Embed Size (px)
Citation preview
UNIVERSIDAD DE CONCEPCIÓN
FACULTAD DE CIENCIAS
ECONOMICAS Y ADMINISTRATIVAS
DEPARTAMENTO DE ECONOMÍA
1º SEMESTRE 2012
CONCEPCIÓN
“ESTIMACIÓN DE UNA FUNCIÓN DE COSTOS DE
OPORTUNIDAD PARA LA CONSERVACIÓN DEL
BOSQUE NATIVO EN LA ZONA CENTRAL DE CHILE”
AUTORES: EVELYN HEMMELMANN
FERNANDO GÓMEZ
PROFESOR GUÍA: HUGO SALGADO
2
INDICE
RESUMEN EJECUTIVO ....................................................................................................................... 3
1. INTRODUCCIÓN ........................................................................................................................ 4
2. REVISIÓN BIBLIOGRÁFICA......................................................................................................... 6
3. MARCO TEÓRICO .................................................................................................................... 13
4. AREA DE ESTUDIO .................................................................................................................. 17
5. DESCRIPCION DE ENCUESTA .................................................................................................. 19
6. MODELO ECONOMETRICO ..................................................................................................... 25
6.1 DATOS ............................................................................................................................ 28
7. RESULTADOS .......................................................................................................................... 32
8. CONCLUSIONES ...................................................................................................................... 41
9. BIBLIOGRAFIA ......................................................................................................................... 43
10. ANEXO ................................................................................................................................ 46
3
RESUMEN EJECUTIVO
Esta investigación pretende determinar los costos de oportunidad de predios privados
para la conservación de Bosque Nativo en la Zona Central de Chile, Identificando
principalmente las distintas actividades productivas que poseen los predios privados
para luego estimar el costo de oportunidad para la conservación de dicho bosque.
Para ello, se investigaron diversos temas relacionados con la conservación en Chile, la
evolución en el ámbito legal con respecto al área forestal chilena específicamente en el
área de conservación y principalmente la incidencia de los costos de oportunidad sobre
los planes de conservación efectivos en otros países como Colombia.
Todo lo anteriormente señalado y específicamente en el último punto, es donde nuestra
investigación pretende dar antecedentes reales de Chile y ser un aporte para
investigaciones posteriores.
La importancia de este estudio radica en calcular el costo de oportunidad de los predios
privados, ya que actualmente los incentivos que son otorgados a los predios son
insuficientes para lograr la conservación del bosque nativo y esto debido a que los
ingresos por otros usos del suelo son mayores que el incentivo a conservar.
Para poder realizar la estimación se realizó una encuesta a 56 predios que cuentan con
bosque nativo y actividades productivas, para luego obtener una base de datos con la
información que recogimos de ella se realiza la estimación de una función de costos de
oportunidad por predio, dependiendo de las actividades que se llevan a cabo al interior
de ellos.
Los datos obtenidos indican que las actividades de Frutales y Viña, Suelo en barbecho,
Ganado, Aves y Vivienda e infraestructura explican de mejor forma la variable ingreso
por predio. Donde las primeras cuatro aumentan el costo de oportunidad y la última
disminuye el costo de oportunidad por dicho predio.
En el caso del análisis de bosque nativo como variable dependiente se concluyó que
poseer SDE “suelo desnudo” es mas compatible con la cantidad de hectáreas de
Bosque nativo, a diferencia de poseer PR “praderas. Además que el aumentar el
tamaño total del predio aumenta la cantidad de hectáreas de bosque nativo pero no en
la misma proporción debido a que las personas tiene la capacidad de elección en los
usos de suelo de sus predios.
4
1. INTRODUCCIÓN
En Chile existe una general preocupación por la conservación y restauración de los
ecosistemas y esto debido a que en los últimos años se han realizado estudios que han
ilustrado el gran daño que se le han producido a los diversos ecosistemas, siendo los
ecosistemas forestales uno de ellos. Es por ello que se han creado subsidios como La
Ley de Recuperación del Bosque Nativo y Fomento Forestal que tiene como objetivos
“la protección, la recuperación y el mejoramiento de los bosques nativos, con el fin de
asegurar la sustentabilidad forestal y la política ambiental”, sin embargo se pueden
apreciar que no han sido del todo eficaces.
El principal factor que se ve involucrado es el agotamiento del Bosque Nativo, el cual se
refiere a la disminución de este recurso, ya sea por las talas ilegales, incendios, las
necesidades de leña, el abastecimiento de materia prima para el sector industrial
forestal, la construcción de infraestructura, los cambios de uso del suelo para
habilitación agrícola, ganadera o forestal, y políticas públicas que fomentaban la
forestación (Espinoza, 2002).
La degradación del bosque nativo trae distintas consecuencias como lo son: la
destrucción de la biodiversidad, la degradación de los suelos facilitando la erosión, la
pérdida y desequilibrio de nutrientes en el suelo, la reducción en el volumen de agua
disponible en las cuencas, entre otros (Espinoza 2002).
En las últimas tres décadas se ha visto una reducción de tierras secas de bosques y la
conversión a tierras de cultivo, lo cual significa una desaparición un 42% de los bosques
mediterráneos que se desarrollan en Chile central (Schulz et al., 2010).
Para el mismo período antes señalado, una de las fundamentales causas del
agotamiento del Bosque nativo son las variaciones de uso del suelo para habilitación
agrícola, ganadera o forestal. El área agrícola ha aumentado en un 44%, área urbana
138% y por último en un 165% el área forestal (Schulz et al. 2010 y Echeverría et al.
2010).
En general, los cambios de la tierra tales como cultivos, ganado y madera que son
característicos de los paisajes culturales en la zona, puede causar una pérdida
irreversible de la biodiversidad y el agotamiento de
otros servicios ecológicos proporcionados por los bosques y zonas arbustivas (Schulz et
al., 2010).
Es importante destacar que casi la totalidad del territorio central del país es de
propiedad privada (Enviromental Law Institute, 2003). Por lo tanto, se requiere que los
5
propietarios privados cuenten con un sistema de incentivos con el fin de obtener un
manejo sustentable de sus predios y una recuperación efectiva de esta zona del país
(Goldstein et al. 2006; Goldstein et al. 2008).
Es por lo anterior que el presente estudio tiene como objetivo general determinar los
costos de oportunidad de los privados para la conservación de Bosque Nativo en la
Zona Central de Chile, específicamente la Región Metropolitana y Región del Libertador
General Bernardo O'Higgins. Para ello en primera instancia y como objetivo específico
se pretende Identificar y determinar los distintos tipos de actividades productivas que
poseen los predios privados, las variables espaciales y geográficas. Y como último
objetivo específico también es estimar una función de costos de oportunidad para la
conservación de bosque nativo en Chile.
El trabajo de investigación que se presenta a continuación está compuesto por 10
secciones. En la sección siguiente se presenta la revisión bibliográfica que señala el
antecedente histórico y legal sobre el ámbito forestal en Chile, y principalmente abordar
el costo de oportunidad, mientras que en la sección 3 se examinará la teoría que estudia
el modelo de regresión lineal específicamente de mínimos cuadrados ordinarios que se
va a utilizar. En las secciones 4 y 5 se describe el área de estudio y descripción de la
encuesta. En la sección 6 se explica el modelo econométrico a utilizar y las variables
que forman parte de la función de costos de oportunidad. Esta sección se concluye con
la revisión de estadística descriptiva. Posteriormente, en la sección 7 se presentan los
resultados obtenidos por el modelo utilizado, mientras que en la sección 8 se presentan
las conclusiones obtenidas del estudio realizado. Para finalizar en la sección 9 y 10 se
presentan la Bibliografía y Anexos, respectivamente.
6
2. REVISIÓN BIBLIOGRÁFICA
En la primera sección se introducirá tanto antecedentes históricos como legales los
cuales tienen como fin generar una idea sobre el funcionamiento actual del área de
estudio. En la sección dos se detalla la revisión bibliográfica con relación a los objetivos
planteados en la investigación.
1. Antecedente Histórico y Legal
A principios del siglo XX, se toma cierta conciencia por el valor del cuidado de los
ecosistemas; es por ello que se crea la primera área protegida administrada por el
Estado en nuestro país, La Reserva Forestal de Malleco, el 30 de septiembre de 1907,
bajo el decreto Nº 1540 del Ministerio de Relaciones Exteriores, Sección colonización.
El objetivo fue proteger una extensión boscosa de la zona sur del país y regular el
comercio de la madera. (Cunazza, 2005). Luego, el 30 de junio de 1931 se promulga la
Ley de Bosques, que estableció un cuerpo centralizado que integra y resume la
normativa antes existente, dando énfasis al cuidado de los suelos y las aguas.1
Entre 1931 y 1960, se realizaron múltiples acciones como: El programa de desarrollo de
la Industria Forestal – Corfo, los incentivos a la forestación, las leyes de protección de
especies del bosque chileno, entre otras acciones que culminaron en la década de los
’60 con la formulación del Programa Nacional de Reforestación, el Departamento
Forestal de Cora, el Programa Nacional de Prevención y Combate de los Incendios
Forestales, el Plan de Reforestación Colchagua, la creación el 13 de mayo de la
Corporación de Reforestación, aparte de otras iniciativas como la creación del Instituto
Forestal en 1961, entre otras.
En 1974 se publicó el decreto Ley Nº 701, la cual señala en el Articulo 1º “Esta Ley
tiene como objeto regular la actividad forestal en suelos de aptitud preferentemente
forestal y en suelos degradados e incentivar la forestación, en especial, por parte de los
pequeños propietarios forestales y aquélla necesaria para la prevención de la
degradación, protección y recuperación de los suelos del territorio nacional”.
Según el artículo publicado por Congreso Nacional de Chile titulado Historia de la Ley
Nº 20.283 señala que la Ley Nº 701, establece la exigencia de mantener la superficie
forestal del país, al obligar a reforestar cada superficie cortada y por otra, define, a
través de su reglamento, la normativa que regirá el uso de los bosques. Para este fin
agrupa, desde un punto productivo las formaciones boscosas naturales existentes en
nuestro país en 12 tipos forestales, unidades que cubren parte importante de Chile.
Para cada uno de ellos, y este es el principal valor de dichas unidades, se cuenta con
1 Historia de la ley Nº 20.283. Ley sobre recuperación del bosque nativo y fomento forestal. Biblioteca del
Congreso Nacional de Chile.
7
reglamentaciones silvícolas que regulan su aprovechamiento bajo criterios técnicos que
aseguran su conservación y regeneración. Como lo señala el artículo 1º de la ley antes
mencionada, el principal requerimiento para optar a las bonificaciones de la forestación,
consiste en la calificación de los terrenos de aptitud preferentemente forestal. Para
efectos legales, éstos son definidos como “Todos aquellos terrenos que por las
condiciones de clima y suelo no deban ararse de forma permanente, estén cubiertos o
no de vegetación, excluyendo los que sin sufrir degradación puedan ser utilizados en
agricultura, fruticultura o ganadería” (Artículo 2°). (Modrego et al. 2004).
El procedimiento de calificación exige al propietario la especificación de las actividades
de manejo a realizar, así como también la acreditación de la ejecución de las
actividades bonificables indicadas en el plan de manejo. Una característica fundamental
de la calificación de terrenos de aptitud preferentemente forestal, es su irreversibilidad.
Una vez declarado como TAPF (terrenos declarados como de aptitud preferentemente
forestal) y, por ende acogido al régimen de bonificaciones, la legislación contempla que
el suelo debe necesariamente destinarse a la actividad silvícola. Aún, cuando es posible
la desafectación de terrenos de aptitud preferentemente forestal, ésta solo se realiza en
casos debidamente justificados debiendo el propietario reintegrar en arcas fiscales
todas las sumas que se hayan dejado de pagar en virtud de franquicias tributarias o
bonificaciones (Artículo 7°). (Modrego et al. 2004).
Respecto de los incentivos económicos que otorga el decreto ley, éstos son detallados
en el artículo 12° de dicho cuerpo legal. Puede señalarse como relevantes la
bonificación de un 75% (siendo de hasta un 90% bajo ciertas condiciones) de los costos
de forestación referenciales definidos por la Corporación Nacional Forestal, la
bonificación de un 75% de los costos para la primera poda y raleo de masas forestadas
por pequeños propietarios y la exención del Impuesto Territorial y del Impuesto sobre
Herencias, Asignaciones y Donaciones. (Modrego et al. 2004).
En la investigación de Modrego et al. 2004 titulada “ESTIMACIÓN DEL EFECTO DEL
DECRETO LEY N°701 DE FOMENTO FORESTAL SOBRE LAS TASAS DE
FORESTACIÓN EN CHILE: Un análisis a nivel regional” este realiza un estudio del
efecto del Decreto Ley N° 701 sobre las tasas de forestación en la zona comprendida
entre la V y la X regiones de Chile, para el período 1977-2001. Rescata datos del Banco
central del año 2001 para realizar el siguiente gráfico, donde muestra la superficie
forestal plantada luego de la promulgación del DL 701.
8
Fuente: Banco central de Chile 2001
Modrego et al. 2004 concluye que existe un efecto positivo y estadísticamente
significativo del monto bonificado sobre las superficies forestadas anualmente en las
zonas de estudio. Los resultados obtenidos en este estudio permiten postular que esta
política de subsidios a los costos de establecimiento de plantaciones forestales ha sido
eficaz como instrumento de promoción a la forestación privada.
Según el seminario “El rol de las ONGs en la conservación del patrimonio forestal”2
realizado por Paola Rivero y Rolf Waltemath; se hizo necesario hacer una nueva
clasificación de especies arbóreas, pues la realizada por el DL 701 es muy general (sólo
12 tipos forestales). A su vez, esas normas no consideran un tratamiento especial para
especies consideradas como monumentos naturales o amenazados, como el Queule y
el Raulí, que pueden ser cortadas sin ninguna restricción. Fue así como en 1993,
CONAMA y CONAF, con el apoyo del Banco Mundial, dieron forma a un proyecto
titulado “Catastro de la Vegetación Nativa de Chile”3. Este catastro, ha permitido iniciar
un monitoreo de estas formaciones, entregando información confiable acerca de
cambios que afectan a nuestros bosques, permitiéndonos dar una respuesta adecuada
y oportuna a los factores causales que operan tales procesos.
El resultado del “Catastro de la Vegetación Nativa de Chile” señala que Chile, de un
total de superficie de 15.637.232,47 ha., un 85% es bosque nativo, un 14% plantaciones
forestales y un 1% bosque mixto. Como lo señala el siguiente gráfico:
2 SEMINARIO “El rol de las ONGs en la conservación del patrimonio forestal”, PONTIFICIE UNIVERSIDAD
CATÓLICA DE CHILE, Facultad de Agronomía e Ingeniería Forestal. 3 Informe Nacional con Variables Ambientales de Proyecto conjunto CONAF- CONAMA- BIRF, realizado por
Universidad Austral de Chile, Pontificia Universidad Católica de Chile y Universidad Católica de Temuco.
9
Gráfico Nº 1: Superficie Nacional de Bosques
Superficie: 15.637.232,47 ha
Marzo de 1999
Fuente: Elaboración Proyecto conjunto CONAMA- CONAF-BIRF.
Cabe señalar que el Bosque Nativo que posee un 85% de la superficie total equivale a
13.430.602,51 ha, las cuales son subdividas en (Ver Gráfico 2):
Bosque Adulto: 5.977.838,8 ha.
Renoval: 3.585.746,43 ha.
Bosque Adulto – Renoval: 861.925,35 ha.
Bosque Achaparrado: 3.005.091,93 ha.
Gráfico Nº 2: Superficie Nacional de Bosque Nativo Según estructura
Superficie: 13.430.602,1 ha
Marzo de 1999
Fuente: Elaboración Proyecto conjunto CONAMA- CONAF-BIRF.
El 30 de julio del 2008, se promulga la “Ley Nº 20.283 SOBRE RECUPERACION DEL
BOSQUE NATIVO Y FOMENTO FORESTAL” la cual es la legislación actual con la que
se rige nuestro país en materia forestal.
10
Esta ley señala en su artículo Nº1 “Esta ley tiene como objetivos la protección, la
recuperación y el mejoramiento de los bosques nativos, con el fin de asegurar la
sustentabilidad forestal y la política ambiental”.
En el TÍTULO IV “Del fondo de conservación, recuperación y manejo sustentable del
bosque nativo” el artículo Nº 22 señala lo siguiente:
Habrá un Fondo concursable destinado a la conservación, recuperación o manejo
sustentable del bosque nativo, en adelante “el Fondo”, a través del cual se otorgará una
bonificación destinada a contribuir a solventar el costo de las actividades comprendidas
en cada uno de los siguientes literales:
a) Actividades que favorezcan la regeneración, recuperación o protección de
formaciones xerofíticas de alto valor ecológico o de bosques nativos de
preservación, con el fin de lograr la mantención de la diversidad biológica, con
excepción de aquellos pertenecientes al Sistema Nacional de Áreas Silvestres
Protegidas del Estado. Dicha bonificación alcanzará hasta 5 unidades tributarias
mensuales por hectárea;
b) Actividades silviculturales dirigidas a la obtención de productos no madereros.
Dicha bonificación alcanzará hasta 5 unidades tributarias mensuales por
hectárea, y
c) Actividades silviculturales destinadas a manejar y recuperar bosques nativos
para fines de producción maderera. Dicha bonificación alcanzará hasta 10
unidades tributarias mensuales por hectárea.
En el caso de pequeños propietarios forestales, el monto de las bonificaciones
señaladas en los literales del inciso primero de este artículo deberá ser incrementado
hasta en un 15%, según se disponga en el reglamento del Fondo.
2. Costos de oportunidad
En contraste con la amplia investigación sobre los valores, los costos y beneficios de la
conservación de la biodiversidad, sus costos de oportunidad han recibido mucha menos
atención a pesar de que se reconocen como importantes (Dixon y Sherman, 1990;
Pearce et al, 1993; Panayotou, 1994). Sin embargo, la conservación podría verse
comprometida si estos costos de oportunidad no se consideran totalmente en el cálculo
total de los valores económicos4.
Los costos de oportunidad son muy sensibles a las características de la tierra. Los
rendimientos de la explotación agrícola de una parcela dependerá de las características
4 Michael Norton-Griffiths (a), Clive Southey(b) .”The opportunity costs of biodiversity conservation in
Kenya”. (a) Centre for Social and Economic Research on the Global Environment, University College London, Gower Street, London WCIE 6BT. (b) UKLong Range Planning Department, Ministry of Planning and National Development, P.O. Box 56445, NairobL Kenya.
11
físicas de la tierra, la vegetación actual, el acceso al mercado, y la tenencia de la tierra.
Las características físicas como la pendiente, el drenaje y la fertilidad del suelo
determinan la productividad de la tierra física relativa de los diferentes cultivos, la
necesidad de insumos, y el grado en que la salida puede ser sostenida en el tiempo. La
densidad de las especies comerciales de árboles también afecta el costo neto de la
compensación; en algunos casos el valor de la madera puede ser mayor que los
beneficios procedentes de la agricultura. El acceso al mercado, el costo del transporte al
mercado más cercano, determina el potencial precio pagado a los agricultores para los
cultivos o el ganado y sus insumos. Tenencia de la tierra y la propiedad, junto con la
relativa a la tierra las normas fiscales y subsidios, afectan a los incentivos para invertir
en la preparación de la tierra y en cultivos perennes (Chomitz y Kumari, 1998).
Esta investigación pretende determinar los costos de oportunidad de los predios
encuestados. Para su determinación se requiere explorar las distintas definiciones de
costo de oportunidad. El artículo de Naidoo et al. (2006) “Integrating economic costs into
conservation planning5” señala que la incorporación de la distribución espacial de los
costos económicos en la planeación de la conservación y restauración del paisaje
forestal pueden ser importantes para asignar presupuestos limitados y así lograr
mayores niveles de conservación de los ecosistemas, en comparación a planeaciones
que no consideran esta información. Se sabe que los planes de conservación no son
gratuitos y el hecho de ignorar el área de los costos o bien considerarlos de manera
simplista genera que los planes de conservación sean menos eficientes de lo que de
verdad pueden ser (Naidoo et al., 2006).
Naidoo señala que el costo de oportunidad son los costos de oportunidades perdidas,
es decir, que son una medida de lo que podría haber sido adquirido a través del uso de
la siguiente mejor opción, si no hubiera sido por el uso actual. Además se debe
considerar que los costos de oportunidad variarán debido a que las áreas de estudio no
tienen iguales costos, la biodiversidad no se distribuye uniformemente sobre paisajes y
regiones, y es por ello que la variabilidad espacial de los costos puede ser
significativamente distinta (Naidoo et al., 2006).
Otra investigación señala que los costos de oportunidad es por tanto, oportunidades
perdidas para usar la tierra en formas de valor económico, tales como la agricultura o
forestal. Dicho de otra forma, sólo será posible observar un cambio de uso de suelo
cuando los retornos esperados sean mayores o iguales a la mejor alternativa desechada
(i.e. costo de oportunidad). Sólo considerando los costos de oportunidad que enfrenta el
propietario privado al momento de hacer la elección de uso de suelo para su predio (o
de distribuir los distintos usos de suelo dentro de éste (Chomitz et al., 2005)).
5 Naidoo, R., Balmford, A., Ferraro, P., Polasky, S., Ricketts, T., Rouget, M., 2006. Integrating
economic costs into conservation planning. Trends in Ecology and Evolution 21, 681-687.
12
Cabe señalar que hasta el momento no se ha realizado este trabajo para Chile central.
Dentro de las investigaciones estudiadas, una que resulta interesante en cuanto al fin de
nuestra investigación es Pettersson (2010). El autor señala que el costo de
oportunidad, es primordial para proporcionar un marco sólido para la determinación de
los futuros niveles de pago por conservar, donde un desconocimiento del costo en la
planificación genera incentivos ineficientes. Es por ellos que la compensación debe ser
al menos igual al costo de oportunidad por conservar, es decir, requieren que las
personas cambien los patrones de uso de los recursos.
La estimación de los costos de oportunidad son importantes para proporcionar un marco
sólido para el establecimiento de niveles adecuados de pago por conservación, por lo
que, señala que los costos de oportunidad son la diferencia en las ganancias netas de
conservación de los bosques y la mejora de este en comparación con su conversión a
otros usos, normalmente más valiosos. (Pettersson 2010).
A su vez, el manual de capacitación “Estimating the opportunity costs of REDD+6
(Reducción de Emisiones de la Deforestación y la Degradación Forestal) señala que
para mitigar el cambio climático de los bosques en los países en desarrollo y por ende la
conservación de sus bosques, los países y los dueños de predios deben renunciar a los
beneficios de la tierra alternativa potencialmente más lucrativo utilizada para cultivos o
ganado, esta condonación de ingresos que se conoce como el costo de oportunidad de
REDD+7
Por lo tanto, la conservación futura de los bosques en Chile central dependerá de cómo
las superficies privadas son manejadas (Lara y Urrutia, 2010)8. Y eso para nuestra
investigación es el costo de oportunidad, el cual si es determinado correctamente
significa que la planificación del futuro incentivo será el adecuado.
El estudio de Petterson reveló que en Campo Hermoso, Colombia, 114 fincas fueron
encuestadas acerca de su propio valor percibido de la propiedad. Donde el costo de
oportunidad de la conservación de los agricultores en la cuenca de Campo hermoso es
el valor del terreno y se determinó que era 877 dólares EE.UU. por hectárea por año en
promedio y dependía de dos tipos principales de costos, costos iniciales de inversión
para cumplimiento de las condiciones de participación (por ejemplo, construir un muro) y
costos de oportunidad a través de antemano renta de la tierra en virtud de la
conservación.
6 REDD+, una versión ampliada de REDD, fue definido en el Plan de Acción de Bali del siguiente modo:
enfoques de las políticas e incentivos positivos sobre cuestiones relacionadas con la reducción de emisiones originadas por la deforestación y la degradación forestal; y el papel de la conservación, la gestión forestal sostenible y el aumento de las reservas forestales de carbono en los países en desarrollo. 7 Estimating the opportunity costs of REDD+, A training manual.
8 Lara, A., Urrutia, R., 2010. The Growing Significance of Conservation: The Chilean Experience, in: Levitt,
J.N. and Meyer, S. (Eds.), Conservation Capital in the Americas, Exemplary Conservation Finance Initiatives. Lincoln Institute of Land Policy, Cambridge, Massachusetts, pp. 5-14.
13
El análisis de regresión de Pettersson (2010) reveló que los costos de oportunidad para
la conservación varían considerablemente entre las propiedades y dependen de las
características ambientales y espaciales del predio.
Es por lo tanto, esta revisión bibliográfica la que nos da los cimientos para la
investigación y principalmente la última investigación (Pettersson, 2010) la que nos
otorgar el modelo base a seguir.
3. MARCO TEÓRICO
En la literatura Walter Nicholson “Microeconomía Intermedia” se explican distintos tipos
de funciones de costos y tres tipos de costos, dentro de los cuales podemos mencionar
el costo de oportunidad, costo contable y costo económico, haciendo relación con los
costos de conservación según la literatura se podría definir como tal los costos totales
de conservación
CTc = CO + CC (1)
Donde:
CTc (costos totales de conservación), son todos los costos que significa hacer
conservación.
CO (costo de oportunidad), es toda decisión de producir o hacer algo, significa dejar de
producir o hacer otra cosa. En la mayoría de los casos se explica en términos de bienes
físicos (Ej: el costo de oportunidad de producir un auto son producir 50 motocicletas),
pero como a veces causa inconvenientes explicarlo de esta forma se expresan en
términos monetarios con el fin de hacer una valorización de este.
CC (costo contable), se enfatiza en lo que se ha pagado realmente por los recursos,
tanto si esta se pago hace tiempo atrás o en el momento. En este caso el costo contable
lo podemos analizar como el costo de manejo para los costos de conservación, ya que
es el costo real de realizar el acto de conservación.
Como el costo de nuestro principal interés es el Costo de Oportunidad profundizaremos
en el.
Se dijo que el costo de oportunidad son todos los beneficios que se deja de percibir por
escoger otra opción, por lo tanto, existe distintas formas de determinarlo o distintos
enfoques para un mismo tema, como se verá a continuación.
En relación a la metodología específica del cálculo del costo de oportunidad nos
basamos en la realizada por Jörgen Pettersson en su investigación titulada “Payments
14
for Environmental Services in the Campohermoso watershed, Measuring opportunity
costs and identifying determinants”.
En la investigación de Pettersson (2010) utiliza una metodología sencilla basada en un
modelo de precios hedónicos en combinación con la información geográfica, datos que
permite inferir valores de la tierra para todas las parcelas en el área de estudio basada
en las características de la tierra, donde el valor de oportunidad de la tierra refleja su
más alto valor de uso.
Según la teoría de la demanda hedónica, el valor de la tierra se revela a través de sus
características constituyentes. Utilizando una regresión hedónica, se puede obtener la
contribución de cada una de estas características en los valores de la tierra.
. La función que utilizan estos autores es la siguiente es la siguiente:
0 1 2 3i i i i iE D X (3)
Donde:
La variable dependiente es:
: valor de la tierra en dólares por predio i: (1,….,n)
Y las variables explicativas son:
: es un vector de variables ambientales (Cobertura de suelo, Pendiente, Altitud,
Clima)
: es un vector de variables espaciales (fácil acceso significa menos costos de
transporte y mas lejos de mercados de insumos y venta, menor valor del predio, y
también mayor transportes hacia y desde el predio a sitios de interés económico mayor
valor del predio)
: es un vector de otras variables como tamaño de la explotación y las
características socioeconómicas. (Edad, Sexo, Años de escolaridad, Años de cultivo y
Tamaño del predio).
Se utilizó un modelo lineal por mínimos cuadrados ordinarios (MCO) para los
valores de la propiedad en función atributos biofísicos, la distancia a los mercados y las
características socioeconómicas del entrevistado.
15
Modelo de estimación
El análisis de regresión lineal es una técnica estadística utilizada para estudiar la
relación entre variables. Se adapta a una amplia variedad de situaciones. Tanto el caso
de dos variables (regresión simple) como en el de más de dos variables (regresión
múltiple), el análisis de regresión lineal puede utilizarse para explorar y cuantificar la
relación entre una variable llamada dependiente (Y) y una o más variables
independientes ( 1 2, ,..., kX X X ), así como para desarrollar una ecuación lineal con fines
predictivos. Cada variable independiente es ponderada, de forma que las ponderaciones
indican su contribución relativa a la predicción conjunta. Al calcular las ponderaciones,
el procedimiento del análisis de regresión asegura la máxima predicción a partir del
conjunto de variables independientes. (Hair, 1999)
El modelo de regresión lineal simple, se denota como:
(4)
Donde:
Y = Variable dependiente
0 = Constante del modelo para la regresión
i = Parámetros respectivos a cada variable independiente
iX = Variables independientes cuantitativas o cualitativas
ie = Error estadístico para la regresión i, asumiendo que es una variable aleatoria con
media 0.
Método de los Mínimos Cuadrados Ordinarios
En este caso para la estimación de nuestro modelo se utilizara el modelo de “Mínimos
Cuadrados Ordinarios” o conocidos como “MCO”.
De a cuerdo con Hanke y Wichern (2006) el procedimiento consiste en minimizar la
suma de los cuadrados de las distancias verticales entre los valores de los datos y los
de la regresión estimada, es decir, minimizar la suma de los residuos al cuadrado,
teniendo como residuo la diferencia entre los datos observados y los valores del
modelo.
Según Dresdner y Vásquez (2010) este método está basado en la idea de buscar un
estimador que minimice la dispersión de errores de la regresión en torno a un
estadístico relevante de la distribución.
ikikiii Uxxxy ........33221
16
kikiii xxxy ˆ........ˆˆˆˆ33221
)ˆ........ˆˆˆ(
ˆ
33221 kikiii
iii
xxxy
yye
El error cometido en la estimación (residuo) es el estimador de la perturbación, y por lo
tanto el objetivo a minimizar. Además este error dependería, evidentemente, del valor
asignado a las estimaciones de los parámetros β; pues bien, el método de MCO
sugiere utilizar aquella combinación de parámetros estimados que minimice la suma al
cuadrado de todos los errores cometidos para las “n” observaciones disponibles:
Propiedades del estimador MCO
Si este modelo cumple con los supuestos clásicos entonces el estimador MCO es el
“Mejor Estimador Lineal Insesgado” (MELI). Es decir, los parámetros estimados son
lineales, insesgados y eficientes. Esto se denomina Teorema de Gauss- Markov.
Linealidad de los parámetros definidos
Insesgamiento
Mínima Varianza
El procedimiento para demostrar mínima varianza tiene dos etapas: Primero calcular la
varianza del estimados MC, y luego demostrar que no existe otro estimador lineal e
insesgado que pueda alcanzar una varianza menor a esta.
n
i
iMCO eS1
2min)min(̂
17
4. AREA DE ESTUDIO
El área de estudio se localiza en la zona bioclimática mediterránea de Chile central, que
abarca comunas de las regiones de Libertador Bernardo O’Higgins y Metropolitana. El
área incluye paisajes característicos de la zona Mediterránea, como la cordillera de la
costa y el Valle Central.
El fundamento para la definición de los límites del área de estudio está basado en que
en esta zona bioclimática la vegetación tiene una respuesta similar a los factores
bióticos y abióticos.
Otro criterio utilizado para definir el área de estudio fue el hecho de aquí se concentra
una gran población que impone una importante presión sobre los recursos naturales.
En general, el área se caracteriza por veranos secos e inviernos húmedos con una
fuerte variabilidad interanual debido al fenómeno de El Niño (ENSO). La temperatura
media anual es de 13.2ºC y la precipitación media anual es de 531 mm.. La variabilidad
climática y la variada topografía resultan en un mosaico de vegetación espacialmente
heterogéneo.
En cuanto a Hidrografía la región Metropolitana está ocupada por la extensa hoya del
río Maipo, formada por la confluencia de los ríos Yeso y Colorado, y que recibe en plena
cuenca el aporte del río Mapocho. El máximo caudal se produce entre noviembre y
febrero, a consecuencia de los deshielos y también como resultado de las grandes
avenidas, producto de la precipitación líquida en invierno, sobre la cota de 2.000 m, en
todo el sistema orográfico andino situado frente a la ciudad de Santiago.
En la Región de Libertador Bernardo O’Higgins, su principal sistema hidrográfico lo
constituye el río Rapel, el cual, a través de sus tributarios, colecta las aguas de la
Cordillera de los Andes y de la parte Norte de la Cordillera de la Costa. Este río se
forma de la unión de los ríos Cachapoal y Tinguiririca.
18
Mapa del área de estudio Región Metropolitana y Región de Libertador Bernardo O’higgins
Fuente: Monitoring land cover change of the dryland forest landscape of Central Chile (1975–2008), Schulz (2010).
Este mapa señala el área de estudio que comprende la Región Metropolitana y de Libertador Bernardo O’Higgins. Si bien se muestra también la región de Valparaíso, esta no será área de estudio para esta investigación.
19
5. DESCRIPCION DE ENCUESTA
La encuesta realizada titulada “USO DE SUELO EN CHILE CENTRAL” efectuada bajo
el proyecto CONAF “Diseño de incentivos Económicos Costo-Efectivo para la
Conservación y Restauración del Bosque Mediterráneo” realizado por investigadores de
la Universidad de Concepción, abarca preguntas relacionadas con la propiedad,
características del predio y antecedentes productivos, actividades de conservación del
bosque nativo y antecedentes socioeconómicos.
Nuestra investigación rescata información de esta encuesta para la realización de los
análisis pertinentes.
Los predios encuestados fueron 56, los cuales se ubican en la Región Metropolitana y
en La Región del Libertador General Bernardo O'Higgins.
Dentro de la Región Metropolitana los predios se ubican en diversas comunas las
cuales se encuentran en distintas provincias de la Región:
En la Provincia de Talagante se encuentra la Comuna de Talagante
específicamente la localidad de Lonquén.
En la Provincia de Melipilla se encuentra la Comuna de Alhué en la localidad de
Casas Viejas, Comuna de Curacaví, Comuna de María Pinto, Comuna de San
Pedro y la Comuna de Melipilla.
El siguiente mapa de la Región metropolitana muestran las comunas encuestadas
distinguidas de la siguiente forma:
Con café la Comuna de Curacaví
Con rosado la Comuna de María Pinto
Con Naranjo la Comuna de Melipilla
Con rojo la Comuna de Talagante
Con morado la Comuna de San Pedro y,
Con celeste la Comuna Alhué.
20
Mapa de la Región Metropolitana
Y dentro de la Región del Libertador General Bernardo O'Higgins los predios se ubican
en distintas Provincias de la Región:
En la Provincia de Cachapoal se encuentran la Comuna Las Cabras
específicamente en la localidad de LLavería y Los Quillayes.
En la provincia de Cardenal Caro se encuentra la comuna de Litueche.
El siguiente mapa de la Región del Libertador General Bernardo O'Higgins dividido por
comunas, se destacan las dos comunas encuestadas distinguidas de la siguiente
forma:
Con celeste corresponde a la Comuna de Litueche, y
Con naranjo corresponde a la Comuna de Las cabras.
21
Mapa de Región del Libertador General Bernardo O'Higgins
Ahora bien, del total de predios encuestados, podemos diferenciar si el encuestado es
Dueño, Co- Propietario o ninguna de las anteriores.
Del total de encuestados, 39 personas declararon ser dueñas del predio equivalente a
un 69,64%; por otro lado, 10 personas declararon ser co-propietarios lo que equivale a
un 17,86%; y por último los que declararon no ser dueños ni co- propietarios son 7
personas equivalentes a un 12,5%.
Es decir, podemos señalar que la mayoría de los predios encuestados fueron a Dueños
de dichos predios, sin embargo un número no menos importante equivalen a co-
propietarios o bien ni dueños ni co-propietarios; Sin embargo, para nuestra
investigación es necesario tener información de Dueños y Co- propietarios ya que son
estos los que toman decisiones sobre sus predios. Para el análisis que mide rango
etáreo9 y el nivel de escolaridad10 lo realizaremos bajo estas 2 diferenciaciones, es
decir, con Dueños y Co- propietarios.
9 Tabla Nº1 resumen de resultados en Anexo
10 Tabla Nº2 resumen de resultados en Anexo
22
En relación a la edad de los encuestados, se dividieron en rangos, los cuales son los
siguientes:
Entre 30 a 39 años
Entre 40 a 49 años
Entre 50 a 59 años
Entre 60 a 60 años
Entre 70 a 79 años
Entre 80 a 89 años
TABLA Nº 1: Tabla de resultados por rango etáreo para dueños y co- propietarios
Dueños
rango edad cantidad %
30-39 3 7,69
40-49 1 2,56
50-59 7 17,95
60-69 13 33,33
70-79 13 33,33
80-89 2 5,13
Total 39 100
Fuente: Elaboración propia
Co-propietarios
rango edad cantidad %
30-39 0 0,00
40-49 2 20,00
50-59 4 40,00
60-69 4 40,00
70-79 0 0,00
80-89 0 0,00
Total 10 100
Fuente: Elaboración propia
De los que declararon ser dueños del predio, es decir, 39 personas que equivalen al
69,64%,13 de ellos se encuentran en el rango etáreo de entre 60 a 69 años de edad
que equivalen al 33.33%, así mismo, el mismo número de personas declaró tener entre
70 a 79 años de edad, lo que igualmente equivale a 33.33%.
23
Luego, solo 7 personas declararon tener entre 50 a 59 años que equivale a un 17,95%
del total observado.
Las cifras disminuyen para el rango etareo de entre 30 a 39 años, de los cuales 3
personas declararon encontrar en dicho rango, lo que equivale a un 7,69%.
Posteriormente, sólo 2 personas declararon encontrarse en el rango de entre 80 a 89
años que equivalen a un 5,13% del total observado.
Finalmente tenemos el rango entre 40 a 49 años los cuales equivalen a un 2,56% es
decir, sólo 1 persona se encuentra en dicho rango de edad.
De los que declararon ser co-propietarios del predio, 10 personas que equivalen al
17,86%, 4 personas declararon encontrarse en el rango de entre 50 a 59 años de edad
lo que equivale a un 40% del total observado; igualmente ocurre esto para el rango de
entre 60 a 69 años.
Luego, 2 personas se encuentran dentro del rango de entre 40 a 49 años de edad que
equivalen al 20% del total observado.
Para los rangos restantes, es decir, de entre 30 a 39 años, de entre 70 a 79 años y
entre 80 a 89 años de edad no se encuentran personas.
Ahora, el nivel de escolaridad de las personas encuestadas, se dividió en las siguientes
categorías:
Sin Educación Formal
Básica Incompleta
Básica completa
Media Humanista Incompleta
Media Técnica Profesional Incompleta
Media Humanista Completa
Media Técnica Profesional Completa
Técnico o Universitaria Incompleta
Técnico o Universitaria Completa
Postgrado Incompleto
Postgrado Completo
24
TABLA Nº 2: Tabla de resultados para nivel de escolaridad para dueños y co- propietarios
Dueños y Co- propietarios
Nivel de escolaridad Cantidad %
Sin ed. Formal 15 30,61
básica incompleta 19 38,78
Básica completa 8 16,33
Media Humanista Incompleta 2 4,08
Media Técnica Profesional Incompleta 0 0,00
Media Humanista Completa 1 2,04
Media Técnica Profesional Completa 2 4,08
Técnica ó Universitaria Incompleta 0 0,00
Técnica ó Universitaria Completa 2 4,08
Postgrado Incompleto 0 0,00
Postgrado Completo 0 0,00
Total 49 100
Fuente: Elaboración propia - En negrita hasta 8vo básico.
El resultado sobre el nivel de escolaridad lo analizamos solo para dueños y co-
propietarios en su conjunto, es decir, 49 personas.
Del total de personas observadas, 19 de ellas declararon poseer Básica Incompleta que
equivale al 38,78% del total observado.
Luego, 15 encuestados declararon no poseer Educación Formal que equivalen a un
30,61%. También, 8 personas poseen básica completa, es decir, 16,33%.
Sólo 2 personas declararon poseer Media Humanista Incompleta, que equivalen a un
4.08% del total observado. Lo mismo ocurre para los niveles de escolaridad Media
Técnica Profesional Completa y Técnico o Universitaria Completa.
En relación al nivel Media Humanista Completa sólo 1 personas declaro poseer dicho
nivel de escolaridad, es decir, 2.04%.
Finalmente, para los niveles Postgrado Incompleto, Postgrado Completo, Técnico o
Universitaria Incompleta y Media Técnica Profesional Incompleta no hubo personas en
dichos niveles educacionales.
Por lo tanto podemos concluir que de las 49 personas encuestadas (Dueños y Co-
propietarios) el 85,71% no posee mas educación que la básica (8vo básico), lo cual es
una cifra importante y toma relevancia en la toma de decisión de uso de suelo de los
predios y por ende en sus ingresos por predio.
25
6. MODELO ECONOMETRICO
Los datos utilizados en esta investigación corresponden a una encuesta realizada en la
Zona Central de chile por el proyecto “Diseño de Incentivos Económicos Costo-Efectivos
para la Conservación y Restauración del Bosque Mediterráneo” para la CONAF. De
este se adquirieron los distintos datos necesarios, que cuenta con 56 predios, donde
solo 49 cuentan con la variable dependiente necesaria para la estimación.
Con los 49 predios con información, se estudia la variación de ingreso y con esto del
costo de oportunidad del individuo según las distintas características de los distintos
predios.
Esta estimación intenta conocer las variables influyentes en el aumento o disminución
del costo de oportunidad para estos predios según sus propias características, y según
estas estimaciones se determinara tanto las variables que están correlacionadas tanto
como las que afectan en gran manera en el ingreso del sujeto por el predio.
Al realizar esta estimación y regresiones correspondientes con las variaciones, se
podrá adquirir información más exacta acerca de tanto la significancia que tienen estas
variables como, la forma en la que explican la variable dependiente, puesto que se
entrega una mayor cantidad de datos explicativos.
La variable dependiente ingreso por predio, se decidió utilizar como costo de
oportunidad en esta investigación, ya que la definición de esta que se quiere representar
es “todos los ingresos que se dejan o dejarían de percibir en el predio, si el dueño de
este, decide conservar”, por lo tanto cualquier ingreso que el dueño genere dentro del
predio por cual sea la característica productiva que este tenga, seria costo de
oportunidad, ya que al conservar necesariamente dejaría de ganar esa cantidad por esa
determinada característica. Esta variable
Nuestro modelo se puede definir como:
Donde:
Las variables se describen como:
Y : es la variable ingreso o costo de oportunidad del predio, esta variable fue obtenida
del ingreso familiar total obtenido, multiplicado por el porcentaje de este obtenido a
26
costas del predio, lo que nos da como resultado el ingreso del predio o el costo de
oportunidad que podría ser para el dejar de realizar lo que hoy hace.
FRV: variable continua que contiene la cantidad de hectáreas destinadas a Frutales y
viñas, que se describe como tierra plantada con árboles frutales, como manzano, palto,
cítricos, etc.
HRF: variable continua que contiene la cantidad de hectáreas destinadas a Hortalizas y
Flores, que se describe como tierra dedicada al cultivo de hortalizas como tomates,
choclo, lechuga, cebolla, etc y flores como claveles, lilium, rosas, etc.
BN: variable continua que contiene la cantidad de hectáreas destinadas a Bosque, que
se describe como tierra cubierta con bosque, matorral y/o espinal de cuales sean las
especies.
PPE: variable continua que contiene la cantidad de hectáreas destinadas a
Plantaciones, que se describe como plantaciones con especies exóticas como pino,
eucalipto, etc
SB: variable continua que contiene la cantidad de hectáreas de Suelo en barbecho, que
se describe como Suelos arados al menos una vez en los últimos 10 años.
SDE: variable continua que contiene la cantidad de hectáreas de Suelo desnudos, que
se describe como porción del predio degradado, sin cultivo, ni cubierta vegetacional
considerable.
VIN: variable continua que contiene la cantidad de hectáreas destinadas a Viviendas e
infraestructura, que se describe como porción del predio destinada al establecimiento de
viviendas y de infraestructura como galpones, bodegas, etc.
ARR: variable continúa que contiene la cantidad de hectáreas destinadas el Arriendo,
que se describe como superficie en arriendo o mediería.
CHR: variable continua que contiene la cantidad de hectáreas destinadas a chacras o
huertos caseros, que se describe como cultivo de distintos productos agrícolas en un
mismo sitio para consumo domestico.
CF: variable continua que contiene la cantidad de hectáreas destinadas Cultivos y
forrajeras anuales ,que se describe como tierra dedicada al cultivo de papas,
leguminosas como porotos, cereales como avena, trigo, etc, cultivos industriales y
forrajeras anuales como avena forrajera, ballicas anuales etc.
27
FPR: variable continúa que contiene la cantidad de hectáreas destinadas a Forrajeras
permanentes y de rotación, que se describe como lugar dedicado a forrajeras como
alfalfa (no incluye praderas naturales ni mejoradas)
PR: variable continua que contiene la cantidad de hectáreas destinadas a Semilleros y
Viveros, que se describe como lugar dedicado a semilleros de maíz, viveros de paltos,
etc.
GAN: variable continúa que contiene la cantidad de distinto tipos de animales que se
considere como Ganado, como toros, terneros, vacas, etc.
AV: variable continúa que contiene la cantidad distintos tipos de animales que se
consideren como Aves, como pavos patos gallinas, etc.
VIV: variable dummy, que se define como: “1” si el dueño vive en el predio, y “0” si el
individuo no vive en el predio.
AG: variable dummy, que se define como: “1” si existen Fuentes naturales de aguas en
el predio, y “0” si no existe.
PBC: variable continua que contiene la cantidad de kilometro de distancia que existe
entre su propiedad y el pueblo más cercano.
INGPR: variable dummy que se define como “1” si el ingreso principal es obtenido por
actividades dentro del predio, y “0” si es por otras actividades.
PDT: variable categórica donde se “1” es entre 0º a 2º (cultivo muy intenso), “2” entre 2º
y 5º (cultivo intenso), “3” entre 5º y 8º (cultivo moderado), “4” entre 8º y 12º (cultivo
ocasional), ”5” entre 12º y 30º (pastoreo moderado),”6” entre 30º y 50º (forestal) y ”7”
entre 50º y 100º (dunas áridas, pantanos, requeríos, etc).
EXP: variable categórica Donde “1” es terreno plano (sin exposición), “2” exp. Norte, “3”
exp. Noroeste, “4” exp.Este, “5” exp. Sureste, “6” exp. Sur, “7” exp. Suroeste, “8” exp.
Oeste, “9” exp. ,Noroeste “10” exp. Norte.
Estimadores:
= es el estimador autónomo, que nos indica el promedio de ingreso base que tienen
los dueños de los predios.
= es el estimador que nos muestra el aumento promedio de la variable dependiente
“Y” (ingreso o costo de oportunidad) ante un aumento de una hectárea o animales de
aquellas variables.
28
= es el estimador que nos muestra el aumento de la variable dependiente “Y”, ante la
existencia o no de la variable en cuestión (dummy).
6.1 DATOS
Como se mencionó anteriormente los datos utilizados en esta investigación fueron de
proporcionados por la encuesta del proyecto presentado a la Corporación Nacional
Forestal (CONAF) “Diseño de incentivos Económicos Costo-Efectivo para la
Conservación y Restauración del Bosque Mediterráneo” por el Departamento de
Economía en colaboración con la Facultad de Ciencias Forestales, esta como se dijo
consiste determinar los costos de conservación con el fin de generar incentivos para
esto mismo, debido a la importante desforestación que ha existido en el último tiempo.
Esta encuesta esta siendo aplicada en la Zona Central de Chile. Las encuestas
utilizadas son una parte del total de estas las cuales son específicamente comunas de
la Región Metropolitana y Región del Libertador General Bernardo O'Higgins. Se realizó
una selección de preguntas de esta encuesta, que pudieran responder el objetivo de
esta investigación.
Para un mayor análisis de las variables a utilizar se presenta en la Tabla N°1 que a
continuación se señala, esta tabla posee información de la estadística descriptiva de las
variables recogidas, con la que podremos posteriormente hacer mayores análisis.
Gráfico N° 3: Porcentaje de predios con sus
Ingresos Totales
Fuente: Elaboración propia
16%
22%
18% 16%
4%
14%
6% 2% 2%
INGRESOS TOTALES
$ 225,000.00
$ 375,000.00
$ 525,000.00
$ 675,000.00
$ 825,000.00
$ 1,050,000.00
$ 1,350,000.00
$ 2,250,000.00
$ 2,750,000.00
29
Este gráfico nos muestra, la distribución de ingresos totales que existen en la muestra
del total de predios, donde se señala el porcentaje de predios que se poseen dicho
ingreso total sean o no del predio.
Con estos datos, y junto con el porcentaje del ingreso que es generado dentro del
predio, se origina nuestra variable dependiente “ingresoxpredio” o el costo de
oportunidad de cada predio.
Es importante tener en cuenta estos valores para ver que tan importante serán las
variaciones que generen las variables en el ingreso total de cada uno, o en que
proporción afectan estas.
Tabla N°3: Descripción estadística de las variables preliminares
VARIABLE N° DE OBSERVACIONES
MEDIA DESV. ESTANDAR
MINIMO MAXIMO
Ingxpredio 49 265994,9 278433,6 0 1375000
TTOTAL 55 356,7038 611,1575 0 2969
FRV 55 1,945455 7,70502 0 44
BN 55 261,6109 517,2892 0 2500
PPE 55 2,132727 4,757491 0 20
SB 55 1,398182 5,684302 0 40
SDE 55 29,18182 59,70819 0 300
VIN 55 0,7577691 0,5231957 0 2,6
ARR 54 0,4166667 1,410038 0 7
CHR 55 0,0993855 0,2505465 0 1
CF 55 3,145455 5,681087 0 30
PR 55 51,61636 77,41855 0 400
GAN 55 21,78182 37,68912 0 200
AV 55 2,738182 25,88542 0 150
VIV* 55 0,8181818 0,3892495 0 1
AG* 55 0,6909091 0,466378 0 1
PBC 55 24,50909 15,59781 6 65
INGPR* 55 0,4727273 0,5038572 0 1
PDT 51 4 2,383275 1 8
EXP 51 4,960784 3,638466 1 10 * Variable Dummy
La Tabla N°3 muestra una mirada más detallada de los datos, en esta se puede
observar que existe una diferencia de observaciones en estos mismos, esto es debido a
los individuos que preferían no responder determinadas preguntas por lo que estos
30
datos se quedaban sin observaciones, en mayor caso se dio en nuestra variable
dependiente con 7 individuos que no quisieron responder.
También se puede ver que al analizar mínimos y máximos, primero toma en cuenta el
numero “0” por ende todos los predios que no tienen esa característica, por lo que es
difícil analizar los mínimos verdaderos para los predios que si tienen esa característica.
Es por ello que ahora se hará análisis uno a uno de los datos en una misma tabla para
poder tener información más certera sobre sus mínimos y máximos y con esto su
desviación estándar, tomando en cuenta solo los predios que contienen esta
característica.
Tabla N°4: Descripción estadística de las variables preliminares (excluyendo los predios
con valores cero para las distintas variables)
VARIABLE N° DE MEDIA DESV.EST MINIMO MAXIMO
OBSERVACIONES
FRV 11 9,727273 15,40513 0,5 44
BN 54 2,664556 520,8855 7,5 2500
PPE 15 7,82 6,296847 0,5 20
SB 18 4,272222 9,46758 0,2 40
SDE 48 33,4375 62,85466 2 300
VIN 51 0,817202 0,496077 0,295 2.6
CHR 24 0,2277583 0,3418657 0,001 1
ARR 5 4,5 1,837117 2,5 7
CF 22 7,863636 6,642543 1 30
PR 52 5,459423 78,61575 3 400
GAN 40 29,95 41,42336 1 200
AV 48 31,375 25,33572 7 150
PBC 55 24,50909 15,59781 6 65
Como se puede observar en esta Tabla N°4 se apartaron las variables dummy, debido a
que queríamos saber los datos que tenían mas que “0” de las distintas características, y
las variables en cuestión son medidas solo con dos valores “0” o “1”.
También se aparataron las variables pendiente (PDT) y exposición (EXP), ya que no
son variables continuas.
Ahora de esta tabla podemos deducir que en el caso de Frutales y Hortalizas, solo
existen 11 observaciones, por lo tanto esa es la cantidad de predios que contienen esta
característica o actividad productiva, y que de esos el que tiene menos es 0,5 ha y el
31
que tiene más es 44 ha, y la media de los 11 predios, es de 9,727, con una desviación
estándar de 15,4. Así mismo es el análisis se repite para todas las demás variables de
hectáreas o kilómetros.
En el caso de las variables de cantidad de animales como por ejemplo aves se puede
ver de esta manera, existen 48 predios que tienen la actividad con aves, el que tiene
menos tiene solo 7 aves, y el que tiene más tiene 150, en promedio los predios tienen
31,375.
Con esta información más adelante, en la sección de estimación de resultados, se podrá
hacer mayores análisis.
32
7. RESULTADOS
Para poder determinar los efectos que tienen las variables ya mencionadas, en nuestra
variable costo de oportunidad o ingreso del predio, se estima un modelo de MCO.
Se tomó la determinación de eliminar tres variables en la parte inicial, dos de ellas
debido a la poca significancia que podrían tener para explicar el modelo, ya que solo
contaban con dos observaciones, lo que no sería relevante dentro de la estimación a
presentar, estas son HRF (Hortalizas y flores) y FPR (Forrajeras permanentes y de
rotación). La tercera es la variable INGPR, debido a la similitud que existe con nuestra
variable dependiente, ya que esta es una proporción de el ingreso total, lo que haría que
existiera una gran relación.
A continuación presentaremos distintas tablas con sus respectivos análisis con el fin de
analizar todas las variables que se piensan que pueden afectar, aunque así podrían dar
no significativas, lo que no quiere decir que no sean importantes, a estas tablas también
se le irán eliminando las variables no significantes para por otro lado también así poder
ver las variables que afectan significativamente la variable dependiente.
Análisis N°1
En esta instancia presentamos una estimación con todas las variables para explicar
nuestra variable dependiente.
Tabla Nº 511: Resumen de regresión con variables iniciales
Ingreso por Predio
Coeficiente* t P> |t| [95% Conf. Interval]
Constante 60059,27 0,20 0,839 -544128,4 664246,9
FRV* 35099,48 2,74 0,011 8708,39 61490,58
BN 6,60402 0,04 0,972 -379,7453 392,9533
PPE 18841,75 1,14 0,266 -15236,39 52919,89
SB 16456,42 1,69 0,104 -3617,251 36530,08
SDE -1735,268 -0,81 0,425 -6138,733 2668,197
VIN* -207081,9 -1,73 0,095 -453223,5 39059,7
ARR -16690,41 -0,67 0,507 -67696,21 34315,38
CHR -17920,37 -0,10 0,924 -399588,2 363747,4
CF 6627,094 0,58 0,570 -17094,47 30348,66
PR 82,041 0,05 0,961 -3360,556 3524,638
GAN* 4812,768 2,10 0,046 81,64519 9543,891
AV* 4655,384 2,68 0,013 1077,466 8233,303
VIV -14551,16 -0,05 0,962 -644014,8 614912,5
AG -48589,5 -0,53 0,598 -235777,1 138598,1
PBC -2659,759 -0,57 0,577 -12341,05 7021,53
PDT 33916,4 1,23 0,229 -22691,07 90523,87
EXP 7160,631 0,50 0,618 -22071,62 36392,89 11
Tabla de regresión completa se encuentra en el Anexo con nombre Tabla A-Nº 2
33
R2 0,6433
R2 ajustado 0,4008
*Variable significativa
En primer lugar se quiso analizar junto con la regresión las dos variables geográficas
que tenemos, PDT “Pendiente” y EXP “Exposición”, esto con el fin de definir si serán o
no incluidas en los análisis posteriores.
Para comprobar mejor esto hicimos una regresión con solo las variables geográficas
para analizar la significancia, que presentamos a continuación:
Tabla Nº 612: Resumen de regresión con sólo variables geográficas
Ingreso por Predio
Coeficiente* t P> |t| [95% Conf. Interval]
Constante 223159,7 2,42 0,020 37301,03 409018,4
PDT 7670,116 0,31 0,755 -41740,08 57080,31
EXP 2949,292 0,19 0,854 -29127,85 35026,43
R2 0,0083
R2 ajustado -0,0401
Como se puede apreciar en las dos tablas pasadas, estas variables cuentan con un bajo
nivel de significancia, en casos separados se puede ver que:
Pendiente (PDT), en ambos análisis tanto en el con todas las variables en la tabla Nº 5,
como en el que sólo se analiza con las variables demográficas en la tabla Nº 6, se
aprecia que en ningún caso tienen un nivel de significancia aceptado al 90% de
confianza, incluso en la tabla Nº 6, se ve que es aun menos significante para definir
nuestra variable dependiente. Esto debido a las grandes diferencias que podría generar
en el ingreso por predio o costo de oportunidad, como lo muestra su intervalo de
confianza en la tabla Nº 5, este podría variar ante un cambio marginal en la pendiente
tanto disminuyendo $22.691,07 como también podría aumentar $90.523,87, es por este
gran margen que la variable PDT queda como no significante.
Exposición (EXP), al igual que la variable anterior en ambos análisis se muestra aun
menos significante con un nivel de confianza del 90%. Esto también se produce debido
a la gran diferencia que existe en sus intervalos de confianza, que por un aumento
marginal de la exposición, esta podría según la tabla Nº 5 aumentar en $36.392,89 o
disminuir en $22.071,62 nuestra variable ingreso, es por esa gran diferencia que se
entiende como no significante
12
Tabla de regresión completa se encuentra en el Anexo con nombre Tabla A-Nº 2.1
34
Ante el análisis anterior, se decidió seguir los posteriores análisis sin las variables
geográficas, con el fin de encontrar las variables que mejor expliquen nuestra variable
ingreso del predio o costo de oportunidad.
Análisis N°2
En esta instancia presentamos una estimación con todas las variables escogidas,
sumándole el tamaño total del predio, y eliminando las variables geográficas para
explicar nuestra variable dependiente.
Tabla Nº 713: Resumen de regresión todas las variables menos demográficas
Ingreso por Predio
Coeficiente*
t P> |t| [95% Conf. Interval]
Constante 201276.3 1.17 0.250 --
149189.5 551742
FRV* 31117.26 2.87 0.007 9020.908 53213.62
BN -2731.073 -0.59 0.562 -12241.88 6779.734
PPE 9075.16 0.68 0.500 -18049.57 36199.89
SB* 14439.7 1.71 0.097 -2777.254 31656.66
SDE -5176.451 -1.20 0.240 -13985.34 3632.439
VIN* -212248.7 -2.06 0.048 -422495 -2002.495
ARR -13476.54 -0.58 0.567 -60978.16 34025.08
CHR -183043.8 -1.21 0.237 -492382 126294.4
CF 3603.466 0.39 0.702 -15434.6 22641.53
PR -1728.955 -0.34 0.738 -12187.43 8729.518
GAN* 3588.874 1.76 0.088 -564.1739 7741.922
AV* 3862.563 2.45 0.020 648.8951 7076.231
VIV 114125.4 0.67 0.506 -231926 460176.8
AG -49490.73 -0.64 0.526 -206968.4 107987
PBC -4241.996 -1.36 0.183 -10588.01 2104.017
TTOTAL 2757.879 0.60 0.552 -6593.812 12109.57
R2 0.6084
R2 ajustado 0.4062
*Variable significativa
En la tabla N° 7 en la que se analizan todas las variables restantes, podemos ver que
existen 11 variables y la constante no significativas al 10%, esto puede darse por la
gran dispersión de los datos que existe en un mismo parámetro y al bajo número de
observaciones con que actualmente se cuenta.
Se identifica que existen 5 variables con al menos 90% de confianza para definir la
variable dependiente, las cuales son FRV, SB, VIN, GAN Y AV. Todas esas variables
13
Tabla de regresión completa se encuentra en el Anexo con nombre Tabla A-Nº 3
35
menos VIN, tienen un efecto positivo en el ingreso o costo de oportunidad, en próximo
análisis se profundizara mas detalladamente en sus efectos en que estas tienen sobre
la variable dependiente.
En el caso de BN “Bosque nativo” como se muestra en el gráfico Nº 4 y en la tabla Nº4,
existen 54 predios que tienen esta característica y realizando una acotación, se
encontró que 36 tienen entre 7,5 y 90 hectáreas de bosque nativo, a pesar que cuentan
con una cantidad similar de hectáreas, existe gran diferencia de aproximadamente
$800.000 pesos de ingresos totales, agregando que en el intervalo de confianza se
aprecia la gran diferencia de ingreso que podría generar esta variable, entre perder
$12.241,8 y ganar $6.779,7 pesos por tener una hectárea más de Bosque Nativo.
En el siguiente gráfico se señala la dispersión de los predios en cuanto a Ha y
diferencias en el Ingreso por predio.
Gráfico Nº 4: Dispersión de predios entre Ha e ingresos pro predio
Fuente: Elaboración propia
En el caso de la variable ARR “Arriendo de parte del predio” se puede ver que tampoco
es significante al 10%, esto se asume que es por la baja cantidad de predios que
contienen esa característica, solo 5 de los 56 encuestados, tiene alguna superficie en
arriendo, por lo que le quita significancia a la variable, y no explica de buena manera
nuestra variable dependiente.
En el caso de PPE “Plantaciones de Pino, eucalipto, etc “ con 15 datos, podemos ver
que generaría un ingreso promedio a los que contengan esta variable, de $9.075,16
0
200
00
04
00
00
06
00
00
08
00
00
01
.0e+
06
ing
xpre
dio
0 20 40 60 80 100BN
36
pesos por hectárea, pero existe un intervalo de ganancia o perdida que es muy grande,
que va desde ganar $36.199,8 a perder $18.049,5 pesos, entonces una persona que
tenga esa variable, según las estimaciones podría tanto aumentar como disminuir su
ingreso o costo de oportunidad en esas cantidades, por lo con estas gran diferencias se
puede explicar que la variable no sea significante.
En el caso de la CONSTANTE, podemos decir que este es el ingreso promedio o costo
de oportunidad promedio que tiene el dueño de un predio en esa zona, a los que se le
sumaria por hectárea los que genere cada variable. Por lo que cada uno de estos gana
en promedio $201.276,3 pesos, aunque no sea significante es de igual importancia
definirla.
Entonces haciendo un análisis más general, sacaremos todas las variables que no
fueron significantes con un 10% de significancia, por las razones antes explicada en
algunas de estas variables, para poder dar con aquellas que expliquen de mejor forma
nuestro modelo.
Por lo tanto retiraremos las variables, BN; PPE; ARR; CHR; CF; PR; VIV; PBC; AG.
Finalmente R2 que representa la bondad del modelo corresponde a un 0.6084 es
decir los cambios que ocurren en la variable dependiente son explicados en un 60,84%
por las variables independientes.
Análisis N° 3
En esta instancia presentamos una estimación de sólo las variables significativas para
explicar nuestra variable dependiente.
Tabla Nº 814: Resumen de regresión las variables restantes
Ingreso por Predio
Coeficiente* t P> |t| [95% Conf. Interval]
Constante 150339,7 2,53 0,015 30366,77 270312,6
FRV* 27979,45 3,40 0,001 11298,15 44560,76
SB* 18854,07 3,35 0,002 7498,506 30209,64
VIN* -142712,2 -1,76 0,085 -306073 20648,47
GAN* 2099,645 1,93 0,060 -92,64491 4291,935
AV* 4189,637 3,40 0,001 1708,196 6671,077
R2 0,5103
R2 ajustado 0,4533
*Variable significativa
14
Tabla de regresión completa se encuentra en el Anexo con nombre Tabla A- Nº 4
37
En el caso de la constante como muestra la Tabla N°8 ahora se hizo más significativa
también, pero disminuyó a $150.339,7 pesos, el promedio de ingreso o costo de
oportunidad que tienen todos los dueños de predios, esto se da debido a que se
redistribuye de nuevo los ingreso en la estimación a las distintas variables, entonces
ahora que existe menos ingreso en la constante, en algunos algunas variables aumento
el ingreso que genera por el cambio marginal, como es el caso de AV y SB, también
se da el caso contrario en otras variables.
Entonces luego de quitar todas las variables que no eran significantes llegamos a las
variables que “explican” el modelo,
Dentro de estas encontramos:
FRV la cual es significante con un 99% de confianza, teniendo un nivel de significancia
de 0.001, nos indica que los Frutales y Viñas afectan positivamente en el ingreso,
adicionando $27.979,45 por cada hectárea de esta característica que el predio
contenga. Por lo que en conjunto con la Tabla N° de la descripción de datos, podemos
ver que en promedio los dueños de los predios que tienen Frutales y Viñas, tienen 9,727
hectáreas, por lo que en promedio ellos ganarían $272.156. (9,727*27.979,45) por esta
característica.
SB la cual es significante con un 95% de confianza y un nivel de significancia de 0.002,
nos muestra que Suelo en barbecho afecta positivamente en el ingreso o costo de
oportunidad, aumentando en $18.854,07 por cada hectárea que el predio contenga de
esta característica. Analizando conjuntamente con la tabla N°2 se puede ver que en
promedio de las personas que tienen esta característica en su predio, están en 4,27
hectáreas, por lo que en promedio una persona de estos por tener estas hectáreas
ganaría $80.506,8. (4,27*$18.854,07).
VIN la cual es significante con un 90% de confianza, y significante con un nivel 0.085,
podemos ver que por cada hectárea que los predios contengan de Vivienda y/o
infraestructura afectará negativamente en el ingreso o costo de oportunidad del dueño,
disminuyéndolo en $142.712,2. Analizando junto con la tabla N° 2 se puede ver que el
promedio de los predios que contienen esta característica, es de 0,817 hectáreas, por lo
que en promedio estos individuos dejan de ganar $116.595,8 por tener esta
infraestructura en su predio.
GAN la cual es significante con un 90% de confianza, y con un nivel de significancia de
0.06, nos indica que por cada animal de Ganadería que el predio contenga, va a afectar
positivamente en el ingreso o costo de oportunidad, adicionando $2.099,645 por animal.
En conjunto con la tabla N° 2 podemos analizar que en promedio los predios que
cuentan con ganadería, tienen 30 animales aproximadamente (29,95), por lo que en
38
promedio los dueños de los predios que contienen estos animales ganarían por estos $
62.989,35 (30*$2.099,645).
AV la cual es significante con un 99% de confianza y nivel de significancia de 0.001, nos
muestra que por cada Ave que contenga el predio, va a afectar positivamente en el
ingreso o costo de oportunidad del dueño, aumentándolo en $4.189,637 por animal.
Analizando junto con la tabla N° 2 podemos ver que en promedio los predios que tienen
aves, tienen 31 de estos animales aproximadamente (31,375), por lo que en promedio
las ganancias que ganan los dueños de estos predios por esta característica seria de
$129.878,7 (31*$4.189,637).
CONSTANTE esta es significante con un 90% de confianza, y con un nivel de
significancia de 0.015, esta variable nos muestra el ingreso o costo de oportunidad
promedio que tienen los dueños de estos predios, sin realizar las actividades antes
mencionadas la cual asciende a $150,339,7, al igual que en el análisis anterior este
disminuye.
Analizando básicamente en conjunto las variables anteriormente mencionadas,
podemos ver que estas son las que explican en forma importante de que magnitud sera
el costo de oportunidad para el dueño del predio, realizar otra actividad distinta de la
que están haciendo o de la que podrían hacer, si ellos decidieran en este caso hacer
conservación de Bosque nativo.
Como base de Costo de oportunidad, y en un futuro incentivos, cualquiera sean las
características del predio es necesario ofrecer al menos la constante generada por la
estimación, $150.339, es decir, el ingreso promedio que tendría cualquier dueño de un
predio.
Se puede ver que el predio que contenga la actividad productiva Aves posiblemente
contara con un costo de oportunidad elevado. Analizando que el hecho de tener como
ejemplo solo 10 aves, significa un ingreso no menor de $41.896,37, lo que para el 16%
de los encuestados que son los que tienen un ingreso familiar entre $150.000 y
$300.000, esto significaría un 16% de sus ingresos totales. Recordando que 48 predios
contienen esta actividad y de estos el promedio de aves son 31,375% por estos predios.
Finalmente R2 que representa la bondad del modelo corresponde a un 0.5103 es
decir los cambios que ocurren en la variable dependiente son explicados en un 51,03%
por la variable independiente.
39
Análisis Nº 4: Bosque Nativo
Con el fin de poder conocer más a profundidad la existencia de Bosque Nativo en los
predios, se quiso complementariamente realizar una regresión con esta como variable a
explicar, definida por las demás variables que ocupan terreno en el predio, las
geográficas y el tamaño total del predio.
Tabla Nº 915: Resumen de regresión de bosque nativo
BN Coeficiente* t P> |t| [95% Conf. Interval]
Constante -23.02129 -1.37 0.180 -57.19249 11.14992
FRV -.5019269 -0.73 0.469 -1.892521 .8886668
PPE -1.001303 -0.79 0.436 -3.579617 1.57701
SB 0.6558528 0.56 0.578 -1.714704 3.02641
SDE* -0.6598289 -2.81 0.008 -1.135258 -.1844001
VIN 1.126304 0.10 0.918 -21.02484 23.27745
ARR -0.4802496 -0.14 0.887 -7.259805 6.299306
CHR 9.124215 0.41 0.682 -35.63005 53.87848
CF 0.6813703 0.52 0.606 -1.977259 3.34
PR* -1.097225 -7.57 0.000 -1.391112 -.8033381
PDT 3.234132 1.00 0.325 -3.335049 9.803314
EXP 0.4525573 0.25 0.804 -3.227382 4.132497
TTOTAL* 0.9653935 54.81 0.000 .9296692 1.001118
R2 0.9974
R2 ajustado 0.9965
*Variable significativa
En la tabla Nº 9, se muestra que de una cantidad de 12 variables para determinar la
variable Bosque Nativo, solo SDE, PR, TTOTAL son significativas al 99% de confianza,
con un nivel de significancia de 0.008, 0, 0, respectivamente.
Se puede ver que en cada caso,
SDE, influye de manera negativa en BN, ya que por cada hectárea que aumenten de
suelo desnudo el predio, el Bosque nativo tendría que disminuir en 0,6558 ha
aproximadamente.
15
Tabla de regresión completa se encuentra en el Anexo con nombre Tabla A-Nº 5
40
PR, influye de manera negativa en BN, debido a que por cada hectárea que el predio
aumente de Praderas, el Bosque nativo tendería a disminuir en 1,097 hectáreas
aproximadamente.
TTOTAL, influye positivamente en BN, en este caso se pude deducir que por cada
hectárea más que tenga el predio, si esta fuera de bosque nativo, este debería
aumentar en 0,965 hectáreas aproximadamente.
En el caso de constante no es importante analizarla, debido a la condición negativa que
esta tiene, sería ilógico hacer un análisis de que el promedio de hectáreas de Bosque
Nativo es negativo.
En el caso de las demás variables, tienen un nivel muy bajo de significancia, por lo que
se entiende que no explican de la mejor manera a la variable dependiente, no por esto,
dejan de ser importantes. Entonces el caso de SB, VIN ARR, CHR, CF, PDT y EXP,
afectan cada una de estas promedio de manera positiva en la cantidad de hectáreas de
Bosque Nativo, y en el caso contrario las variables FRV, PPE y ARR.
Estas variables no son significantes debido a que aunque su promedio afecte tanto
positiva como negativamente, en su intervalo de confianza existe una gran diferencia en
cómo podría afectar a la variable dependiente llegando en algunos casos a afectar
tomar el signo contrario al promedio antes explicado.
Existen dos variables significativas que tienen un efecto negativo sobre la cantidad de
bosque nativo, suelo desnudo (SDE) y praderas (PR), donde el aumento de estas en 1
hectárea, disminuye el bosque nativo en 0,66 y 1,09 respectivamente. La diferencia
entre ha de bosque nativo y las variable explicativas, se puede explicar a la
preferencias de los dueños de tener BN o simplemente tener suelo “sin utilizar”
Al analizar la relación que existe del tamaño total del predio con la cantidad de
hectáreas de bosque nativo; al aumentar el predio en una hectárea, existe una gran
relación con que este aumento pueda traer consigo un aumento casi en las mismas
proporciones de Bosque nativo, debido a que este aumentara en 0,965 hectáreas. sin
embargo la diferencia de hectáreas entre la variable dependiente y explicativa se debe a
que el aumento del tamaño total también da la posibilidad para poseer otro tipo de uso
de suelo, no obstante en gran medida esta preferencia será de poseer bosque nativo
Finalmente R2 que representa la bondad del modelo corresponde a un 0.9974 es
decir los cambios que ocurren en la variable dependiente son explicados en un 99,74%
por la variable independiente.
41
8. CONCLUSIONES
Los resultados obtenidos en esta investigación generan información sobre los efectos
de las variables en el ingreso por predio, es decir, como se definió anteriormente, del
costo de oportunidad de los individuos encuestados que tendrían por dejar de hacer las
actividades que hoy hacen y hacer conservación de Bosques.
De las variables significativas, es decir, que explican de mejor forma la variable
dependiente como de los datos obtenidos podemos concluir que:
El costo de oportunidad que se aprecia en las estimaciones para una persona
que tiene ganadería como actividad productiva es relativamente bajo, esto
quiere decir que a un predio con estas características, le es menos costoso
conservar. Por otro lado se podría analizar más profundamente que existe la
posibilidad que la ganadería no genere tanto ingreso, por el hecho que esta
pueda ser utilizada en parte para el consumo propio.
Aun cuando la mayoría de los predios contenga la actividad productiva de aves,
esta es un elemento importante dentro del valor total el costo de oportunidad,
debido al gran aporto económico que genera marginalmente cada una de estas,
lo que puede ser explicado por la alta rotación y fácil reproducción que puedan
tener estos animales.
En el caso de la actividad productiva de de Frutales y Viñas, aun cuando esta
no se encuentra presente en la mayoría de los predios, afecta en una cantidad
importante y significativa en el costo de oportunidad, lo que lleva a que la
variable sea relevante para la determinación de este.
La mayor parte de los predios tiene Vivienda e Infraestructura, lo que afecta
“negativamente” en el costo de oportunidad debido a que, o se tienen una
vivienda y por ende no se está produciendo, o esa producción en una
infraestructura está siendo contabilizada por otra variable productiva. En el caso
de la Vivienda la magnitud del costo de oportunidad que se está disminuyendo,
solo se ve en el caso productivo, ya que aun así siempre va a ser más
conveniente perder esa cantidad, que arrendar una propiedad para vivir fuera
del predio.
42
El tener bosque nativo en el predio, no es una característica influyente en el
costo de oportunidad de conservar, debido que son pocas las actividades para
aumentar el ingreso que se podrían hacer con este, sin embargo es importante
mencionar y hacer un mayor análisis, que aunque en este caso no sea
preponderante en la variable ingreso, se podría entender que tal vez una
persona que tiene un predio con una cantidad de bosque nativo no menor, es
porque tiene preferencia a la conservación, lo que haría implícitamente que el
costo de oportunidad disminuyera, por lo que se propone una investigación
mayor sobre el tema de preferencias del individuo encuestado .
Para un futuro incentivo en la zona estudiada, con los datos obtenidos por esta
cantidad limitada de predios, se recomendaría considerar las variables que
explican el modelo de mejor manera las que serian: Los frutales y viñas, Suelo
en barbecho, Vivienda y/o infraestructura, Ganadería y Aves; ya que son estas
las que determinan el ingreso y por ende las decisiones de los dueños de los
predios.
Analizando las características productivas y los ingresos que se están
generando dentro del predio, entrega resultados coherentes y que pueden
explicar un mayor o menor costo de oportunidad para en fin poder generar unos
incentivos más eficientes, según actual uso de suelo que cada propietario le da
a su predio, y que estos puedan cambiar su decisión a cambiar parte del uso y
conservar.
Es conveniente realizar investigaciones más profundas y más detalladas, ya sea
con un mayor número de encuestados, como en datos de preferencias como se
puede apreciar que la mayor parte de los dueños de predios son de la tercera
edad, el costo de oportunidad de estos podría disminuir notablemente por el solo
hecho de quiere disminuir su carga laboral.
43
9. BIBLIOGRAFIA
“CATASTRO Y EVALUACIÓN DE RECURSOSVEGETACIONALES NATIVOS DE
CHILE (1999), Informe Nacional con Variables Ambientales de Proyecto conjunto
CONAF-CONAMA – BIRP, Universidad Austral de Chile, Pontificia Universidad Católica
de Chile y Universidad Católica de Temuco.
Cunazza, C. 2005. Sistema Nacional de Áreas Protegidas. Temas de Fondo. Año 5
N°13. Corma. Disponible en: http://www.corma.cl/_file/file_627_76908_tem%205.pdf
Chomitz, K. y K. Kumari (1998).The domestic benefits of tropical forests: a critical
review. The World Bank Research Observer (vol. 13).
Chomitz, K., Alger, K., Thomas, T., Orlando, H., and Vila Nova, P., 2005. Opportunity
costs of conservation in a biodiversity hotspot: the case of southern Bahia. Environment
and Development Economics 10, 293-312.
Dixon, J.A. and Sherman, P.B., 1990. “Economics of Protected Areas: Approaches and
Applications”. East-West Centre, Washington, DC, 243 pp.
Echeverría, C., Schiappacasse, I., Urrutia, R., Cárcamo, M., Becerra, P., Smith, C.,
Homgren, M.(2010). “Manual de restauración de ecosistemas degradados para la
conservación de la biodiversidad y el desarrollo rural en la zona semiárida de Chile
central”, Proyectos REFORLAN y CONYCIT RUE-33, Valdivia, Chile.
Echeverría, Schiapacasse, Vásquez y Salgado “Diseño de Incentivos Económicos
Costo-Efectivos para la Conservación y Restauración del Bosque Mediterráneo”.
Proyecto de Investigación presentado al II Concurso Fondo de Investigación del Bosque
Nativo, Corporación Nacional Forestal (CONAF).
Environmental Law Institute, (2003). “Legal Tools and Incentives for Private Lands in
Latin America: Building Models for Success, Environmental Law Institute”, Washington
D.C.
Estimating the opportunity costs of REDD+, A training manual.
Espinoza C. (2002). “El bosque nativo de Chile situación actual y proyecciones”.
44
Goldstein, J.H., Daily G.C., Friday J.B., Matson P.A., Naylor, R.L., Vitousek, P., (2006).
“Business strategies for conservation on private lands: koa forestry as a case study.
Proc Natl AcadSci” USA 103, 10140–10145.
Goldstein, J., Pejchar, L., Daily, G., (2008). “Using return-on-investment to guide
restoration: a case study from Hawaii”. Conserv. Lett. 1: 236-243.
Historia de la ley Nº 20.283. Ley sobre recuperación del bosque nativo y fomento
forestal. Biblioteca del Congreso Nacional de Chile.
Lara, A., Urrutia, R., 2010. The Growing Significance of Conservation: The Chilean
Experience, in: Levitt, J.N. and Meyer, S. (Eds.), Conservation Capital in the Americas,
Exemplary Conservation Finance Initiatives. Lincoln Institute of Land Policy, Cambridge,
Massachusetts, pp. 5-14.
Michael Norton-Griffiths, Clive Southey (1994). ”The opportunity costs of biodiversity
conservation in Kenya”.
Modrego, F.; Barrera, D.; Charnay, R. (2004). ESTIMACIÓN DEL EFECTO DEL
DECRETO LEY N°701 DE FOMENTO FORESTAL SOBRE LAS TASAS DE
FORESTACIÓN EN CHILE: Un análisis a nivel regional.
Naidoo, Balmford, Ferraro, Polasky, Ricketts and Rouget (2006). “Integrating economic
costs into conservation planning”.
Paul J. Ferraro (2002). “The local costs of establishing protected areas in low-income
nations: Ranomafana National Park, Madagascar”.
Rivero F. y Waltemath E.SEMINARIO “El rol de las ONGs en la conservación del
patrimonio forestal”, PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE, Facultad de
Agronomía e Ingeniería Forestal.
Schulz, J., Cayuela, L., Echeverría, C., Salas, J., Rey Benayas, J.M. (2010). “Monitoring
land cover change of the dryland forest landscape of Central Chile (1975-2008)”. Appl.
Geogr. 30, 436-447.
45
ley nº 20.283 SOBRE RECUPERACION DEL BOSQUE NATIVO Y FOMENTO
FORESTAL. Disponible en: http://www.grn.cl/Ley-bosque-nativo-libro.pdf
Decreto Ley N° 701. Disponible en: http://www.conaf.cl/cms/editorweb/normativa/DL-
701.pdf
Panayotou,is T., 1994. “Transferable development rights as an instrument of
conservation”. Institute of Ecological Eeonomics/ Beijer Institute, Stockholm (in press).
Pearce, D. and Barrett, D. (1993). “Incremental costs and biodiversity conservation”.
Paper prepared for the World Bank/Global Environment Facility seminar on Incremental
Costs and the Global Environment, Washington, DC, September 1993. Centre for Social
and Economic Research on the Global Environment/University College, London
(unpubl.), 20 pp.
Petterson J. (2010). “Payments for invironment Services ine Campo hermoso watershed,
Measuring opportunity costs and identifying determinants”. University of Gothenburg,
School of Business, Economics and Law.
46
10. ANEXO
TABLA A-Nº 1: Resultado de correlaciones entre variables ..................................... 47
TABLA A-Nº 2: Regresión de MCO del análisis Nº 1 ................................................ 48
TABLA A-Nº 2.1: Regresión de MCO del análisis Nº 1 .............................................. 48
TABLA A-Nº 3: Regresión de MCO del análisis Nº 2 ................................................. 49
TABLA A-Nº 4: Regresión de MCO del análisis Nº 3 ................................................. 49
TABLA A-Nº 5: Regresión de MCO del análisis de bosque nativo Nº 5 ................... 50
47
TABLA A-Nº 1: Resultado de correlaciones entre variables
TTOTAL FRV BN PPE SB SDE VIN ARR CHR CF PR GAN AV VIV AG PBC INGPR
TTOTAL 1.0000
FRV 0.1367 1.0000
BN 0.9836 0.1681 1.0000
PPE -0.0739 -0.0720 -0.1108 1.0000
SB 0.4351 0.2789 0.5095 0.0911 1.0000
SDE 0.7307 -0.0673 0.6130 0.0588 -0.0212 1.0000
VIN 0.2862 0.3507 0.2824 0.0234 0.0955 0.1042 1.0000
ARR -0.1207 -0.0760 -0.1096 -0.0939 -0.0728 -0.0993 -0.1605 1.0000
CHR 0.0257 -0.0990 0.0213 0.1128 -0.0646 -0.0208 0.0552 -0.1195 1.0000
CF 0.1249 -0.1297 0.1128 0.5128 0.0196 0.1818 -0.0267 -0.1599 0.3285 1.0000
PR 0.6675 -0.0961 0.5320 0.0350 -0.0429 0.8854 0.2062 -0.1163 0.0445 0.0520 1.0000
GAN 0.5352 -0.1449 0.4390 - 0.0192 -0.0868 0.5834 0.3915 -0.1348 0.0223 0.1511 0.6667 1.0000
AV -0.1981 -0.2495 -0.2094 0.1231 -0.1367 -0.0870 0.1693 -0.0193 0.1199 0.2950 0.0182 -0.0061 1.0000
VIV -0.6300 -0.4726 -0.5893 0.0173 -0.2276 -0.5828 -0.1814 0.1422 0.0824 -0.0165 -0.5441 -0.2273 0.3302 1.0000
AG 0.1996 0.1701 0.2046 0.0372 0.1170 0.0378 0.1649 0.0452 -0.1708 0.0209 0.1113 0.1101 0.0206 -0.1179 1.0000
PBC -0.2476 -0.1389 -0.2696 0.6606 0.0237 -0.1708 -0.0194 -0.1232 0.1566 0.2609 -0.0768 -0.0580 0.1089 0.2734 -0.0597 1.0000
INGPR -0.0841 0.0527 -0.0571 0.1892 0.2047 -0.2508 0.0397 0.0554 -0.0328 0.2256 -0.2043 -0.1010 0.1358 0.1558 0.2295 0.1556 1.0000
Fuente: Resultado programa Stata
48
TABLA A-Nº 2: Regresión de MCO del análisis Nº 1
Source SS df MS
Number of obs
43
Model 2.2783e+12 17 1.3401e+11
F( 6, 42) 2.65
Residual 1.2630e+12 25 5.0519e+10
Prob > F 0.0132
Total 3.5412e+12 42 8.4315e+10
R-squared 0.6433
Adj R-squared 0.4008
Root MSE 2.2e+05
ingxpredio COEFICIENTE
DESV. ESTANDAR
t P>|t| [95% intervalo confianza]
CONSTANTE 60059.27 293360.7 0.20 0.839 -544128.4 664246.9
FRV 35099.48 12814.08 2.74 0.011 8708.39 61490.58
BN 6.60402 187.5902 0.04 0.972 -379.7453 392.9533
PPE 18841.75 16546.49 1.14 0.266 -15236.39 52919.89
SB 16456.42 9746.682 1.69 0.104 -3617.251 36530.08
SDE -1735.268 2138.083 -0.81 0.425 -6138.733 2668.197
VIN -207081.9 119513 -1.73 0.095 -453223.5 39059.7
ARR -16690.41 24765.64 -0.67 0.507 -67696.21 34315.38
CHR -17920.37 185317.2 -0.10 0.924 -399588.2 363747.4
CF 6627.094 11517.9 0.58 0.570 -17094.47 30348.66
PR 82.041 1671.538 0.05 0.961 -3360.556 3524.638
GAN 4812.768 2297.176 2.10 0.046 81.64519 9543.891
AV 4655.384 1737.243 2.68 0.013 1077.466 8233.303
VIV -14551.16 305633.3 -0.05 0.962 -644014.8 614912.5
AG -48589.5 90888.11 -0.53 0.598 -235777.1 138598.1
PBC -2659.759 4700.708 -0.57 0.577 -12341.05 7021.53
PDT 33916.4 27485.51 1.23 0.229 -22691.07 90523.87
EXP 7.160.631 14193.6 0.50 0.618 -22071.62 36392.89
TABLA A-Nº 2.1: Regresión de MCO del análisis Nº 1
Source SS df MS
Number of obs
44
Model 2.9365e+10 2 1.4682e+10
F( 6, 42) 0.17
Residual 3.5139e+12 41 8.5706e+10
Prob > F 0.8432
Total 3.5433e+12 43 8.2402e+10
R-squared 0.0083
Adj R-squared
-0.0401
Root MSE 2.9e+05
ingxpredio COEFICIENTE
DESV. ESTANDAR
t P>|t| [95% intervalo confianza]
CONSTANTE 223159.7 92030.17 2.42 0,02 37301,03 409018,4
49
PDT 7670.116 8216.666 3.66 0,755 -41740,08 57080,31
EXP 2949.292 5550.933 3.36 0,854 -29127,85 35026,43
TABLA A-Nº 3: Regresión de MCO del análisis Nº 2
Source SS df MS
Number of obs
49
Model 13621006.1 14 972929.009
F( 6, 42) 1682.21
Residual 19664.3719 34 578.363878
Prob > F 0.0000
Total 13640670.5 48 284180.635
R-squared 0.9986
Adj R-squared
0.9980
Root MSE 24.049
ingxpredio COEFICIENTE
DESV. ESTANDAR
t P>|t| [95% intervalo confianza]
CONSTANTE 201276,3 171837,9 1.17 0.250 -149189,5 551742
FRV 31117,26 10834,13 2.87 0.007 9020,908 53213,62
BN -2731,073 4663,273 -0.59 0.562 -12241,88 677,734
PPE 9075,16 13299,61 0.68 0.500 -18049,57 36199,89
SB 14439,7 8441,699 1.71 0.097 -2777,254 31656,66
SDE -5176,451 4319,113 -1.20 0.240 -13985,34 3632,439
VIN -212248,7 103086,5 -2.06 0.048 -422495 -2002,495
ARR -13476,54 23290,66 -0.58 0.567 -60978,16 34025,08
CHR -183043,8 151672,5 -1.21 0.237 -492382 126294,4
CF 3603,466 9334,611 0.39 0.702 -15434,6 22641,53
PR -1728,955 5127,926 -0.34 0.738 -12187,43 8729,518
GAN 3588,874 2036,293 1.76 0.088 -564,1739 7741,922
AV 3862,563 1575,703 2.45 0.020 648,8951 7076,231
VIV 114125,4 169673,5 0.67 0.506 -231926 460176,8
AG -49490,73 77213,37 -0.64 0.526 -206968,4 107987
PBC -4241,996 3111,533 -1.36 0.183 -10588,01 2104,017
TTOTAL 2757,879 4585,256 0.60 0.552 -6593,812 12109,57
TABLA A-Nº 4: Regresión de MCO del análisis Nº 3
Source SS df MS
Number of obs
49
Model 1.8988e+12 5 3.7976e+11
F( 6, 42) 8.96
Residual 1.8224e+12 43 4.2381e+10
Prob > F 0.0000
Total 3.7212e+12 48 7.7525e+10
R-squared 0.5103
Adj R-squared 0.4533
Root MSE 2.1e+05
ingxpredio COEFICIENTE
DESV. ESTANDAR
t P>|t| [95% intervalo confianza]
CONSTANTE 150339.7 59489.95 2.53 0.015 30366.77 270312.6
50
FRV 27979.45 8222.029 3.40 0.001 11398.15 44560.76
SB 18854.07 5630.788 3.35 0.002 7498.506 30209.64
VIN -142712.2 81004.29 -1.76 0.085 -306073 20648.47
GAN 2099.645 1087.072 1.93 0.060 -92.64491 4291.935
AV 4189.637 1230.451 3.40 0.001 1708.196 6671.077
TABLA A-Nº 5: Regresión de MCO del análisis de bosque nativo Nº
5
Source SS df MS
Number of obs
49
Model 13621006.1 14 972929.009
F( 6, 42) 1682.21
Residual 19664.3719 34 578.363878
Prob > F 0.0000
Total 13640670.5 48 284180.635
R-squared 0.9986
Adj R-squared
0.9980
Root MSE 24.049
BN COEFICIENTE
DESV. ESTANDAR
t P>|t| [95% intervalo confianza]
CONSTANTE -23,02129 16,84892 -1.37 0.180 -57,19249 11,14992
FRV -,5019269 ,6856653 -0.73 0.469 -1,892521 ,8886668
PPE -1,001303 1,271299 -0.79 0.436 -3,579617 1,57701
SB ,6558528 1,16886 0.56 0.578 -1,714704 ,302641
SDE -.6598289 ,2344215 -2.81 0.008 -1,135258 -,1844001
VIN 1,126304 10,92215 0.10 0.918 -21,02484 23,27745
ARR -,4802496 3,342821 -0.14 0.887 -7,259805 6,299306
CHR 9,124215 22,06716 0.41 0.682 -35,63005 53,87848
CF ,6813703 1,3109 0.52 0.606 -1,977259 3,34
PR -1,097225 ,1449081 -7.57 0.000 -1,391112 -,8033381
PDT 3,234132 3,239091 1.00 0.325 -3,335049 9,803314
EXP ,4525573 1,814482 0.25 0.804 -3,227382 4,132497
TTOTAL ,9653935 ,0176147 54.81 0.000 ,9296692 1,001118
