos geométricos y el acceso. Los aspectos físicos se caracterizan con medidas de superficie de los espacios, el porcentaje de área o número de espacios respecto de las unidades espaciales del análisis. Este tipo de medidas son llamadas por Talen y Anselin (1998) la aproximación contenedor (como el representado en la ecuación (2.1)), y aunque muy extendidas en la literatura para caracterizar acceso a los EV, asumen que los beneficios del espacio verde tiene un impacto local: “Sin embargo, si el investigador está seguro de que la esfera de influencia de un servicio dado se limita a un límite geográfico específico, puede seguir siendo apropiado el enfoque unidimensional tradicional de la accesibilidad por medio de conteos por unidad”(p. 612). En esta misma línea, Kabisch y Haase (2014) aseguran que aunque el secuestro de carbono tiene beneficios a nivel de toda la ciudad, algunos procesos biofísicos que rigen los beneficios de los EV ocurren a nivel local. Aunque no es fácil definir la escala a la que operan los procesos biofísicos, los beneficiarios de los servicios ambientales son a menudo aquellos que viven cerca de los EV.
En Cali, la comuna es la unidad espacial sobre la que se define la inversión, pero puede no representar muy bien la escala de los procesos que dominan las transformaciones en el AU y el acceso a EV.
Además de las medidas de superficie y sus variantes para caracterizar los beneficios en una unidad espacial definida, se usan medidas que relacionan origen destino, como la distancia mínima del centroide de la unidad espacial al borde del EV más cercano, que proporciona una estimación fiable de la distancia media desde cualquier punto dentro de una unidad de análisis (Nesbitt y Meitner, 2016; WHO, 2016).
Para medir el acceso se pueden usar medidas de distancia, que operan bajo el concepto de costo de viaje. Una forma es calcular la suma de las distancias desde el centroide de una unidad espacial a todos los EV, como lo hace la ecuación (2.2) y su variante (2.3) que divide el costo de viaje entre el número de EV (Talen y Anselin, 1998). Una alternativa a la suma de distancias es usar la distancia del centroide al espacio verde más cercano (ecuación (2.4)). Otra métrica relevante de acceso es la distancia de red a través de la estructura de las vías de la ciudad o distancia a pie, que produce una versión más realista de la experiencia de acceso, y puede usarse para calcular la distancia mínima promedio de puntos aleatorios o para cada manzana, por ejemplo, dentro de una unidad espacial. Estas métricas exigen marcar los puntos de acceso a las zonas verdes, tarea que se realiza de forma no automática (X. Zhou y Kim, 2013).
índice contenedor: Sea
\(s_j\) el área del EV
\(j\) o el porcentaje de área de EV respecto del sector
\(i\) que hace parte del conjunto de sectore
\(I\)
\[\begin{equation}
A^{C}_i =\sum_j{s_j} \; \; \forall j \in I
\tag{2.1}
\end{equation}\]
costo de viaje: Sea
\(d_{ij}\) la distancia desde el centroide del sector
\(i\) al EV
\(j\)
\[\begin{equation}
A^{T}_i =\sum_j{d_{ij}} \;
\tag{2.2}
\end{equation}\]
costo de viaje normalizado: Sea
\(d_{ij}\) la distancia desde el centroide del sector
\(i\) al EV
\(j\) y
\(n\) el número de EV
\[\begin{equation}
\bar{A}^{T}_i =\sum_j{d_{ij}/N}
\tag{2.3}
\end{equation}\]
distancia mínima: Sea
\(d_{ij}\) la distancia desde el centroide del sector
\(i\) al EV
\(j\)
\[\begin{equation}
A^{M}_i=min\left | d_{ij} \right |
\tag{2.4}
\end{equation}\]
índice de accesibilidad a pie: Sea
\(d_{ij}\) la distancia desde el centroide del sector
\(i\) al EV
\(j\) dentro del radio de busqueda
\(R_b\) y
\(r_{min}\) la distancia de acceso recomendada
\[\begin{equation}
A^{W}= \sum_{\int R_b }{(r_{min}/d_{ij})} \; \; \forall d_j>0 \; , \; r_{min}<R_b \;
\tag{2.5}
\end{equation}\]
El cálculo de estos indicadores e índices de acceso se ha complejizado con base en las recomendaciones de las agencias ambientales que definen valores de referencia como la cantidad de EV mínimo disponible (2 ha) en un radio determinado (300m) (WHO, 2016). Se pueden seleccionar un número de muestras para cada unidad espacial y sumar o promediar las distancias obtenidas como lo suguieren X. Zhou y Kim (2013) o usar el centroide como en la ecuación (2.5). Modificaciones a este índice pueden incluir el área de la zona verde para cuantificar el acceso y las características del EV al que se accede (Comber et al., 2008).
El tipo de espacios usualmente aceptados como espacio verde urbano en los estudios incluyen parques y jardines públicos, corredores verdes (por ejemplo, adyacentes a ríos y canales), reservas naturales locales, áreas comunes, pequeñas áreas de bosques con sotobosque, sitios de importancia para la conservación de la naturaleza, áreas de drenaje (es decir, áreas regularmente inundadas cercanas a los ríos), cementerios, instalaciones desocupadas cubiertas de vegetación, lagos y humedales, campos de golf, áreas privadas de asociaciones de propietarios, terrenos escolares, parcelas y hasta senderos que no son lo suficientemente grandes para calificar como parques (Comber et al., 2008; Kabisch y Haase, 2014; Nesbitt y Meitner, 2016; X. Zhou y Kim, 2013).
La tabla 2.3 resume los indicadores usados en la literatura revisada sobre el acceso a EV.
Tabla 2.3: Métricas para caracterizar servicios del EV
| Superficie de los espacios públicos verdes [ha] |
WHO (2016) |
| Número de instalaciones o servicios contenidos en una unidad dada (por ejemplo, distrito censal o división político-administrativa) |
Talen y Anselin (1998) |
| Potencial de la gravedad |
Talen y Anselin (1998) |
| Distancia al EV más cercano[m] |
Talen y Anselin (1998) |
| Coste medio de viaje EV más cercano |
Talen y Anselin (1998) |
| Superficie de los espacios públicos verdes por habitante (o cada 1000 habitantes)[ha/habatiantante] |
Alcaldía de Cali (2014) |
| Cobertura de espacios verdes[%] |
WHO (2016) |
| Distancias entre puntos o nodos en la red de movilidad urbana |
Comber et al. (2008) |
| Índice de accesibilidad caminando al parque dentro de un radio |
X. Zhou y Kim (2013) |
Para la caracterización de las condiciones de vida de la población en relación con el disfrute a servicios ambientales los indicadores sociales usados suelen provenir de los censos de población, encuestas de trabajo o calidad de vida, registros catastrales para el avalúo de predios y uso de los suelos. La tabla 2.4 resume algunos de los indicadores socioeconómicos usados para la evaluación de inequidades ambientales en la revisión de la literatura realizada.
Tabla 2.4: Métricas para caracterizar aspectos socioeconómicos de la población y estructura de las unidades espaciales del SU
| Ingreso medio del hogar |
Semega, Fontenot, y Kollar (2017) |
| Valor medio vivienda ocupada por el propietario |
Cowett (2014) |
| Porcentaje de viviendas ocupadas |
Cowett (2014) |
| Porcentaje de población blanca |
Cowett (2014) |
| Porcentaje de personas con pregrado |
Cowett (2014) |
| Porcentaje de población afro |
Cowett (2014) |
| Porcentaje de viviendas arrendadas |
Heynen et al. (2006) |
| Densidad de población [residentes/ha] |
Troy et al. (2007) |
| Densidad de hogares[hogares/ha] |
Troy et al. (2007) |
| Valor medio vivienda ocupada |
Troy et al. (2007) |
| Porcentaje de viviendas desocupadas |
Troy et al. (2007) |
| Índice de delincuencia |
Troy et al. (2007) |
| Porcentaje de viviendas que son viviendas unifamiliares |
Troy et al. (2007) |
| Tamaño medio del hogar |
Landry y Chakraborty (2009) |
| Tamaño medio del lote de vivienda |
Shanahan et al. (2014) |
| Densidad de viviendas |
Semega et al. (2017);DANE (2005) |
| Grados escolares cursados[años] |
DANE (2005) |
| Porcentaje de habitantes con grado profesional |
Nesbitt y Meitner (2016) |
| Porcentaje de habitantes con maestría |
Nesbitt y Meitner (2016) |
| Edad media de las construcciones |
X. Zhou y Kim (2013) |
Enfoque estadístico
El instrumento matemático más popular para establecer relaciones de dependencia y asociación entre dos variables aleatorias son los índices de correlación, sin que la relación cuantificada sea necesariamente de causalidad. La causalidad entre las variables suele ser una apuesta del investigador con base en su conocimiento o intuición sobre los procesos que dominan las características de las variables aleatorias (Gibbons y Overman, 2012). El coeficiente de correlación de Pearson es usado para caracterizar la fuerza de relaciones lineales, mientras que el coeficiente de correlación de Spearman es usado para caracterizar relaciones no lineales. Estos coeficientes son análisis eficaces para seleccionar variables candidatas a ser incluidas en modelos de regresión, tanto para seleccionar las variables que tienen relación fuerte con la variable a predecir, como la independencia lineal de las variables explicativas, condiciones necesarias para que los métodos de ajuste de parámetros de los modelos lineales (Gibbons y Overman, 2012). Los coeficientes de correlación, como estadística de resumen, no pueden reemplazar el examen visual de los datos y la construcción de relaciones que tengan un fundamento teórico.
Los modelos de regresión lineal son ampliamente usados en la econometría para construir modelos explicativos con términos que describen componentes teóricos de los procesos de estudio e inferir el comportamiento o tendencias en una población con base en una muestra. De esta forma se pretende cuantificar el cambio de la variable dependiente \(Y\) ante aumentos o disminuciones del valor de una de las \(p\) variables dependientes \(x_j\) donde \(j =1...p\). Cada una de las observaciones \(i\) , \(i=1...n\) del vector \(X_p\) denominadas \(x_{ij}\) forman un sistema de ecuaciones lineales donde el parámetro \(\beta_j\) pesa el aporte explicativo de la variable correspondiente al estimarlo (ecuación (2.6) y (2.7)). Así, los coeficientes estimados representan la importancia de una variable independiente en los cambios de la dependiente. Los métodos para resolver son estimadores de mínimos cuadrados (OLS ordinary least-square) o de máxima verosimilitud (ML maximum likelihood). Si los términos del error, también llamados residuos, tienen una distribución normal y una varianza constante (homocedasticidad), entonces el estimador es óptimo entre todos los estimadores no sesgados lineales y no lineales. Es importante indagar el cumplimiento de las condiciones de normalidad, en especial en los residuos (Gibbons y Overman, 2012).
modelo lineal de la i-esima observación
\[\begin{equation}
y_i=\beta_0+ \beta_1\cdot x_{i1}+...+\beta_j\cdot x_{ij}+...+\beta_p\cdot x_{ip}+e_i
\tag{2.6}
\end{equation}\]
forma matricial del sistema de ecuaciones a resolver
\[\begin{equation}
Y_{n\times 1}=X_{n \times p }\mathbf{\beta}_{p\times 1}+e_{(n\times 1)}
\tag{2.7}
\end{equation}\]
Heynen et al. (2006) y Vásquez Fuentes y Romero Aravena (2008) usan coeficientes de correlación entre los pares de variables ambientales y socioeconómicas agregadas en unidades censales o administrativas para luego usar modelos de regresión lineal con el fin de estimar la importancia explicativa de las variables a través de la estimación de los coeficientes.
Tratalos et al. (2007) indagan sobre relaciones entre indicadores ambientales y el estatus social de los residentes en cinco ciudades del Reino Unido usando coeficientes de correlación de Spearman para seleccionar predictores para un modelo de regresión lineal. Los investigadores concluyen que los desarrollos urbanos de alta densidad generalmente se asociaban con un pobre desempeño ambiental, medido por el área del EV y los niveles de provisión de servicios ambientales.
Enfoque geoestadístico
Cuando se analiza los residuos \(e_i\) en una regresión lineal se espera estos sean idealmente ruido. Sin embargo si se encuentra que existe algún tipo de relación de los residuos con la posición de las observaciones \(i\) en plano geográfico, entonces se puede usar variaciones en el modelo lineal, que consiste en incluir un término lineal usando la variable dependiente (modelo autoregresivo SAR, ecuación (2.8)), las independientes (spatial lag o retardo espacial en \(X\) SLX, ecuación (2.10)), en el error (modelo espacial del error SEM,ecuación (2.9)) o usando una combinación del modelo de error y autoregresivo (modelo espacial de Durbin SD,ecuación (2.11)). Todas estas aproximaciones introducen una matriz de \(W_{n\times n}\), donde \(n\) es el número de sitios, que captura la influencia de las variables en relación con su proximidad.
Esto significa que se propone a priori una relación espacial al dar estructura a \(W\), por ejemplo usando solo valores de 1 (vecino) y 0 (no vecino) a las unidades espaciales contiguas o para expresar una relación global usando una métrica de distancia en los valores de la matriz \(W\), por ejemplo \(w_{ij}= 1/d_{ij}\) donde \(d_{ij}\) es la distancia euclidiana entre los centroides de los sitios \(i\) y \(j\). La idea es que los vecinos más cercanos influencian los fenómenos en la unidad \(i\), basados en la primera ley de la geografía o Ley de Tobler (Tobler, 1970). Este es un supuesto fuerte, y debe ser coherente con el fenómeno y los datos que lo representan. Con la matriz \(W\) se calcula el coeficiente de Moran’I (Moran, 1950), que se usa para probar una asociación global entre una variable y su posición en el plano. Si los residuos \(e_i\) muestran una asociación fuerte con la estructura de \(W\) en la prueba de Moran’I, se sugiere usar alguno de los modelos espaciales (SAR,SLX,SEM o SD), pues esto significa que no se puede confiar en los coeficientes estimados por la regresión lineal. Se aduce que \(W\) puede ayudar a explicar el proceso que se está modelando. De lo contrario es mejor usar un modelo lineal u otra técnica. Anselin (2002), Páez y Scott (2005) y Kissling y Carl (2008) hacen una revisión de los procesos espaciales, sus supuesto y los criterios de ajuste como errores cuadráticos y criterio de información de Akaike para la selección de un modelo y diseño bien formulado y ajustado.
Modelo espacial autoregresivo (SAR)
\[\begin{equation}
Y=X\mathbf{\beta}+\mathbf{\rho}WY+e
\tag{2.8}
\end{equation}\]
Modelo de error espacial (SEM)
\[\begin{equation}
Y=X\mathbf{\beta}+u \textrm{ donde } \\
u=\mathbf{\rho}Wu+e
\tag{2.9}
\end{equation}\]
Modelo de retardo espacial en los terminos independiente (SLX)
\[\begin{equation}
Y=X\mathbf{\beta}+WX\mathbf{\lambda}+e
\tag{2.10}
\end{equation}\]
Modelo espacial de Durbin SD
\[\begin{equation}
Y=X\mathbf{\beta}+\mathbf{\rho}WY+WX\mathbf{\lambda}+e
\tag{2.11}
\end{equation}\]
Estudios como el de Landry y Chakraborty (2009), X. Zhou y Kim (2013), Shanahan et al. (2014) y Schwarz et al. (2015) hacen uso de modelos autorregresivos y de retardo espacial para explicar los errores en el modelo lineal y mejorar el ajuste comparando modelos que relacionan las variables ambientales (cobertura de copa y acceso a EV) con indicadores socioeconómicos.
Kissling y Carl (2008), Gibbons y Overman (2012) y LeSage y Pace (2014) hacen una crítica a los modelos espaciales, y muestran que la inclusión de los términos de autoregresión (SAR) no aportan mucho a la capacidad explicativa e interpretación, pues existe un acople entre los estimadores de los coeficientes que no permite interpretar los coeficientes como factores del efecto aislado de cada una de las variables explicativas. Se muestra que el ajuste no suele ser muy sensible a variaciones en W, lo que cuestiona el uso de la estructura espacial definida a priori. Sin embargo, LeSage y Pace (2014) proponen que si la meta de usar modelos de regresión espacial es tener medidas escalares aproximadamente correctas de los efectos directos e indirectos sobre la variable dependiente, asociados a cambios en las variables explicativas, entonces, sí es adecuado el uso de estos modelos.
Además del uso del análisis de autocorrelación espacial global, se puede explorar métodos que hacen análisis local de la variabilidad y sensibilidad de los parámetros usados para las estimaciones mediante OLS. Si no hay autocorrelación global, es posible encontrar grupos a nivel local utilizando autocorrelación espacial local. El hecho de que la Morán’I es una suma de productos cruzados individuales es explotado por los indicadores locales de asociación espacial (LISA) para evaluar la agrupación de las unidades individuales mediante el cálculo del índice de Moran local para cada unidad espacial con base en la significación estadística para cada sitio evaluado (Anselin, 1995; Talen y Anselin, 1998).
Otras técnicas
En Fotheringham et al. (1998) se muestra que la regresión geográficamente ponderada (Geographically weighted regression GWR) produce resultados más informativos con respecto a la variación de parámetros en el espacio que la simple utilización de los agregados estadísticos. Estos métodos pueden ser utilizados para examinar visualmente la variabilidad espacial de los resultados de la regresión o de las variables del estudio a través de una región y así informar sobre la presencia de no-estacionariedad espacial. La GWR es usada con éxito en Comber, Brunsdon, y Radburn (2011) para analizar los posibles factores que pueden ayudar a identificar y caracterizar las dimensiones a tener en cuenta para mejorar el acceso a la salud.
Kabisch y Haase (2014) usan el análisis cluster para identificar grupos de población con características socioeconómicas similares y similar acceso a espacios verdes, para luego analizar si existen diferencias entre la distribución de los espacios verdes usando el coeficiente de Gini en los diferentes grupos de población definidos.