3.1 Inventario de emisiones

En el año 2013 se realizó un inventario de emisiones con base en la información disponible de la Secretaría de Desarrollo Sustentable y del Consejo Estatal de Transporte y Vialidad, ambas dependientes del gobierno del estado de Nuevo León; de la Secretaría de Medio Ambiente y Recursos Naturales (Semarnat) y la Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación (Sagarpa), ambas del Gobierno Federal; así como de la empresa LT Consulting. Para la elaboración del inventario se siguieron las metodologías y procedimientos de cálculo consensuados con Semarnat y el Instituto Nacional de Ecología y Cambio Climático (INECC).

Las emisiones se dividen en: a) fuentes fijas o puntuales (establecimientos industriales); 2) fuentes móviles carreteras y no carreteras (vehículos que circulan por carretera y aquellos utilizados en las actividades de la construcción y agrícola, además de la actividad aeroportuaria, ferroviaria, marítima y recreativa), 3) fuentes de área (actividad habitacional, comercial y de servicios), 4) fuentes naturales (incluye las emisiones provenientes de las fuentes biogénicas y erosivas).

Los resultados muestran que las fuentes fijas son las principales emisoras de bióxido de azufre (SO₂), ya que generan 99% del total; de manera similar ocurre con las partículas menores a 2.5 micras (PM2.5) y las menores a 10 micras (PM10), ya que las fuentes fijas aportan 63% y 42%, respectivamente. En su mayoría son emitidas por la industria de petróleo y petroquímica, así como la generación de energía eléctrica. Finalmente, las fuentes fijas aportan 38% de los óxidos de nitrógeno (NO_x), la cual proviene, en gran medida, de la industria de la metalurgia (ver Cuadro 3.1).

Las fuentes de área contribuyen con 95% del amoniaco (NH₃) generado por la actividad ganadera; los compuestos orgánicos volátiles (COV), 70%, por el uso de solventes y las partículas PM10 y PM2.5 que aportan 54% y 31%, respectivamente, en su mayor parte debido a los caminos no pavimentados y la extracción de minerales no metálicos. Con respecto a las fuentes móviles, estas son el principal emisor de monóxido de carbono (CO) al generar 93%, 54% de los óxidos de nitrógeno (NO_x) y 22% de los compuestos orgánicos volátiles (COV). Estos contaminantes provienen, principalmente, del uso de combustibles fósiles en los vehículos. Finalmente, se debe tomar en cuenta que existen diferencias entre los contaminantes aportados al inventario por fuente y el resultado que tienen en la atmósfera. Por ejemplo, una proporción del SO₂ y de los NO_x que emiten los vehículos, se convierten en la atmósfera en PM2.5, lo que hace que, de manera indirecta, los vehículos aporten a los PM2.5, algo que no se refleja de manera directa en el inventario de emisiones.

3.2 El sistema de monitoreo ambiental

En el estado de Nuevo León en 1970 se inició con el primer sistema manual de monitoreo atmosférico, el cual fue sustituido por uno automatizado a partir de 1992 al poner en operación las primeras cinco estaciones; para el año 2003 se actualizan y adquieren dos unidades más. Desde el año 2009 a la fecha se han ido incorporando nuevos equipos, actualmente se cuenta con 13 estaciones de monitoreo atmosféricos fijos, distribuidos a lo largo de los municipios del AMM (ver Mapa 3.1.).

Fuente: Elaboración propia.

Mapa 3.1 Ubicación de las estaciones de medición 

Las estaciones miden diferentes contaminantes las 24 horas del día, los 365 días del año, y las normas están establecidas con base en las reglamentaciones federales dictadas por la SEMARNAT. Para el caso del AMM destacan los contaminantes de PM2.5, PM10 y Ozono (O₃), ya que, como se observa en la Gráfica 3.1., las PM10 son el contaminante que más días ha estado por encima de la norma, al tener el máximo en 2011 con 318 días: cabe señalar que a partir de ese año se observa una tendencia decreciente hasta la fecha, sin embargo, aún en 2018, se estuvo 195 días por encima de la norma establecida². En cuanto a las PM2.5, junto con el ozono muestran una tendencia creciente, el año 2015 fue el mayor para las PM2.5 al exceder 52 días en el año la norma permitida. Por su parte, el ozono tuvo en 2017 su máximo con 78 días por encima de la norma.

Fuente: Sistema Nacional de Información de la Calidad del Aire (Sinaica) con información de la Secretaría de Desarrollo Sustentable del estado de Nuevo León.

Gráfica 3.1 Días por encima de la norma en PM10, PM2.5 y O3, 2005 - 2018 

Podemos decir que el contaminante más relevante para el AMM son las PM10 y su comportamiento varía entre las 13 estaciones de monitoreo fijas existentes motivadas por:

1) dirección del viento,³ 2) estacionalidad,⁴ 3) inversión térmica,⁵ y 4) ubicación de las fuentes fijas de contaminación, entre otras. No obstante, en general, se observan dos tipologías de comportamientos en las estaciones de monitoreo: 1) aquellas que mantienen valores inferiores de PM10 a los 120 µg/m³ y 2) las que sobrepasan este nivel.

En general, para el primer grupo se observa un patrón horario donde los niveles de mayor concentración se dan entre las 7 a.m. y las 12 p.m., con algunos repuntes puntuales; los meses de mayor concentración se dan entre octubre y febrero. Dentro de este grupo destacan las estaciones: Obispado, Escobedo, San Pedro y La Pastora. Las estaciones de San Nicolás, Apodaca y Universidad mantienen comportamientos un poco diferentes, sin embargo, no son tan altas las concentraciones como en el segundo grupo de estaciones que a continuación se detallan.

En el segundo grupo (el de mayores niveles de concentración de PM10) destacan: San Bernabé, Cadereyta, Juárez, Santa Catarina y García, todos muestran los más altos niveles de concentración entre los meses de octubre a febrero (similar al primer grupo); un punto que llama la atención es que los horarios de mayor concentración de contaminante se presentan durante la noche/madrugada y después tiene otro pico entre las 7 a.m. y 9 a.m.

Esta tipología refleja un patrón orientado a la producción, a diferencia del primer grupo, donde el comportamiento está más determinado por el horario de entrada a la escuela y/o trabajo. No obstante, en todas las estaciones de monitoreo destacan de manera muy notable los meses de octubre a febrero, como los de mayores concentraciones, lo cual está relacionado con posibles “Inversiones térmicas”, que consiste en que el aire cercano al suelo se encuentra más frío que el aire en las capas superiores de la atmósfera, cuando regularmente es al revés, entonces el frío queda atrapado en la parte baja y comienza a acumular los contaminantes⁶.

Adicionalmente, no solo es importante exceder la norma, sino qué tanta concentración existió, ya que esto puede generar efectos negativos mayores sobre la población. En el Mapa 3.2., se muestran las concentraciones para los tres contaminantes, que midió cada estación, durante el año 2018. Nuevamente, se observan diferencias significativas, por ejemplo, para el caso de las PM10 las estaciones de San Bernabé, García y Santa Catarina, muestran concentraciones promedio mayores en 86%, 77% y 69%, respectivamente. Mientras que las estaciones de Obispado, Escobedo y Pueblo Serena, presentan valores menores a 20% del límite establecido.

Fuente: Secretaría de Desarrollo Sustentable del estado de Nuevo León.

Mapa 3.2 Concentración por contaminante y estación, 2018 

4.1 Marco teórico

El modelo de precios hedónicos se basa en el supuesto de que el precio de un bien heterogéneo, como una vivienda local o incluso la tierra, se puede descomponer en los precios de sus propias características o atributos. Lo anterior significa que, cuando elegimos para un presupuesto dado, comprar una casa con más metros cuadrados construidos cerca de vías rápidas y en una zona menos contaminada es porque, implícitamente, estamos “valorando” cada uno de los atributos de la propiedad y le estamos asignando un “precio implícito”. La suma de todos los precios de las características, multiplicado por la cantidad de dicho atributo nos da el precio observado del bien. Para explicar un poco más en detalle lo anterior observemos en la siguiente Gráfica 4.1, que ejemplifica cómo opera el modelo. Para dar lectura al gráfico, procederemos de izquierda a derecha.

Fuente: Elaboración propia.

Gráfica 4.1 Ejemplo precios hedónicos 

Supongamos que el valor del suelo de un terreno en breña es de 2 millones de pesos, como se puede ver en la primera barra azul. Una vez que los servicios públicos como agua, drenaje, electricidad, gas, pavimentación, llegan al terreno, éste aumenta por causa de la urbanización en 900 mil pesos como se puede ver en la segunda barra. Imaginemos ahora que, debido a la contaminación cercana al terreno urbanizado, el mercado castiga el valor de ese terreno en 50 mil pesos por causa de la contaminación, como se observa en la tercera barra. También debido a que la mancha urbana está creciendo se ha provocado congestionamiento vial en el área aledaña al terreno por lo que el mercado ha decidido castigar su precio en 100 mil pesos, como se puede observar en la cuarta barra. El terreno se encuentra a una distancia considerable del centro de la ciudad razón por la cual el mercado decide castigar el precio del terreno en 200 mil pesos, como se observa en la quinta barra.

Finalmente, debido a que en la zona se están construyendo nuevos desarrollos comerciales y habitacionales, el mercado premia el precio del terreno en 300 mil pesos, tal como aparece en la sexta barra. El dueño del terreno decide construir una residencia y este hecho le añade $3.05 millones de pesos al valor del terreno, como se puede observar en la séptima barra. La suma de todos estos atributos positivos y negativos nos llevan a concluir que el precio de la residencia debe ser de 5.9 millones de pesos, como se puede ver en la última barra del lado derecho. Nótese que hemos llegado al valor final de la propiedad de $5.9 millones a partir de la suma de diversos atributos, algunos positivos y otros negativos al valor original del terreno en breña.

Cuando la oferta de atributos empata con la demanda por dichos atributos ocurre una transacción; es decir, la propiedad simultáneamente se vende y se compra, porque el comprador valora los atributos de la propiedad en el mismo precio implícito que los ofrece el dueño de la propiedad. La técnica de los precios hedónicos consiste en estimar el precio implícito de “las características o atributos” de la propiedad.

4.2 Aplicación al mercado de la vivienda

^{Rosen (1974)}, especifica que el modelo de precios hedónicos puede ser utilizado en “clases de productos diferenciados que pueden ser descritos como un vector de características medibles” en el cual los individuos realizan su elección de acuerdo con el bien que mejor satisface sus preferencias. Por lo tanto, a priori podemos elegir tantas variables como nos sea posible, siempre y cuando conformen parte de la vivienda o sean parte del entorno que las rodea y, además, sean medibles. Evidentemente, la elección de variables dependerá del poder que éstas puedan tener en el modelo y no de una cuestión de aleatoriedad.

Muchos autores hacen una diferenciación de acuerdo con tres tipos de características. ^{Wen, Jia y Guo (2005)} realizan una extensa definición de las variables más utilizadas en el caso de la vivienda. A continuación, se presentan los tres tipos de características de acuerdo con la literatura revisada:

4.3. Marco empírico

El modelo de precios hedónicos, perfeccionado por ^{Rosen (1974)}, cuenta con dos etapas. En la primera de ellas se realizan estimaciones utilizando como variable dependiente el precio de la vivienda o el inmueble y como variables independientes todas aquellas características que se consideren que modifican el precio de dicho bien. Por su parte en la segunda etapa, las estimaciones de la primera etapa son utilizadas para calcular las demandas inversas de las características.

Sin embargo, el cálculo de las demandas inversas puede generar problemas de identificación, debido a la endogeneidad de precios y además una restricción presupuestaria no lineal, para lo cual se sugiere la utilización de instrumentos que cambian de forma exógena la restricción presupuestaria, el problema para ello será la identificación de instrumentos que se puedan defender con cierta credibilidad. Dichas limitaciones ya han sido superadas en estudios posteriores, utilizando datos de diferentes mercados o utilizando datos a través del tiempo de un solo mercado; lo cual permite argumentar con credibilidad la identificación de funciones para realizar las estimaciones de la segunda etapa. Dadas las limitaciones de la muestra con la cual se cuenta al momento, el presente avance detalla los resultados de la primera etapa del modelo.

4.4. Base de datos y estadísticas descriptivas

El período de levantamiento inicia en abril de 2017 y termina en marzo de 2018, periodo durante el cual se recolecta toda la información relacionada con las características tanto físicas como geográficas de los siguientes inmuebles: vivienda (viviendas habitación y departamentos), locales comerciales y terrenos. Durante este periodo se obtiene una muestra total de 3,520 inmuebles a la venta distribuidos en 18 municipios del estado de Nuevo León.

Se obtuvo información de distintas fuentes y en diferentes etapas. La primera etapa consiste en revisar las fuentes públicas, como la Asociación Mexicana de Profesionales Inmobiliarios (AMPI); el propósito de esto es conocer el precio de mercado de los inmuebles, según sus características. La revisión se realiza entre abril de 2017 y noviembre de 2017 en el portal de la AMPI, donde se registran los inmuebles disponibles a la venta. La AMPI es la principal fuente de información porque brinda no solo información referente a las características físicas y cuantitativas del inmueble sino también su ubicación, lo que permite la georreferenciación del mismo. En la primera etapa, se captura información de un total de 1,190 inmuebles a la venta, distribuidos en 15 municipios del estado de Nuevo León. En esta primera etapa, también se consultaron fuentes alternas de información como los siguientes: inmuebles24 y propiedades.com que, igual que el portal de la AMPI, recopilan ofertas publicadas en distintos medios.

De enero 2018 a marzo 2018, con el propósito de enriquecer la base de datos se inicia la segunda etapa de captura de información, específicamente, aquella referente a los municipios con menos observaciones disponibles. La siguiente etapa consiste en complementar la base de datos con la información disponible en la sección de clasificados de “El Norte”, uno de los principales periódicos y fuente de anuncios clasificados en el estado. Accediendo al portal en línea, Avisos de ocasión, se captura toda la información disponible a marzo de 2018 referente a inmuebles a la venta en el estado de Nuevo León, obteniendo un total de 3,333 observaciones. Finalmente, se eligieron 1,722 observaciones, las cuales eran viviendas que contaban con toda la información de características físicas a ser consideradas en el estudio, que corresponden al AMM.

El precio promedio de las casas es de $6,962,968 pesos, cuenta con 336.55 metros cuadrados de construcción y 312.96 metros de terreno, El 5.5% de las observaciones corresponden al municipio de Apodaca, 0.75% corresponden a Benito Juárez, 4.12% a Escobedo, 2.73% a García, 9.11% a Guadalupe, 52.9% a Monterrey, 6.16% a San Nicolás, 14.63% a San Pedro, y 4.0% al municipio de Santa Catarina (ver Cuadro 4.1). La razón promedio área habitacional a área total del AGEB es de 30.4%, la razón promedio área industrial a área Total del AGEB es de 1.73% y la razón promedio área verde a área Total del AGEB es de 4.79 por ciento.

El porcentaje de días del año por encima de la norma para las Partículas Menores a 2.5 micras es de 1.2%, mientras que el porcentaje de días del año por encima de la norma para las Partículas Menores a 10 micras es de 15.82%. Este indicador nos permite estimar cuántos días del año se excedió la norma⁷. La razón entre la concentración promedio de partículas menores a 2.5 micras con respecto a la norma anual promedio es de 1.47 veces mientras la razón entre la concentración promedio de partículas menores a 10 micras con respecto a la norma anual promedio es de 1.32 veces. Este indicador nos permite estimar que tanto se excedió lo que la norma permite durante los días que se excedió la norma.

Adicional a esto, se realizó la prueba de Kolmogorov-Smirnov con el fin de detectar la forma en la cual se distribuyen las variables, por lo que algunas de las variables fueron transformadas.

Las variables que se transformaron fueron Precio, M2Terreno y M2Construcción por sus logaritmos para inducir normalidad. Mientras que las cuatro variables que miden la contaminación en el AMM se consolidaron mediante la técnica de componentes principales como se verá más adelante.

4.5. El problema común de los modelos de precios hedónicos

Dadas las características de la muestra y con base en la revisión de la literatura relacionada con el tema es altamente probable que nos encontremos con problemas de multicolinealidad, es decir, seguramente encontraremos variables que están muy relacionadas entre sí, por consiguiente, generarán estimadores insesgados, consistentes pero ineficientes. Con el objetivo de minimizar el potencial problema que esto puede generar es importante considerar el descarte de algunas variables o su transformación antes de realizar las estimaciones correspondientes. Para descartar problemas de multicolinealidad se calcularon los factores de inflación de varianza (conocidos como VIF por sus siglas en inglés). Generalmente, cuando los VIF son mayores a 10 la multicolinealidad es preocupante. En el Cuadro 4.2. se encuentran los resultados, nótese que las variables que miden la contaminación (Días al año PM10 y Norma PM10) son las que presentan niveles no deseados en el indicador VIF.

Por lo anterior, es importante identificar la relación entre estas variables para con ello descartar las que estén fuertemente relacionadas entre sí y únicamente introducir en el modelo una de las que represente a las demás, esto nos permitirá deshacernos de los problemas de multicolinealidad. En este ejercicio, las variables que presentan los más altos niveles de correlación entre sí son las siguientes:

En virtud de los altos niveles de correlación entre estas variables sería de esperarse encontrar signos contrarios a lo que pensaríamos obtener de acuerdo con la teoría económica, por lo que, para conservar la mayor parte de la información que contienen estas variables de interés para influir en el precio de la vivienda del AMM, se llevó a cabo un análisis de componentes principales. Antes de aplicar el análisis de componentes principales se comprobó que éste fuera necesario, es decir, se comprobó si la correlación entre las variables analizadas era lo suficientemente grande como para justificar la factorización de la matriz de coeficientes de correlación mediante el índice de Kaiser-Meyer-Olkin (medida de adecuación muestral conocida como KMO) que trata de identificar si podemos factorizar las variables originales de forma eficiente. La prueba indicó que las variables tenían bastante en común para llevar a cabo un análisis de componentes principales como se puede observar en el Cuadro 4.4. ⁸

Los resultados del análisis de componentes principales están en el Cuadro 4.5. En donde podemos ver que el componente 1 captura 89.28% de la información total contenida en las cuatro variables que miden la contaminación, por lo que se decidió utilizar solo el primer componente para el análisis. Este componente será el que ayude a medir el efecto de la contaminación sobre el precio de las viviendas del AMM. Los pesos resultantes de cada variable en los componentes principales están contenidos en el Cuadro 4.6.

Cada columna representa una combinación lineal (loadings) de las variables originales que proporcionan las componentes principales o factores. Así, la primera componente, que es la que utilizaremos, se obtiene con la siguiente combinación:

4.6 Selección de la forma funcional

La forma funcional del modelo se determina empíricamente de acuerdo con criterios como la R-cuadrada, la R-cuadrada ajustada, los criterios informativos de Akaike y Schwarz o bien la inspección gráfica. En el presente estudio se considerará para la elección de la forma funcional los criterios de Akaike y Schwarz. Dichos criterios son los más utilizados en la actualidad para definir cuál es la forma funcional que presenta un mejor ajuste a los datos. Las formas funcionales que se probarán son las siguientes:

La versión del modelo econométrico que presente los valores más bajos de los criterios de Akaike⁹ y Schwarz¹⁰ será la forma funcional a utilizar. También es importante mencionar que se utilizará la técnica “backward” (hacia atrás) para la selección de variables que presenten un mejor ajuste, dicha técnica realiza una selección de variables que mejor ajustan y explican de mejor forma a la variable dependiente del modelo que en la presente investigación es la variable precio. A continuación, se presenta la forma funcional seleccionada de acuerdo con los criterios antes mencionados. La ecuación a estimar es la siguiente:

(i) Ecuación para Casas del AMM:

Donde:

A los resultados de la regresión que se obtuvieron en esta etapa se les hicieron las pruebas de White y de Breusch-Pagan / Cook-Weisberg rechazándose, en ambos casos, la hipótesis nula de que existe homocedasticidad. Debido a este resultado se procedió a correr una Regresión Robusta, ya que un caso en el que la estimación robusta se debe considerar es cuando hay una fuerte sospecha de heterocedasticidad. Los resultados obtenidos de la regresión robusta se muestran en el Cuadro 4.7.

Las Gráficas 4.2 y 4.3 de los residuos estandarizados, muestran que las observaciones se encuentran a menos de 3 desviaciones estándar, con respecto a la línea media de regresión, significando así que no existen valores atípicos, y se cumple con el supuesto de Normalidad de los Residuos y con el supuesto de Homocedasticidad.

Fuente: Elaboración propia.

Gráfica 4.2 Gráfica de los residuos estandarizados 

Fuente: Elaboración propia.

Gráfica 4.3 Residuos estandarizados con las observaciones. 

Los resultados del Cuadro 4.7 muestran que el coeficiente de determinación es del 0.8981, es decir, las variables dependientes explican 89.81% de la tasa de crecimiento del precio de las casas. El valor crítico de F o valor p del Cuadro 4.7 del análisis de varianza, muestra un valor de 1074.43, valor que contrasta el criterio de prueba para el modelo de regresión. Como p < α, se valida el modelo, puesto que el estadístico p de la prueba F es menor que α, para un nivel de confianza de 95 por ciento.

Los resultados del análisis comprobaron que el modelo de precios hedónicos que se utilizó es lo suficientemente robusto para predecir los valores del suelo en el AMM, sin embargo, la principal limitante del modelo presentado es la inexistencia de factores de expansión que nos hubieran permitido tener una estimación aún más robusta que reflejara los valores promedio de la población estudiada. Los coeficientes de las variables expresadas en logaritmos deben de ser interpretados como tasas de crecimiento en el precio de las viviendas cuando aumenta 1% la variable explicativa.¹¹

Todos los coeficientes resultaron ser estadísticamente significativos a 5% con excepción de las variables dummy que representan a los municipios de Escobedo y García. Los resultados encontrados (manteniendo las demás variables constantes) indican que: