Medios de transporte sostenibles y mercado de bienes residenciales. Un análisis para Medellín
| Autor | Carolina Echeverri Durán, Diana Marcela Restrepo, Leonardo Fabio Morales |
| Páginas | 145-183 |
145
DESARRO. SOC. 71, PRIMER SEMESTRE DE 2013, PP. X-XX, ISSN 0120-3584
Revista
Desarrollo y Sociedad
83
Segundo semestre 2019
PP. 145-184, ISSN 0120-3584
E-ISSN 1900-7760
Medios de transporte sostenibles y mercado de
bienes residenciales. Un análisis para Medellín
Sustainable transport and housing market.
An analysis for Medellin city
Carolina Echeverri Durán1
Diana Marcela Restrepo2
Leonardo Fabio Morales3
DOI: 10.13043/DYS.83.4
Resumen
En este artículo se analiza el efecto de la contaminación sobre el valor de los
bienes residenciales. En particular, se explora el efecto del Metroplús sobre
el valor de las viviendas en la ciudad de Medellín para los años 2010 y 2012,
considerando además el impacto directo de la contaminación del aire y la
cobertura de transporte público. A partir de la georreferenciación de los hoga-
res se seleccionan los grupos de tratamiento y control bajo un criterio de dis-
tancia de 750 metros. Utilizando dos metodologías: diferencia en diferencias
(DD) y propensity score matching con diferencias en diferencias (PSM-DD),
no se encuentran efectos a nivel agregado; sin embargo, se encuentra que
las viviendas de estratos medio-bajos reciben efectos positivos, mientras que las
viviendas de estratos altos se ven afectadas negativamente. Además, la
1 Magíster en Economía, Universidad Eafit. Correo electrónico: carolinaecheverriduran@gmail.com
2 Profesional en Investigaciones Económicas, Cámara de Comercio de Medellín para Antioquia. Correo
electrónico: dmrestrepo87@gmail.com
3 Investigador, Banco de la República de Colombia sucursal Medellín. Correo electrónico: lmoralzu@
banrep.gov.co
Este artículo fue recibido el 14 de agosto del 2018, revisado el 29 de abril del 2019 y finalmente
aceptado el 14 de junio del 2019.
Medios de transporte sostenibles y mercado de bienes residenciales
146
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
contaminación resulta tener un impacto significativo; sin embargo, no se obtie-
nen efectos de la variable cobertura de transporte público.
Palabras clave del autor: evaluación económica, análisis cuantitativo, trans-
porte urbano, contaminación atmosférica, precio, vivienda, planificación
urbana, Medellín.
Clasificación JEL: C13, Q51, Q52, Q53, R21, R40.
Abstract
This paper analyzes the effect of pollution on housing prices. In particular, we
explore the effect of Metroplús on housing prices in Medellin city for 2010
and 2012 years, and the direct impact of air pollution and public transport
coverage. We select treatment and control by georeferencing the households
and according to a distance criterion of 750 meters. Using two methodologies:
Difference in Differences (DD) and Propensity Score Matching with Differen-
ces in Differences (PSM-DD), we do not find effects at the aggregate level;
However, we find that low strata houses receive a positive effect, while high
strata houses are negatively affected. In addition, air pollution has a signifi-
cant impact; however, public transport coverage does not have effects.
Key words by author: Economic evaluation, quantitative analysis, urban trans-
port, air pollution, price, housing, urban planning, Medellin.
JEL Classification: C13, Q51, Q52, Q53, R21, R40.
Introducción
Las dinámicas urbanas de las grandes ciudades tienen como común denomina-
dor una expansión en su crecimiento poblacional. Así, según el Fondo Mundial
de Poblaciones de las Naciones Unidas (Rodríguez, 2015), la población urbana
mundial pasó de 2.300 millones de personas en 1994, a 3.900 millones en el
2014. A medida que la población y los ingresos en las ciudades aumentan,
la mancha urbana se expande, provocando que la distancia promedio de los
recorridos que los habitantes deben realizar para llevar a cabo sus activida-
des cotidianas aumente. Estos patrones de crecimiento también representan
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 147
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
altos costos sociales y ambientales, ya que viajes más largos y más frecuentes
incrementan el gasto de recursos y el uso de medios de transporte que depen-
den de combustibles fósiles intensivos en carbono (Banco Interamericano de
Desarrollo, 2013). El transporte, principalmente el terrestre, es responsable de
una gran proporción de las emisiones de contaminantes; esto se convierte en
un tema preocupante para las autoridades de las ciudades en desarrollo y en el
que están poniendo su atención con la implementación de políticas que bus-
can reducir la polución producida por los automotores a través de la oferta
de medios de transporte más sostenibles y amigables con el medio ambiente.
Este patrón de crecimiento urbano también se ha presentado en la ciudad de
Medellín. De acuerdo con Ricardo Arango (Crecimiento urbano de Medellín
ha sido desordenado y funesto, 2013), gerente del comité local del Foro
Urbano Mundial 2014(WUF por su sigla en inglés)4, las dinámicas urbanas que
ha experimentado la ciudad de Medellín en las últimas décadas se han carac-
terizado por el aumento desmedido de la población, lo que a su vez ha gene-
rado informalidad de predios, problemas de servicios públicos domiciliarios y
de movilidad. Asimismo, el desarrollo económico de la ciudad refleja elemen-
tos que afectan el medio ambiente; concretamente el desarrollo industrial, la
aglomeración urbana, así como el aumento excesivo en el consumo de recur-
sos, en la generación de residuos y en el parque automotor son hoy en día en
una de las preocupaciones de las autoridades de la región; de ahí que estas
hayan planteado la protección ambiental como un aspecto fundamental en
su plan de desarrollo5. Para efectos de este trabajo se consideran políticas
relacionadas con el transporte urbano, cuyo objetivo no solo es mejorar la
movilidad sino también reducir las emisiones de contaminantes, impactando
así la calidad del aire de la ciudad.
Los vehículos automotores, cuyo funcionamiento se basa en el uso de combus-
tibles fósiles6, se consideran la principal fuente de contaminación ambiental
4 WUF: World Urban Forum.
5 El Plan de Desarrollo del Municipio de Medellín contiene el direccionamiento de la gestión pública de
cada gobierno, cuya formulación se basa en el programa de gobierno de los alcaldes electos en temas
relacionados con índices de pobreza y desigualdad, planeación territorial, justicia y política criminal,
entre otros.
6 Los combustibles fósiles, conformados por petróleo, carbón y gas natural, son actualmente la principal
fuente de energía en el mundo. De acuerdo con los datos del Banco Mundial, proveían el 81% del
consumo mundial en el 2013.
Medios de transporte sostenibles y mercado de bienes residenciales
148
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
al ser los responsables de la mayor parte de las emisiones de monóxido de
carbono (CO), óxido de nitrógeno (NOx), dióxido de carbono (CO2), dióxido
de azufre (SOx), material particulado (PM), compuestos orgánicos volátiles,
ozono (O3) y metano (CH4). Adicionalmente, generan problemas relacionados
con la congestión vehicular y el estrés vial. En Medellín el tamaño del parque
automotor ha venido aumentando rápidamente y de acuerdo con un informe
del Área Metropolitana del Valle de Aburrá, en asocio con el Clean Air Insti-
tute de Washington, para el 2016 la tasa de crecimiento fue del 35% anual
(Escobar, 2016). Es por ello que en las políticas y planes de gobierno local se ha
formulado el Plan Maestro de Movilidad7, que en esencia busca el mejoramiento
de la movilidad de la población considerando también aspectos relacionados
con la sostenibilidad ambiental (Área Metropolitana del Valle de Aburrá, 2009.
El Plan Maestro de Movilidad tiene como base el Sistema Integrado de
Transporte del Valle de Aburrá (SITVA), desde el cual se busca potenciar
el transporte público, garantizar el acceso a transporte de todos los ciudadanos,
limitar el uso del transporte particular, mejorar la malla vial y propender por
medios de transporte menos contaminantes (Área Metropolitana del Valle de
Aburrá, 2009. Esta integración de sistemas de transporte está conformada por
los sistemas Metro (tren pesado), Metroplús (bus de tránsito rápido), Metroca-
ble (cable aéreo), tranvía y rutas alimentadoras, cuya operación se base en el
uso de combustibles limpios como gas natural y energía eléctrica. Para fines
de este trabajo, se tomará como referencia el sistema de transporte Metroplús
como política de movilidad y sostenibilidad ambiental. Este medio de trans-
porte consiste en un sistema de buses rápidos de mediana capacidad (BRT por
su sigla en inglés) 8, constituido por las líneas 19 y 2, integrado de forma física
y tarifaria con el Metro, Metrocable y las rutas de buses alimentadores y cuya
operación se basa en motores que funcionan con gas natural, lo que genera
una menor emisión de contaminantes.
7 En Plan Maestro de Movilidad de Medellín es un documento en el que se define hacia dónde deberían
enfocarse los esfuerzos respecto a los sistemas de transporte de la región y la infraestructura asociada
a ellos. Allí se señala la importancia de los buses de transporte masivos de Metroplús (Metroplús).
8 Bus Rapid Transit (BRT).
9 La línea 1 del Metroplús, inaugurada el 22 de diciembre del 2011, atraviesa el municipio de Medellín
del suroccidente al nororiente y viceversa; con una longitud total de 12,5 km, va desde la estación
Universidad de Medellín a la estación Parque de Aranjuez.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 149
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Para estudiar la efectividad de esta política sobre los factores ambientales
y de movilidad, en este trabajo se pretende analizar el impacto del sistema
Metroplús (línea 1) sobre el precio de las viviendas, partiendo de la premisa de
que la implementación de sistemas de transporte sostenibles pueden generar
retornos en términos de mejoramiento de la calidad del aire y de la percepción
de los medios de transporte públicos que lleven a la valorización de los bie-
nes residenciales más cercanos a dichos sistemas de transporte. Es así como
analizando los precios de las viviendas para capturar el efecto de la reducción
de la contaminación y la mejora de la movilidad, este trabajo constituye un
aporte a la literatura local en cuanto a la inserción de un canal distinto para
evaluar el impacto de una política de transporte. Asimismo, nuestra estrate-
gia empírica basada en una asignación del tratamiento con cierto grado de
exogeneidad nos permite darle validez frente a otras metodologías que han
sido comúnmente utilizadas en este tipo de estudios.
Desde el ámbito metodológico se utiliza la Encuesta de Calidad de Vida de
Medellín10 (ECVM) en los módulos de viviendas y percepción ciudadana de los
años 2010 y 2012, para obtener los precios y las características de las viviendas
en un momento anterior y posterior a la implementación de la política; luego,
se emplea la herramienta de georreferenciación para ubicar las viviendas en
un punto espacial y calcular su distancia con alguna estación del Metroplús
(línea 1), y a partir de esta determinar los grupos de tratamiento y de control.
Finalmente, se emplean dos estrategias metodológicas: diferencia en diferen-
cias (DD), combinada con una regresión de precios hedónicos, y propensity
score matching con diferencias en diferencias (PSM-DD).
Los resultados muestran que, al considerar el impacto sobre la muestra agre-
gada, el sistema Metroplús (línea 1) no tiene un efecto significativo sobre el
valor anual de los arriendos. No obstante, desagregando la muestra por gru-
pos de estrato socioeconómico se observa que los hogares de estratos 1 al
3 son impactados positivamente por la política, mientras que los hogares de
estratos 4 y en adelante reciben un choque negativo sobre el precio de las
viviendas. Adicionalmente, los hallazgos sugieren que la mala calidad del aire
10 La Encuesta de Calidad de Vida es un instrumento cuyo fin es realizar el seguimiento y la medición
de las condiciones socioeconómicas de los habitantes de las 16 comunas y 5 corregimientos que
conforman el municipio de Medellín. Es una fuente primaria de información que permite conocer
índices sobre temas de marcada importancia como población, vivienda, hogares, educación, fuerza de
trabajo, salud y seguridad social.
Medios de transporte sostenibles y mercado de bienes residenciales
150
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
influye de forma negativa y significativa en el valor de las viviendas, mientras
que no es posible hacer conclusiones certeras sobre la variable relacionada
con la cobertura del transporte público.
I. Revisión de literatura
A. Marco conceptual
De acuerdo con Brueckner (2011) el impacto negativo causado por la conta-
minación del aire puede medirse de dos formas desde una perspectiva econó-
mica, una es estimando el efecto en la salud y la otra se basa en información
del mercado inmobiliario. Así, para el primer caso, Mardones, Saavedra y
Jiménez (2015) exponen los efectos de la contaminación por PM10 en términos
de mortalidad y morbilidad en el Área Metropolitana de Concepción Chile; por
medio de una regresión Poisson y de un modelo aditivo generalizado encon-
traron que las concentraciones de PM10 tuvieron efecto con dos días de rezago
en el ingreso a hospitales de niños menores de 15 años por enfermedades res-
piratorias; con un día de rezago en pacientes mayores de 64 años por asma; y
con seis días de rezago en mortalidad prematura. La disminución de 1 µg/m3
de PM10 podría generar beneficios económicos entre $ 1,6 y $ 50,9 millones
de dólares por año (precios corrientes del 2008).
En la misma línea, Mardones (2019) proporciona un modelo de optimización
para maximizar los beneficios netos asociados a la reducción de los niveles de
concentración de partículas PM2,5 provenientes de fuentes industriales y resi-
denciales en el Área Metropolitana de Concepción en Chile. El autor emplea
el método de la función de daño para calcular los beneficios para la salud
y considera los costos de reducción, así como un cambio tecnológico en la
industria y el reemplazo de calentadores en fuentes residenciales. Los resul-
tados resaltan la importancia de la regulación en todas las fuentes de emi-
sión y no solo en las industriales, así como la heterogeneidad en los niveles
óptimos de contaminación en las áreas urbanas al considerar los efectos de
largo plazo en la salud.
Por su parte, el enfoque de mercado inmobiliario plantea que, si los residentes
urbanos son afectados negativamente por la contaminación del aire, entonces
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 151
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
estarán menos dispuestos a pagar por una vivienda ubicada en un área con-
taminada que por una ubicada en un área con aire limpio. De esta manera,
surge un diferencial de precios compensatorio entre casas en áreas con buena
y mala calidad del aire, que al ser estimado se convierte en una medida del
valor monetario de la buena calidad del aire para los consumidores. Este dife-
rencial puede ser medido usando una regresión hedónica de precios.
Al respecto, Tang, Heintzelman y Holsen (2018) examinaron el impacto de la
contaminación por mercurio mediante la relación entre el valor de la propie-
dad y la designación de consumo de pescado (FCA por su sigla en inglés) en
los lagos de Nueva York. Los autores encontraron que el valor de las propie-
dades ubicadas a una milla de un lago disminuye entre 6 y 7 por ciento en
promedio, y que el impacto decrece a medida que aumenta la distancia entre
la propiedad y el lago. Bayer, Keohane y Timmins (2006), mediante un modelo
de elección discreta, estimaron la decisión de ubicación del hogar, aplicado
al caso de la calidad del aire en las áreas metropolitanas de Estados Unidos
en 1990 y el 2000; encontraron una elasticidad estimada de la disposición a
pagar con respecto a la calidad del aire de 0,34 y 0,42; esto implica que una
familia mediana pagaría de $ 149 a $ 185 dólares (a precios constantes de
1982-1984) por una reducción de una unidad en las concentraciones ambien-
tales promedio de material particulado.
La metodología de precios hedónicos surge a partir de la teoría del valor desa-
rrollada por Lancaster (1966), Griliches (1971) y Rosen (1974), quienes die-
ron la base teórica para la aplicación de la metodología de precios hedónicos
y bienes que derivan su valor de sus características o atributos. Asimismo,
Robinson (1979) y Lavender (1990) plantearon que las viviendas, a diferencia
de la mayoría de los bienes económicos, se caracterizan por una elevada hete-
rogeneidad de atributos físicos, funcionales y de durabilidad hasta para una
misma localización, lo que hace que los precios de mercado difieran sustan-
tivamente entre ellos. Como lo que se negocia en el mercado es el bien com-
puesto, lo más adecuado es conocer el precio implícito (hedónico) de cada uno
de los atributos de las viviendas, así como su valor de uso. Por definición, el
método hedónico de valoración parte del hecho de que el precio de un bien es
la suma del valor que tiene cada una de sus características, permitiendo de
esta forma la comparación de los mismos bienes.
Medios de transporte sostenibles y mercado de bienes residenciales
152
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
B. Marco referencial
En la actualidad diversos estudios analizan el impacto de los sistemas de trans-
porte sobre el bienestar de la población, no solo en términos de movilidad e
integración sino también en términos de mejoras ambientales. Todos estos fac-
tores se convierten en características claves a la hora de tomar decisiones sobre
la disponibilidad a pagar por bienes residenciales. A continuación, se presenta
una compilación de estudios recientes que pueden clasificarse en dos líneas:
la primera contiene un conjunto de trabajos que relacionan la contaminación
ambiental y el mercado de viviendas; la segunda línea está constituida por
diversos estudios que evalúan el impacto de los sistemas de transporte sobre
el precio de las viviendas.
En la primera línea, Mardones (2006) evalúa el impacto de los malos olores
generados por la producción de harina de pescado sobre el bienestar económico,
en concreto sobre el precio de las viviendas en Concepción-Talcahuano, Chile.
Mediante un modelo de precios hedónicos estima cuatro especificaciones fun-
cionales simples: lineal, semilog, log-log y semilog invertida, y encuentra que
los precios de las viviendas caen significativamente cuando existe percepción
de contaminación ambiental. Por su parte, Vidaurre (2009) estudia el caso de
la ciudad La Paz, Bolivia, analizando los efectos que la polución, medida por
emisiones de PM10 y NOx, traen al mercado inmobiliario. Utilizando datos de
la Red de Monitoreo de la Calidad del Aire e información de encuestas tele-
fónicas para los precios de la vivienda, el ejercicio es realizado con un modelo
log-lin para cada contaminante; los resultados muestran que una reducción
de la contaminación trae consigo importantes beneficios tanto para los con-
sumidores de inmuebles como para las finanzas públicas.
En la literatura local, López y Gracia (2013) presentan una valoración econó-
mica de la contaminación por olores en el área de influencia del relleno sani-
tario El Carrasco en Bucaramanga. Con datos de registros catastrales y del
sistema de información geográfica realizaron un muestreo de tipo aleatorio
para probar que la contaminación por olores es una externalidad negativa que
incide en la disminución de los precios de las viviendas urbanas. Aplicaciones
adicionales de metodologías de precios hedónicos en Colombia se han usado
para encontrar la valoración de subsidios a los servicios públicos domiciliarios
(Medina y Morales, 2007) y para encontrar precios implícitos de características
de las viviendas en modelos espaciales (Morales y Arias, 2012).
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 153
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
En la segunda línea, Geng, Bao y Liang (2015) estudian los efectos del ferro-
carril de alta velocidad sobre los precios de las viviendas en la ciudad de
Pekín, teniendo en cuenta diferentes rangos geoespaciales. Para una mues-
tra de 896 hogares y empleando OLS, encontraron que el ferrocarril de alta
velocidad genera impactos tanto positivos como negativos en los precios
de las viviendas, ya que además de una mayor accesibilidad y expansión de
servicios públicos, también genera aumentos en los niveles de congestión
vehicular, contaminación por radiación electromagnética y por ruido, así como
mayores índices de criminalidad. En efecto, entre mayor sea la cercanía entre
la vivienda y el ferrocarril, mayores serán los impactos negativos y, por tanto,
menor será el aumento del precio. Adicionalmente, los autores encontraron que
la elasticidad de los precios de las viviendas con respecto a la concentración de
partículas suspendidas totales está en un rango de -0,20 a -0,35.
Por su parte, Tsivanidis (2017) busca calcular el tamaño de los beneficios de
mejorar el transporte público dentro de las ciudades y cómo se distribuyen
estas ganancias entre trabajadores calificados y no calificados. En particular,
evalúa el efecto del sistema Transmilenio en Bogotá. Los resultados sugie-
ren que las leyes de zonificación restrictivas evitan que la oferta de viviendas
responda efectivamente al sistema de BRT. En este sentido, el aumento de
oferta de bienes residenciales alrededor del sistema permite que más perso-
nas aprovechen las mejores oportunidades de transporte diario, y el análisis
costo-beneficio muestra que las ganancias sobrepasan en un 18% los costos.
Dentro de los estudios nacionales se destaca el realizado por Mendieta y
Perdomo (2007), quienes evalúan el impacto del sistema Transmilenio sobre el
valor de la propiedad en Bogotá. Utilizando datos del Departamento de Catastro
Distrital de Bogotá estimaron la variación en el precio de la tierra en función de
variables propias de la vivienda, de características ambientales y de seguridad
del sector y, finalmente, de la distancia entre la propiedad y la estación más
cercana. Los autores encontraron que, por un cambio de un 1% en la proxi-
midad de la propiedad a la estación de Transmilenio más cercana, conside-
rando el universo de predios impactados por el proyecto, el cambio en el valor
del suelo fue de aproximadamente $ 275 millones de dólares11 para el 2005.
11 Equivalente a $ 627.000 millones de pesos corrientes para el 2005.
Medios de transporte sostenibles y mercado de bienes residenciales
154
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Asimismo, Medina, Morales y Núñez (2008)12 estiman un modelo de precios
hedónicos para las ciudades de Bogotá y Medellín. Entre las variables utili-
zadas incluyen algunas características del barrio como el acceso a servicios
públicos, índices de criminalidad, así como cercanía a colegios y a estaciones
de transporte. Los autores encontraron que para Bogotá la relación entre el
valor de las viviendas y la distancia a la estación más cercana de Transmilenio
no es lineal, de modo que para las viviendas ubicadas a menos de 350 metros
el precio es menor, para una distancia entre 350 y 650 metros el precio es
mayor, y el efecto vuelve a reducirse para las viviendas ubicadas a más de un
kilómetro. Por otra parte, los resultados para Medellín indican que la distancia
al Metro o a alguna estación del Metroplús está negativamente relacionada
con el precio de las viviendas, por lo que la proximidad a estas estaciones trae
consigo una prima sobre el valor de las viviendas.
II. Datos
Como se mencionó, en este estudio se utilizan los datos de la Encuesta de
Calidad de Vida de Medellín de los años 2010 y 2012, la cual se realiza a una
muestra aleatoria de hogares; no obstante, para efectos de este trabajo, los
datos son filtrados dejando como unidad de observación al jefe de hogar. Dichos
datos cuentan con algunas limitaciones. En primer lugar, las cifras moneta-
rias como el valor de los arriendos corresponden a valores autorreportados, lo
que puede afectar la legitimidad de los resultados si estos no coinciden con
un verdadero valor de mercado. Por otro lado, la información tomada cuenta
apenas con un rango de aproximadamente un año entre el momento de la
implementación de la política y los momentos anterior y posterior a esta. Esta
restricción podría comprometer los resultados debido a que en el año 2010
ya se encontraban en marcha las obras de construcción del Metroplús, con
la posibilidad de que en dicho año ya se haya internalizado el efecto sobre el
valor del arriendo de las viviendas; también, es posible que el efecto sea de
largo plazo, por lo que existe el riesgo de que en el 2012 no se logre capturar
el impacto en su totalidad. La razón por la cual fueron tomadas las encuestas
de estos años radica en el hecho de que el formulario fue modificado y solo a
partir del 2010 se incluyen preguntas de percepción sobre la calidad del aire y
del servicio de transporte público, las cuales son importantes para este estudio.
12 Este trabajo se encuentra incluido en el capítulo 5 del libro The quality of life in Latin American cities:
markets and perception.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 155
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Para darle mayor robustez y variabilidad a la variable de contaminación se
construye un índice de contaminación a partir de la combinación de dos varia-
bles: una subjetiva, basada en la percepción de los individuos sobre la calidad
del aire, y la otra objetiva, correspondiente al Índice de Calidad del Aire (ICA)13.
La primera consiste en la valoración (de 1 a 5) que cada individuo (jefe de hogar)
le da a la calidad del aire, siendo 1 muy mala y 5 muy buena, multiplicada por
la suma de la inversa de la distancia de la vivienda de cada individuo con la
de los demás (ecuación 1), esto último con el objetivo de darle un mayor peso
a la percepción de los vecinos más cercanos; la segunda, correspondiente al
ICA (véase el anexo 4), es calculada a partir del promedio anual de los conta-
minantes PM10 y PM2,5 de cada estación de monitoreo y, como se observa en
la ecuación 2, se multiplica por la inversa de la distancia entre la vivienda de
cada individuo y cada estación. Debido a que solo contamos con los reportes
del ICA de 9 estaciones fijas de monitoreo ubicadas en determinados puntos
de la ciudad, y dado que requerimos imputar a cada hogar de la encuesta un
valor del ICA, con el procedimiento anterior buscamos crear un índice para
cada hogar en el cual se asigna un mayor peso a las estaciones más cercanas.
VA
xi xj yi yj
va dva
i
j
n
j
ij
j
n
j
=
−
()
+−
()
∗= ∗
==
∑∑
1
2
1
2
11
(1)
Donde x y y son las coordenadas, y VAi es la valoración ambiental del indivi-
duo i respecto a los demás individuos j.
ICA
xi xk yi yk
ICAdICA
i
k
kik
k
k
=
−
()
+−
()
∗= ∗
==
∑∑
11
22
11
(2)
Donde x y y son las coordenadas, e ICAk es el índice de calidad del aire repor-
tado por la estación k.
Para integrar ambos índices (VAi ICAi) se emplea el análisis factorial común
basado en la técnica de componentes principales (ACP), la cual sirve para reducir
13 El ICA es la interpretación de los niveles de las concentraciones registradas en la región metropolitana,
teniendo en cuenta los tiempos de exposición. Es un valor adimensional que lleva una escala numérica
entre 0 y 500 (para el Valle de Aburrá el ICA va hasta 300), con rangos intermedios y representados
por diferentes colores (Área Metropolitana del Valle de Aburrá, 2011).
Medios de transporte sostenibles y mercado de bienes residenciales
156
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
una cantidad determinada de variables a un número menor, perdiendo la menor
cantidad de información posible. Dicho método convierte un conjunto de obser-
vaciones de variables posiblemente correlacionadas en un conjunto de variables
sin correlación lineal llamadas componentes principales; estas consisten en
una combinación lineal de las variables originales e independientes entre sí14.
Para esto se emplea una transformación lineal que escoge un nuevo sistema
de coordenadas para el conjunto de datos originales en el que la varianza de
mayor tamaño es capturada en el primer eje (primer componente principal),
la segunda varianza más grande en el segundo eje, y así con todas las demás
(Carmona, 2014). En efecto, el índice de contaminación corresponde al primer
componente principal, el cual captura la mayor varianza de los índices origi-
nales, sirviendo como una buena combinación de estos. Sin embargo, en las
estimaciones se usan tanto las variables ambientales de forma individual (VAi
ICAi) como la combinación factorial de estas.
En la figura 1 se muestran los histogramas del índice de contaminación gene-
rado con el procedimiento anterior para los grupos de tratamiento y control,
en los que se observa la distribución del índice en función del porcentaje de
población. Este toma valores de 0 a 14, donde los valores más altos represen-
tan mayores niveles de contaminación. En términos generales las distribucio-
nes se concentran entre niveles de 4 a 8; sin embargo, cuando se analiza cada
una de estas por año se encuentra que el grupo de tratamiento en el año 2010
tiene mejores niveles de contaminación que en el 2012, ya que se observa un
menor porcentaje de la población asociada a valores iguales o superiores a 6
(44,26% y 47,72% respectivamente), mientras que, para el grupo de control la
situación cambia significativamente, ya que es en el 2012 donde se encuentra
una concentración más baja de la distribución en niveles superiores a 6. Por
otro lado, comparando el comportamiento del índice entre ambos grupos se
aprecia que las distribuciones están más concentradas para el grupo de con-
trol; en cambio, las distribuciones del grupo de tratamiento son más disper-
sas. De acuerdo con lo anterior, la distribución del índice de contaminación
para el grupo de tratamiento empeora entre el 2010 y el 2012, mientras que
la concentración de la distribución en niveles altos para el grupo de control
disminuyó sustancialmente de un año a otro.
14 En general, la decisión del número de factores o componentes a utilizar se toma de acuerdo con el
criterio de Káiser, que especifica la retención de todo componente con un eigenvalor o valor propio
mayor a 1.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 157
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Figura 1. Distribución estadística del índice de contaminación por grupos y año
Grupo de tratamiento (año 2010)
25
20
15
10
5
0
Porcentaje de población
2 4 86
Grupo de control (año 2010)
60
50
40
20
10
0
Porcentaje de población
2 4 1210
30
86
Grupo de tratamiento (año 2012)
40
35
25
10
5
0
Porcentaje de población
2 4 106
30
20
15
Grupo de control (año 2010)
60
50
40
20
10
0
Porcentaje de población
2 4 1210
30
86
8
70
0 14
17,64
14,9814,31
22,63
16,97
8,153
2,496
2,163
0,4992
0,1664
0,6289
8,879
15,32
36,15 34,41
3,404
0,92490,259 0,037 0,0687 0,3434
8,31
52,88
34,92
2,8850,3434 0,1717 0,0343 0,0343
34,81
27,92
17,84
10,25
2,496
0,1767
0,1767
0,1767
0,7067
5,654
Fuente: elaboración propia con datos de la ECVM y SIATA.
En el cuadro 1 se presentan algunas estadísticas descriptivas de las variables
analizadas. Para la muestra de 6.782 hogares, cuya unidad de observación
corresponde específicamente al jefe de hogar, sobresale que el 82% pertene-
cía a los estratos medio-bajo (1, 2 y 3) y el 18% restante a estratos 4 y más; el
número de cuartos promedio era de 4,7, considerando entre estos la cocina,
el baño, el comedor y la sala; el 82,5% reportaba tener una buena percep-
ción sobre la cobertura del transporte público; y por último, el promedio del
logaritmo del arriendo anual, deflactado por el IPC base enero del 2017, que
corresponde a la variable de interés, es de 15,34.
Al mirar las diferencias en media de las variables de interés entre el grupo
de tratamiento y el grupo de control en la línea base (cuadro 2), se observan
algunas disparidades preexistentes entre ambos grupos. Las variables: casa,
piso de mármol, madera pulida o alfombra y arriendo están desbalanceadas al
5% en favor del grupo de control. Por otra parte, la variable gas natural está
desbalanceada en favor del grupo de tratamiento. Adicionalmente, el índice de
contaminación y el ICA son mayores en el grupo de control, de modo que en
Medios de transporte sostenibles y mercado de bienes residenciales
158
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
la línea base las condiciones ambientales eran más favorables para los hoga-
res ubicados en las zonas que posteriormente quedaron dentro de la zona de
influencia del Metroplús.
Cuadro 1. Estadísticas descriptivas
Media Desv. estándar
Secundaria o más 0,560 0,496
Ingreso total 12.478 6.795
Estratos 1, 2 y 3 0,822 0,382
Estratos 4, 5 y 6 0,178 0,382
Casa 0,380 0,486
Paredes de ladrillo revocado 0,811 0,392
Piso de mármol, madera pulida o alfombra 0,009 0,094
Servicio de telefonía 0,880 0,324
Gas natural 0,524 0,499
Número de cuartos 4.702 1.425
Calentador a gas 0,123 0,328
Aumento de venta de viviendas en el sector 0,336 0,472
Calidad de viviendas del sector 0,512 0,500
Libertad para moverse de un sitio a otro 0,446 0,497
Percepción de seguridad en el sector 0,774 0,418
Problemas de convivencia en el barrio 0,274 0,446
Índice de contaminación 5,631 0,971
ICA 58.678 2.443
Percepción de la calidad del aire 3,038 0,077
Percepción de ruido 0,361 0,480
Percepción del estado de las vías 0,570 0,495
Percepción del transporte público 0,825 0,380
Arriendo 15.344 0,692
Observaciones 6.782
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 159
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Cuadro 2. Diferencia estadística en medias entre grupos de tratamiento y control
(2010)
No tratados Tratados Diferencia
en medias P-valor
Secundaria o más 0,561 0,539 0,022 0,325
Ingreso total 11.912 12.306 -0,394 0,206
Estratos 1, 2 y 3 0,834 0,832 0,002 0,926
Estratos 4, 5 y 6 0,166 0,168 -0,002 0,926
Casa 0,459 0,414 0,045** 0,043
Paredes de ladrillo revocado 0,811 0,817 -0,006 0,747
Piso de mármol, madera pulida o alfombra 0,012 0,005 0,007** 0,043
Servicio de telefonía 0,891 0,900 -0,009 0,495
Gas natural 0,435 0,486 -0,050** 0,025
Número de cuartos 4.706 4.702 0,004 0,954
Calentador a gas 0,104 0,115 -0,011 0,432
Aumento de venta de viviendas en el sector 0,321 0,313 0,009 0,679
Calidad de viviendas del sector 0,474 0,449 0,025 0,272
Libertad para moverse de un sitio a otro 0,590 0,576 0,015 0,508
Percepción de seguridad en el sector 0,765 0,752 0,013 0,504
Problemas de convivencia en el barrio 0,346 0,381 -0,035 0,104
Índice de contaminación 5,675 5,462 0,213*** 0,000
ICA 57,702 56,966 0,736*** 0,000
Percepción de la calidad del aire 3,074 3,078 -0,004 0,249
Percepción de ruido 0,363 0,378 -0,015 0,488
Percepción del estado de las vías 0,562 0,521 0,042* 0,065
Percepción del transporte público 0,839 0,855 -0,016 0,313
Arriendo 15,302 15,235 0,067** 0,046
Observaciones 2,703 601
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
III. Metodología empírica
El primer paso de la metodología empírica consiste en ubicar espacialmente
los hogares entrevistados en la ECVM con el fin de determinar, de acuerdo
con su cercanía a alguna estación de Metroplús (línea 1), si son impactados
Medios de transporte sostenibles y mercado de bienes residenciales
160
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
o no por la política. En este sentido, utilizando la cartografía de Medellín se
construyen las variables efecto del tratamiento a partir de la definición de
un área de influencia de los corredores del proyecto Metroplús. Además, se
utilizan dos metodologías: diferencias en diferencias (DD) y propensity score
matching con diferencias en diferencias (PSM-DD) para datos de corte trans-
versal repetidos. Con dichas metodologías buscamos establecer el impacto a
partir del diferencial del efecto de la política de movilidad para un grupo de
tratamiento y de control, y del diferencial del efecto en un momento del tiempo
anterior y posterior al 2011, año en el cual se puso en ejecución la primera
línea del sistema de transporte.
Haciendo uso del software de información geográfica ArcGIS15 se agregan los
datos georreferenciados al mapa de la ciudad, cuya ubicación se da en forma
de coordenadas numéricas X y Y. Con el fin de seleccionar los grupos de tra-
tamiento y de control se utiliza como referencia el área de influencia definido
en los estudios de factibilidad del sistema Metroplús (Alcaldía de Medellín,
Empresa de Desarrollo Urbano y Transmilenio 2003), según los cuales es de
500 metros a lado y lado de cada uno de los corredores, debido a que esta lon-
gitud representa la distancia máxima que una persona está dispuesta a cami-
nar para llegar a un medio de transporte. Sin embargo, para este ejercicio se
amplía el criterio de influencia a una distancia de 750 metros, con el fin de no
descartar los hogares ubicados a distancias cercanas y mayores de 500 metros
y, asimismo, darle mayor robustez al ejercicio. También, se realizan ejercicios
de sensibilidad usando otros criterios de distancia.
Después de interceptar los datos de la encuesta y de las estaciones del SITVA
se construyen buffers o círculos con centro en cada estación, con un radio de
750 metros (véase la figura 2), para establecer como grupo de tratamiento
aquellos hogares que se encuentran dentro de los buffers de las estaciones de
la línea 1 del Metroplús, y, como grupo de control, los hogares que además
de no estar cerca de las estaciones de la línea 1 del Metroplús, tampoco estén
dentro de los buffers de ninguna otra estación del SITVA, específicamente del
Metro y Metrocable, ya que estos sistemas de transporte funcionaban antes de
la fecha de implementación del Metroplús (véase la figura 3). Con la finalidad
15 ArcGIS es un sistema de información geográfica (GIS) que permite la organización, almacenamiento,
manipulación, análisis y modelación de grandes cantidades de datos referenciados espacialmente,
facilitando la incorporación de aspectos sociales, culturales, económicos y ambientales (Environmental
Systems Research Institute, Inc, 2016).
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 161
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Figura 2. Zona de influencia del Metro (750 metros)
Fuente: elaboración propia.
Figura 3. Grupos de tratamiento y de control
Año 2012Año 2010
N
E
S
W
Grupo de tratamiento (2010)
Grupo de tratamiento (2012)
Grupo de control
Buffer 750m para Metroplús
(línea 1)
Trazado del SITVA
Fuente: elaboración propia.
Medios de transporte sostenibles y mercado de bienes residenciales
162
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
de explorar los efectos bajo un criterio de distancia diferente, a modo de ejer-
cicio de robustez se incluyen en los anexos los resultados para buffers de 250
y 1.000 metros.
La descripción de estos grupos, basada en Bernal y Peña (2001), se presenta a
continuación: sea Di una variable dummy que toma el valor de 1 si la distan-
cia (dij ) entre la vivienda i y la estación j de la línea 1 del Metroplús es igual
o inferior a 750 metros, y de cero en otro caso.
1 si dij ≤ 750 metros
Di = { 0 si dij > 750 metros}
En cuanto a la variable tiempo, sea Ti una dummy que toma el valor de 1 para
un año t posterior al 2011, en este caso el 2012, y 0 para un año anterior al
2011, que para efectos de este trabajo será el 2010.
1 si t = 2012
Ti = { 0 si t = 2010}
La especificación a utilizar, que corresponde a un modelo de DD con datos de
corte transversal repetidos, es la siguiente:
Pi = X + 1[dij ≤ 750 m] + 2Ti [t = 2012] +
3(Di[dij ≤ 750 m] Ti [t = 2012]) + uit (3)
Donde P es la variable de interés correspondiente al valor real del arriendo
que pagan los individuos; es un vector que contiene una constante 0 más
n covariables que representan: en primer lugar, características del individuo
como nivel educativo e ingresos; en segundo lugar, características observa-
bles de las viviendas como el número de cuartos, material de paredes y pisos,
entre otras; y por último, características del vecindario como percepción de
seguridad del sector, cobertura del transporte público, niveles de contamina-
ción, entre otras.
El término [dij ≤ 750m] [t = 2012] corresponde a la interacción entre el indi-
cador de tratamiento y la variable binaria del periodo de seguimiento .
En este sentido, el i-ésimo individuo recibe efectivamente la intervención si
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 163
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
pertenece al grupo de tratamiento en el periodo posterior al 2011. Algebrai-
camente, el efecto del tratamiento por DD estaría dado por:
[(Pi|Di = 1, = 1) - (Pi|Di = 1, Ti = 0)] - [(Pi|Di = 0, Ti = 1)
- (Pi|Di = 0, Ti = 0)] (4)
Tomando esperanza condicional en cada uno de los términos de la ecuación
(4) obtenemos:
(Pi|Di = 1, Ti = 1) = 0 + 1 + 2 + 3
(Pi|Di = 1, Ti = 0) = 0 + 1
(Pi|Di = 0, Ti = 1) = 0 + 2
(Pi|Di = 0, Ti = 0) = 0
Esto significa que el efecto del tratamiento está dado por:
[(0 + 1 + 2 + 3) - (0 + 1)] - [(0 + 2) - (0)]
= 3
Además, para dar una mayor robustez al ejercicio y con el fin de ratificar los
resultados se emplea una metodología compuesta: kernel propensity score
matching-diferencias en diferencias (PSM-DD), la cual simplifica el análisis
de DD para combinarlo con otro método de evaluación no experimental, en
este caso, el método de emparejamiento, y de esta manera obtener el estima-
dor de DD válido para una muestra de corte transversal repetida (Villa, 2016;
Blundell y Costa-Días, 2000; Blundell y Costa-Días, 2009, Smith y Todd, 2005
y Heckman, Ichimura y Todd, 1997).
Lo que se busca con dicha metodología es comparar la variable resultado del
grupo de tratamiento y del grupo de control, con el fin de conocer el impacto del
tratamiento, el cual estaría dado por la diferencia entre el efecto verdadero
de la implementación del Metroplús y el sesgo de selección (diferencia entre
el contra factual y la variable resultado para el grupo de control). Una forma
de separar estos dos componentes es asumir el supuesto de condición de inde-
pendencia (CI), el cual implica que el sesgo de selección se debe únicamente a
diferencias en las características observables, es decir, que al condicionar por
estas variables el sesgo sería cero, generando una estimación insesgada del
efecto del programa. Sin embargo, el supuesto de CI implica la no existencia de
características no observables en la muestra que puedan afectar los resultados
Medios de transporte sostenibles y mercado de bienes residenciales
164
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
potenciales. Por ello, una metodología más flexible consiste en encontrar un
“clon”16 en el grupo de control para cada individuo tratado y contrarrestar los
resultados de ambos, ponderando las observaciones del grupo no tratado de
tal forma que las distribuciones de las variables de control sean lo más pare-
cidas posible a las de los individuos tratados, así, el efecto de la implementa-
ción del Metroplús consiste en el promedio ponderado de los efectos de cada
observación. El clon adecuado para cada individuo tratado será aquel del grupo
de control cuya probabilidad de participación (propensity score)17 en el pro-
grama (ecuación 5) sea lo suficientemente cercana.
P = (D = 1|X) (5)
Es importante aclarar que esta metodología de emparejamiento, PSM, solo
tiene en cuenta la región de soporte común de la muestra, ya que de esta
manera se asegura que los grupos sean lo más parecidos posibles; el soporte
común de una variable es el conjunto de valores para los cuales la densidad
es positiva, es decir, que pueden ocurrir con alguna probabilidad. Para ello se
utiliza el criterio trimming, el cual elige los valores de la probabilidad esti-
mada de participar cuya densidad sea positiva para ambos grupos, exclu-
yendo las regiones con densidad positiva muy pequeña. En la figura 4 se puede
observar la zona de soporte común que comparten tanto individuos tratados
como no tratados por la línea 1 del Metroplús, de acuerdo con su probabili-
dad de ser afectados por este sistema de transporte. Así, el estimador PSM es
entonces la diferencia media en las variables de resultados de los grupos de
tratamiento y control en el soporte común, ponderadas por la distribución de
la probabilidad de ser afectado.
Otro factor metodológico para considerar es el algoritmo de emparejamiento.
Si bien todos los estimadores por emparejamiento contrastan la variable resul-
tado de un individuo tratado con uno o más miembros del grupo de control
que más se parezcan a este, los estimadores de PSM difieren en la manera en
16 El clon hace referencia a un individuo dentro del grupo de control con características observables
similares a las de al menos un miembro del grupo de tratamiento, y cuya única diferencia radica en la
asignación del tratamiento.
17 De acuerdo con Rosenbaum y Rubin (1983), la función de probabilidad produce estimadores consistentes
del efecto del programa.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 165
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Figura 4. Propensity score para los grupos de tratamiento y control
Probabilidad de ser tratado
Densidad
Tratados Controles
0,4
8
0,30,20,10
6
4
2
0
Fuente: elaboración propia.
la que encuentran este grupo y en la forma como ponderan la comparación.
Para fines de este ejercicio se emplea el PSM por kernel18 siguiendo a Heck-
man, Ichimura y Todd (1997) y Blundell y Costa-Días (2009). Este estimador
empareja cada individuo del grupo de tratamiento con el promedio ponderado
de todos los individuos del grupo de control. En este tipo de estimación del
PSM es necesario definir la vecindad de la probabilidad de participación
del individuo i para determinar los individuos que deben ser comparados con
este (para este caso el rango de vecindad usado fue de 0,06, establecido por
defecto). Es así como el PSM por kernel se puede interpretar como una regre-
sión de la variable objetivo (precio de la vivienda) del grupo de control en el
vecindario de cada individuo tratado sobre un intercepto, usando los pesos
(ponderadores, wij
KERNEL) de kernel (Smith y Todd, 2005):
WiKE
RNEL
GpX pX
h
GpX pX
kD
ij
ik
k
k
=
()
−
()
()
−
()
∈=
=
∑
0
1
(6)
18 Kernel es un procedimiento estadístico basado exclusivamente en los datos, sin hacer supuestos pa-
ramétricos a priori sobre los modelos económicos. Pondera los datos del grupo de control dando más
peso a las observaciones con probabilidades de participación más cercanas, y menos a aquellas con
probabilidades más lejanas.
Medios de transporte sostenibles y mercado de bienes residenciales
166
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Donde G(.) es una función de kernel, P(X) es el propensity score, dadas las cova-
riables X, h es el ancho de banda y K es el número de individuos en el grupo de
control. Estos pesos calculados se introducen en la ecuación de DD (ecuación
4) para obtener el efecto de “kernel propensity score matching-DD”:
DD = [(PiDi = 1, Ti = 1) - wt
it=0*E (PiDi = 1, Ti = 0)]-
wit
c=1*[(PiDi = 1, Ti = 1) - wc
it=*E (PiDi = 1, Ti = 0)] (7)
Donde wc
it = 0 y wc
it = 1 son los ponderadores para el grupo de control en el periodo
de referencia y en el periodo posterior al tratamiento, respectivamente; mien-
tras que wt
it=0 es el ponderador para el grupo de tratamiento en la línea base.
Finalmente, es importante mencionar que para que esta metodología fun-
cione los grupos de tratamiento y control deben estar balanceados, es decir,
que la probabilidad de participación promedio y las medias de las variables de
control deben ser lo más parecidas posibles entre los grupos. Es de esperar
que existan diferencias antes del emparejamiento, pero, después de este, la
distribución de las variables observables debe ajustarse entre los grupos, sin
diferencias estadísticamente significativas.
IV. Resultados
Los resultados de la estimación por mínimos cuadrados ordinarios se presen-
tan a modo de resumen en el cuadro 3, y de forma extensa en la sección de
anexos (cuadro A1). En la columna (1) se encuentran los resultados usando
el índice de contaminación generado a partir del procedimiento descrito en
la sección II, y en las columnas (3) y (5) se muestran los resultados usando
de forma individual las variables ICA y percepción del aire, respectivamente.
Además, en las columnas (2), (4) y (6) denominadas “beta” se presentan los
coeficientes beta estandarizados que indican cuántas desviaciones estándar
cambia la variable dependiente por cada desviación estándar de incremento
en las variables de control.
Como se observa en la primera columna, solo los coeficientes asociados a la
dummy de tiempo y a la dummy de tratamiento son estadísticamente signifi-
cativos al 1%; sin embargo, la variable efecto del tratamiento, que corresponde
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 167
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Cuadro 3. Estimación del efecto del Metroplús sobre el valor de las viviendas (DD)
(1) (2) (3) (4) (5) (6)
Beta Beta
Dummy de tratados -0,075*** -0,041*** 0,066*** -0,036*** -0,075*** -0,041***
(0,025) (0,025) (0,025)
Dummy de tiempo 0,040*** 0,029*** 0,024* 0,018* 0,075*** 0,055***
(0,013) (0,015) (0,015)
Efecto del tratamiento 0,048 0,019 0,037 0,015 0,044 0,018
(0,033) (0,033) (0,033)
Percepción del transporte público -0,002 -0,001 -0,001 -0,000 0,001 0,001
(0,016) (0,016) (0,016)
Índice de contaminación -0,010 -0,014
(0,007)
ICA 0,008*** 0,029***
(0,003)
Percepción sobre la calidad del aire -0,475*** -0,053***
(0,090)
Observaciones 6.782 6.782 6.782
Nota: las variables de control utilizadas son: secundaria, ingreso total, estratos 4 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número
de cuartos, calentador a gas, percepción de seguridad en el sector, problemas de convivencia en el barrio,
percepción del ruido, percepción del estado de las vías y percepción del transporte público. Los errores
estándar son calculados de manera robusta para varianzas no constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
a la interacción entre la dummy de tiempo y la dummy de tratados no reporta
ningún efecto significativo bajo ninguna de las tres especificaciones. En este
sentido, puede afirmarse que, si se considera la muestra agregada, el sistema
Metroplús no tuvo ningún impacto entre los años 2010 y 2012 sobre el valor
de las viviendas ubicadas a una distancia igual o inferior a 750 metros. Por
otra parte, el índice de contaminación y la percepción del transporte público
no reportan ningún efecto estadísticamente significativo. No obstante, al con-
siderar las variables ambientales desagregadas se encuentra mientras que el
ICA afecta de forma positiva los precios, la percepción subjetiva de la calidad
del aire contribuye a disminuir el valor de los arriendos.
Beta
Medios de transporte sostenibles y mercado de bienes residenciales
168
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Con el fin de testear si estos resultados se mantienen para los subgrupos de
la muestra, esta se divide por estrato socioeconómico en dos categorías, una
para los hogares de estratos 1, 2 y 3 y otra para los estratos 4 en adelante, lo
que demostró efectos heterogéneos en el ejercicio. En el panel superior del
cuadro 4 se observa que para los estratos bajo-medio (1, 2 y 3) la variable
efecto es positiva y significativa al 5% bajo todas las especificaciones, lo que
indica que el sistema Metroplús incrementó hasta en un 9% (0,046 desviacio-
nes estándar) de un periodo a otro el valor del arriendo de las viviendas para
los hogares ubicados a una distancia menor o igual de 750 metros. Además,
la variable índice de contaminación tiene un impacto negativo y significativo
sobre los arriendos, mientras que la variable percepción del transporte público
no afecta de forma significativa a la variable de interés.
Por otra parte, en el panel inferior del cuadro 4 la variable efecto resulta ser
negativa y significativa para los estratos más altos, de modo que, tras la puesta
en marcha del sistema de transporte, estos hogares obtienen un choque nega-
tivo de hasta el 17% (0,069 desviaciones estándar) sobre el valor de los bie-
nes residenciales. Este resultado coincide con lo encontrado en la literatura,
a saber, en algunos trabajos como en el de Geng, Bao y Liang (2015) para la
ciudad de Pekín se concluye que las viviendas ubicadas a distancias muy cor-
tas de las estaciones del ferrocarril pueden percibir consecuencias negativas
debido a que los sistemas de transporte pueden traer consigo problemáticas
asociadas a mayores niveles de criminalidad y congestión. Asimismo, al ser
hogares de estratos más altos es posible que utilicen el transporte público en
una menor proporción que los hogares de estratos bajos, por lo que sus benefi-
cios derivados de la implementación del sistema de transporte público pueden
ciertamente ser muy pocos. Respecto a las variables contaminación, se aprecia
que mayores niveles de contaminación conllevan a un aumento en el valor de
los arriendos, efecto contrario a la percepción subjetiva del aire, la cual afecta
negativamente los precios. Finalmente, la percepción del transporte público
no genera efectos significativos.
La segunda metodología utilizada corresponde a la combinación del método
propensity score matching con diferencias en diferencias (PSM-DD), corres-
pondiente a una estimación no paramétrica del efecto. Bajo este enfoque se
obtienen resultados similares a los anteriores, lo que permite robustecer los
hallazgos. En la columna (1) del cuadro 5 no se reporta un efecto significa-
tivo sobre el valor de los arriendos para la muestra completa. No obstante, los
resultados de nuevo reportan efectos diferenciados por estrato. Los estratos
bajos como se observa en la columna (2), reciben un efecto positivo y signi-
ficativo sobre el valor de las viviendas del 8%; mientras que el valor de los
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 169
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
arriendos de las viviendas de estratos altos (columna 3) se ve negativamente
impactado por la implementación del sistema de transporte en un 18%, siendo
estos valores similares a los reportados en el cuadro 4.
Cuadro 4. Estimaciones del efecto del Metroplús sobre el valor de las viviendas por
grupos de estratos (
DD
)
(1) (2) (3) (4) (5) (6)
Beta Beta Beta
Estratos 1, 2 y 3
Dummy de tratados
Dummy de tiempo
Efecto del tratamiento
Percepción del transporte
público
Índice de contaminación
ICA
Percepción sobre la calidad
del aire
-0,102***
(0,029)
0,031**
(0,015)
0,091**
(0,036)
0,004
(0,016)
-0,023***
(0,008)
-0,069***
0,027**
0,046**
0,003
-0,037***
-0,097***
(0,029)
0,027
(0,018)
0,082**
(0,037)
0,003
(0,016)
0,002
(0,004)
-0,066***
0,024
0,041**
0,002
0,009
-0,100***
(0,029)
0,061***
(0,016)
0,084**
(0,036)
0,006
(0,016)
-0,445***
(0,097)
-0,068***
0,054***
0,042**
0,004
-0,059***
Observaciones 5.577 5.577 5.577
Dummy de Tratados
Dummy de tiempo
Efecto del tratamiento
Percepción del transporte
público
Índice de contaminación
ICA
Percepción sobre la calidad
del aire
0,060
(0,045)
0,057*
(0,034)
-0,152**
(0,063)
-0,035
(0,052)
0,031***
(0,011)
0,036
0,049*
-0,062**
-0,021
0,060***
0,078*
(0,045)
0,036
(0,033)
-0,168***
(0,063)
-0,029
(0,051)
0,019***
(0,004)
0,048*
0,032
-0,069***
-0,018
0,107***
0,045
(0,046)
0,148***
(0,045)
-0,156**
(0,063)
-0,037
(0,052)
-0,851***
(0,233)
0,027
0,128***
-0,064**
-0,022
-0,117***
Observaciones 1.205 1.205 1.205
Nota: las variables de control utilizadas son: secundaria, ingreso total, estratos 4 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número
de cuartos, calentador a gas, percepción de seguridad en el sector, problemas de convivencia en el barrio,
percepción del ruido, percepción del estado de las vías y percepción del transporte público. Los errores
estándar son calculados de manera robusta para varianzas no constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
Medios de transporte sostenibles y mercado de bienes residenciales
170
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Por último, en el cuadro 6 se presenta el test de balanceo que permite com-
probar el éxito del emparejamiento de las variables exógenas. Este test estima
la diferencia en media con una regresión lineal de las variables ponderadas.
Como se observa, la hipótesis de que el valor medio de cada variable es el
mismo entre el grupo de tratamiento y en el grupo de control solo se rechaza
al 10% en el caso de la variable índice de contaminación. Comparando este
test de balanceo con el realizado de forma preliminar en la sección 3 (cuadro
2), se puede concluir que a través del propensity score matching con kernel
fue posible generar un grupo de control lo suficientemente similar al grupo
de tratamiento para ser utilizado en la estimación del efecto.
En síntesis, los hallazgos de este ejercicio validan la hipótesis de que el cambio
en la contaminación atmosférica puede verse reflejado en el mercado inmo-
biliario a través del mecanismo de precios. Además, los resultados sugieren
que el sistema Metroplús (línea 1) tiene efectos sobre el valor de los arriendos
diferenciados por estrato socioeconómico, a saber, el valor de las viviendas de
estratos 1, 2 y 3 reciben un choque positivo y significativo, opuesto al choque
negativo que reciben los hogares de estratos 4 en adelante. Por otro lado, los
resultados obtenidos de la variable asociada a la percepción de la cobertura
del transporte público podrían reflejar las limitaciones de las variables subje-
tivas, impidiendo cualquier deducción generalizable.
Cuadro 5. Estimación del efecto del Metroplús sobre el valor de las viviendas (PSM-DD)
(1) (2) (3)
Todos Estratos 1, 2 y 3 Estratos 4, 5 y 6
Dummy de tratados -0,065* -0,088*** 0,037
(0,035) (0,031) (0,049)
Dummy de tiempo 0,114*** 0,079*** 0,082*
(0,018) (0,014) (0,044)
Efecto del tratamiento -0,035 0,082** -0,183**
(0,048) (0,039) (0,072)
Observaciones 6.782 5.577 1.205
Nota: las variables de control utilizadas son: secundaria, ingreso total, estratos 4 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número
de cuartos, calentador a gas, libertad para moverse de un sitio a otro, percepción de seguridad en el sector,
problemas de convivencia en el barrio, percepción del ruido, índice de contaminación percepción del estado
de las vías y percepción del transporte público. Los errores estándar son calculados de manera robusta para
varianzas no constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 171
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
En los cuadros A2 y A3 de la sección de anexos, a modo de ejercicio de robus-
tez, se encuentran los resultados con criterios de distancia del tratamiento de
250 y 1.000 metros.
Cuadro 6. Diferencia estadística en medias con el propensity score matching-kernel
No tratados Tratados Diferencia en medias P-valor
Secundaria o más 0,544 0,536 -0,008 0,6501
Ingreso total 12235 12343 0,108 0,6513
Estratos 4, 5 y 6 0,167 0,166 -0,001 0,9240
Casa 0,425 0, 410 -0,015 0,3971
Paredes de ladrillo revocado 0,817 0,814 -0,003 0,8084
Piso de mármol, madera pulida o alfombra 0,004 0,003 -0,001 0,6237
Servicio de telefonía 0,897 0,899 0,002 0,8759
Gas natural 0,473 0,485 0,011 0,5191
Número de cuartos 4694 4693 -0,001 0,9878
Calentador a gas 0,108 0,113 0,005 0,6513
Percepción de seguridad en el sector 0,755 0,750 -0,005 0,7377
Problemas de convivencia en el barrio 0,375 0,383 0,009 0,6117
Índice de contaminación 5525 5460 -0,065 0,0515*
Percepción de ruido 0,376 0,378 0,002 0,8952
Percepción del estado de las vías 0,527 0,522 -0,005 0,7668
Percepción del transporte público 0,850 0,860 0,010 0,4306
Observaciones 2.703 601
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
V. Ejercicios de sensibilidad y robustez
En esta sección se presentan dos ejercicios de robustez que buscan afianzar
los resultados anteriores. El primer ejercicio consiste un test de falsificación
que se basa en la utilización de las mismas metodologías anteriores conside-
rando ahora un periodo en el cual no se haya llevado a cabo la intervención.
En particular, lo que se busca con dicho test es verificar que al realizar la esti-
mación para los periodos = 1,0 y asumiendo tendencias paralelas, el efecto
del tratamiento sea igual a cero, esto es:
[(0)-(-1)Di = 1] - [P (0) - Pi (-1) Di = 0] = 0 (8)
Medios de transporte sostenibles y mercado de bienes residenciales
172
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Específicamente, pare este ejercicio se seleccionaron los años 2007 y 2010,
periodo en el cual no existía el sistema Metroplús. Es importante mencionar
que este ejercicio es parcialmente comparable con el original debido a que
por diferencias en las encuestas no fue posible construir las mismas variables
de control. En los cuadros 7 y 8 se presentan los resultados de dicho ejercicio
utilizando las metodologías DD y PSM-DD, respectivamente.
Cuadro 7. Test de falsificación 2007-2010 (DID)
Todos Estratos 1, 2 y 3 Estratos 4, 5
y 6
Dummy de tratados -0,105 -0,158 -0,029
(0,133) (0,166) (0,231)
Dummy de tiempo 0,132** 0,202*** -0,026
(0,063) (0,063) (0,204)
Efecto del tratamiento -0,115 -0,038 -0,309
(0,180) (0,203) (0,487)
Observaciones 9.169 7.521 1.648
Nota: las variables de control utilizadas son: secundaria, ingreso total, estratos 3 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número
de cuartos y calentador a gas. Los errores estándar son calculados de manera robusta para varianzas no
constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2007 y 2010.
Cuadro 8. Test de falsificación 2007-2010 (PSM-DID)
Todos Estratos 1, 2 y 3 Estratos 4, 5 y 6
Dummy de tratados -0,208* -0,193* -0,294
(0,115) (0,104) (0,401)
Dummy de tiempo 0,000 0,000 0,000
(0,000) (0,000) (0,000)
Efecto del tratamiento 0,000 0,000 0,000
(0,000) (0,000) (0,000)
Observaciones 3.422 2.840 582
Nota: las variables de control utilizadas son: secundaria, ingreso total, estratos 3 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número
de cuartos y calentador a gas. Los errores estándar son calculados de manera robusta para varianzas no
constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2007 y 2010.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 173
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Bajo DD los resultados obtenidos para un periodo previo a la intervención son
negativos y no significativos considerando toda la muestra, los estratos bajos
y los estratos altos. Utilizando la metodología PSM-DD, se obtiene un efecto
nulo para todos los tipos de muestra, lo cual coincide con los resultados espe-
rados. Dado lo anterior, se puede validar parcialmente el efecto causal del
Metroplús sobre el valor de las viviendas, descartando la causalidad de otro
factor que haya ocurrido durante el periodo anterior al sistema de transporte.
El segundo test consiste en un ejercicio de sensibilidad en el cual utilizamos
diferentes tipos de kernel y anchos de banda a los usados en la estimación de
PSM-DD de la sección de resultados. Mientras que el ejercicio original usamos
un tipo de función de kernel gaussiana y un ancho de banda de 0,06, en este
ejercicio calculamos el efecto del tratamiento para tres combinaciones. En el
cuadro 9 se aprecia que bajo las tres combinaciones de funciones y anchos
de banda los resultados continúan siendo muy similares a las estimaciones
reportadas en el cuadro 5, por los que se infiere que nuestros hallazgos no son
sensibles a diferentes formas de establecer el emparejamiento.
Cuadro 9. Estimaciones del efecto del Metroplús sobre el valor de las viviendas
(PSM-DD). Sensibilización de los resultados
(1) (2) (3)
Todos Estratos 1, 2 y 3 Estratos 4, 5 y 6
Efecto del
tratamiento
bw (0,09)
ktype(gaussian)
bw (0,06)
ktype(uniform)
bw (0,09) ktype(uniform)
-0,0348
(-0,76)
-0,0348
(-0,87)
-0,0348
(-0,78)
0,0816
(1,84)
0,0816*
(2,25)
0,0816*
(2,05)
-0,183*
(-2,36)
-0,183*
(-2,33)
-0,183**
(-2,64)
Observaciones 6.782 5.577 1.205
Nota: Las variables de control utilizadas son: secundaria, ingreso total, estratos 4 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número
de cuartos, calentador a gas, libertad para moverse de un sitio a otro, percepción de seguridad en el sector,
problemas de convivencia en el barrio, índice de contaminación del aire, percepción del ruido, percepción
del estado de las vías y percepción del transporte público. Los errores estándar son calculados de manera
robusta para varianzas no constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
Medios de transporte sostenibles y mercado de bienes residenciales
174
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
VI. Conclusiones
En este trabajo se presentó una evaluación de impacto del sistema de trans-
porte Metroplús (línea 1) sobre los precios de las viviendas de Medellín, con-
siderando que la posible reducción de la contaminación derivada de la puesta
en marcha del sistema puede servir como escenario para comprobar la hipó-
tesis planteada por Brueckner (2011) sobre los efectos que la contaminación,
como externalidad negativa, puede generar sobre los bienes residenciales. Es
importante mencionar que nuestros resultados carecen de algunos limitan-
tes. En primer lugar, la variable asociada al valor de los bienes residenciales
corresponde al valor autorreportado y no al verdadero valor de mercado; y, en
segundo lugar, las limitaciones en las fuentes de información nos restringen
a realizar un análisis desde una perspectiva de corto plazo, por lo que existe
la posibilidad de que el aumento en el precio del arriendo se haya internali-
zado antes de levantar la encuesta en el 2010 o de no capturar el efecto en
su totalidad.
El análisis preliminar de los datos arrojó que las condiciones socioeconómicas
del total de hogares de la muestra se dividen 82% de hogares pertenecien-
tes a estratos 1, 2 y 3 y el 18% restante a estratos 4 y más; con relación a la
percepción en cobertura de transporte público, el 85% de los hogares la con-
sideraban favorable. Además, partiendo de las diferencias preexistentes de los
grupos de tratamiento y control, se encontró que algunas de las características
de las viviendas, así como arriendo e índice de contaminación están desbalan-
ceadas, lo que indica una leve diferencia inicial estadísticamente significativa
entre los grupos de tratamiento y de control.
Por otro parte, los resultados de la estimación del modelo de diferencias en
diferencias (DD) por mínimos cuadrados ordinarios muestran que, al considerar
el total de la muestra, no se encuentran efectos significativos del Metroplús
(línea 1) sobre el precio de las viviendas directamente intervenidas, refleján-
dose solo el aumento real del valor de las viviendas en el tiempo. Sin embargo,
al considerar los efectos heterogéneos, los hallazgos para los estratos 1, 2 y
3 concuerdan con los resultados esperados, de tal forma que en los grupos
socioeconómicos más bajos se refleja un impacto positivo del Metroplús del
9% sobre el valor de los arriendos. De manera opuesta, los hogares pertene-
cientes a estratos 4 en adelante sufren un efecto negativo reflejado en una
disminución en el precio de las viviendas del 16%.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 175
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Las estimaciones de las variables de contaminación y percepción del transporte
público reflejan parcialmente los resultados esperados. En efecto, el índice de
contaminación tuvo un efecto negativo y significativo sobre el valor de las
viviendas solo para los hogares de estratos bajos, mientras que la variable de
percepción de la calidad del aire afecta negativamente los precios en todos
los casos, lo cual es coherente con la hipótesis de que, a mayores niveles de
contaminación menor será el precio de los bienes residenciales; no obstante,
la variable percepción del transporte no muestra efectos significativos.
Adicionalmente, para otorgar mayor poder a los resultados de la metodología
de DD se utilizó un método de estimación no paramétrico correspondiente al
propensity score matching combinado con diferencias en diferencias (PSM-DD).
Los resultados arrojados por esta metodología son similares a los del ejercicio
anterior, reportando un efecto positivo del 8% sobre el valor de los arriendos
de las viviendas de estratos medio-bajo y un choque negativo del 18% sobre
el precio de las viviendas de estratos altos, estos derivados de la implementa-
ción del sistema de transporte Metroplús. Asimismo, los ejercicios de sensibi-
lidad realizados permiten validar los resultados obtenidos.
Después de analizar los hallazgos de este ejercicio de evaluación de impacto se
deja abierta la puerta para un ejercicio posterior que involucre una perspectiva
de largo plazo, con el fin de robustecer la hipótesis planteada y de continuar
fomentando este tipo de estudios que constituyen un aporte significativo a la
literatura local en términos de la inserción de un canal distinto para evaluar
los impactos de una política de movilidad. También, se resalta la importan-
cia de evaluar las iniciativas públicas con el objetivo de calcular sus alcances
tanto en términos de objetivos directos, como de posibles efectos secundarios
o externalidades, de modo que se obtenga un panorama global que identifi-
que los reales beneficios asociados a la implementación de esta. En general,
estos programas se implementan con el fin de cubrir grupos vulnerables, la
evaluación de los beneficios reales es crucial para continuar fomentando una
atención efectiva para esta población. Finalmente, este tipo de estudios se
convierten en una importante herramienta para el diagnóstico, planificación
y desarrollo de objetivos y estrategias propios de los hacedores de política.
Agradecimientos
Los autores agradecen los comentarios y las sugerencias realizadas por los pro-
fesores de la Facultad de Ciencias Económicas de la Universidad de Antioquia,
Medios de transporte sostenibles y mercado de bienes residenciales
176
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
así como por los evaluadores anónimos que contribuyeron a mejorar este tra-
bajo. Para la elaboración de este artículo no se contó con financiamiento. La
responsabilidad de los posibles errores cometidos es exclusiva de los autores.
Referencias
1. Alcaldía de Medellín, Empresa de Desarrollo Urbano y Transmilenio.
(2003). Condiciones urbanas y caracterización del sistema de transporte
actual en el Valle de Aburrá. Entrega Final. Medellín.
2. Área Metropolitana del Valle de Aburrá. (2009). Plan Maestro de Movi-
lidad. Medellín, Antioquia, Colombia.
3. Área Metropolitana del Valle de Aburrá. (2011). Metropol. Recuperado
de http://www.metropol.gov.co/CalidadAire/Paginas/ica.aspx
4. Banco Interamericano de Desarrollo. (2013). Recuperado de http://
idbdocs.iadb.org/wsdocs/getdocument.aspx?docnum=38963746
5. Banco Mundial. (s. f.). Recuperado de http://datos.bancomundial.org/
indicador/EG.USE.COMM.FO.ZS?view=chart
6. Bayer, P., Keohane, N., & Timmins, C. (2006). Migration and Hedonic
valuation: The case of air quality. Journal of Environmental Economics
and Management, 58(1), 1-14.
7. Bernal, R., & Peña, X. (2001). Guía práctica para la evaluación de impacto.
Bogotá: Ediciones Uniandes.
8. Geng, B., Bao, H., & Liang, Y. (2015). A study of the effect of a high-speed
rail station on spatial variations in housing price based on the hedonic
model. Habitat International, 49, 333-339.
9. Blundell, R., & Costa-Días, M. (2000). Evaluation methods for non‐expe-
rimental data. Fiscal Studies, 21(4), 427–468.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 177
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
10. Blundell, R., & Costa-Días. (2009). Alternative approaches to evaluation
in empirical microeconomics. Journal of Human Resources, 565-640.
11. Brueckner, J. K. (2011). Lectures on urban economics. Cambridge: MIT
Press.
12. Carmona, F. (2014). Un ejemplo de ACP paso a paso. Recuperado de
http://www.ub.edu/stat/docencia/Mates/ejemploACP.PDF
13. Crecimiento urbano de Medellín ha sido desordenado y funesto. (2013,
10 de octubre). El Espectador. Recuperado de http://www.elespectador.
com/noticias/nacional/crecimiento-urbanode-medellin-ha-sido-desor-
denado-y-fu-articulo-451626
14. Environmental Systems Research Institute, Inc. (2016). Recuperado
http://desktop.arcgis.com/es/arcmap/latest/map/working-with-layers/
adding-x-y-coordinatedata-as-a-layer.htm
15. Escobar, P. M. (2016, 6 de abril). Pese a tener metro y tranvía, Medellín
sufre por la contaminación. El Tiempo.
16. Griliches, Z. (1971). Price indexes and quality change: Studies in new
methods of measurement. Cambridge: Harvard University Press.
17. Heckman, J., Ichimura, H. & Todd, P. (1977). Matching as an econo-
metric evaluation estimator: Evidence from evaluating a job training
programme. Review of Economic Studies, 65(2), 261-294..
18. Lancaster, K. J. (1966). A new approach to consumer theory. Journal of
Political, 132-157.
19. Lavender, S. D. (1990). Economics for builders & surveyors. New York:
Longman Scientific & Technical.
20. López, I., & Gracia, R. E. (2013). Valoración económica de la contamina-
ción por olores en el área de influencia del relleno sanitario El Carrasco:
una aplicación de la metodología de precios hedónicos. Trabajo de grado.
Universidad Industrial de Santander, Bucaramanga.
Medios de transporte sostenibles y mercado de bienes residenciales
178
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
21. Lora, E., Powell, A., Van Praag, B. M., & Sanguinetti, P. (eds.). (2010).
The quality of life in Latin American cities: Markets and perception. The
World Bank.
22. Mardones, C. (2006). Impacto de la percepción de la calidad del aire sobre
el precio de las viviendas en Concepción-Talcahuano, Chile. Cuadernos
de Economía, 43, 301-329.
23. Mardones, C. (2019). Determining the “optimal” level of pollution
(PM2,5) generated by industrial and residential sources. Environmental
Impact Assessment Review, 74, 14-22.
24. Mardones, C., Saavedra, A., & Jiménez, J. (2015). Cuantificación econó-
mica de los beneficios en salud asociados a la reducción de la contami-
nación por MP10 en Concepción Metropolitano, Chile. Revista Médica
de Chile, 143(4), 475-483.
25. Medina, C., & Morales, L. (2007). Demanda por servicios públicos
domiciliarios en Colombia y subsidios: implicaciones sobre el bienestar.
Borradores de Economía, 4293.
26. Medina, C., Morales, L., & Núñez, J. (2008). Quality of life in urban neigh-
borhoods in Colombia: The cases of Bogotá and Medellín. Borradores
de Economía. Banco de la República, 1-63.
27. Mendieta, J. C., & Perdomo, J. A. (2007). Especificación y estimación
de un modelo de precios hedónico espacial para evaluar el impacto de
Transmilenio sobre el valor de la propiedad en Bogotá. Univ. de los Andes,
Fac. de Economía, CEDE Centro de Estudios sobre Desarrollo Económico.
28. Morales, L., & Arias, F. (2012). La calidad de la vivienda en Bogotá:
enfoque de precios hedónicos de hogares y de agregados espaciales.
Revista Sociedad y Economía, 9, 47-80.
29. ¿Qué es el Plan Maestro de Movilidad y que dice sobre el Metroplús? (s.
f.). Metroplús. Recuperado de http://metroplus.gov.co/que-es-el-plan-
maestro-de-movilidad-y-que-dice-sobre-metroplus/
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 179
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
30. Robinson, R. (1979). Housing economics and public policy. Springer.
31. Rodríguez, J. L. (2015, 27 de agosto). Así va el crecimiento de las
ciudades en las regiones del mundo. El Tiempo. Recuperado de http://
www.eltiempo.com/archivo/documento/CMS-16300119.
32. Rosen, S. (1974). Hedonic prices and implicit markets: Product diffe-
rentiation in pure competition. Journal of Political Economy, 34-55.
33. Rosenbaum, P., & Rubin, D. (1983). The central role of the propensity
score in observational studies for causal effects. Biometrika, 41-50.
34. Smith, J., & Todd, P. (2005). Does matching overcome LaLonde’s critique
of non-experimental estimators? Journal of Econometrics, 305-353.
35. Tang, C., Heintzelman, M. D., & Holsen, T. M. (2018). Mercury pollution,
information, and property values. Enviromental Economics and Mana-
gement, 92, 418-432.
36. Tsivanidis, N. (2017). Ticket to ride? Building efficient and equitable
cities with bus rapid transit. Development Impact Guest Blogger. The
World Bank.
37. Vidaurre, R. (2009). El impacto de la contaminación del aire en el precio
de las viviendas de la ciudad de la Paz, Bolivia. Bolivian Conference on
Development Economics.
38. Villa, J. M. (2016). Diff: Simplifying the estimation of difference-in-
differences treatment effects. The Stata Journal, 57-72.
Medios de transporte sostenibles y mercado de bienes residenciales
180
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Anexos
Cuadro A1. Estimación del efecto del Metroplús sobre el valor de las viviendas (DD).
Versión completa
Todos Beta Estratos
1, 2 y 3 Beta Estratos
4, 5 y 6 Beta
Secundaria o más 0,111*** 0,080*** 0,103*** 0,091*** 0,159*** 0,104***
(0,013) (0,013) (0,051)
Ingreso total 0,000 0,001 -0,000 -0,003 0,001 0,016
(0,001) (0,001) (0,003)
Estratos 4, 5 y 6 0,695***
(0,021)
0,384***
Casa -0,081*** -0,057*** -0,073*** -0,063*** -0,158*** -0,105***
(0,013) (0,013) (0,049)
Paredes de ladrillo revocado 0,167*** 0,094*** 0,174*** 0,124*** 0,074 0,040
(0,015) (0,017) (0,049)
Piso de mármol, madera pulida o
alfombra 0,148** 0,020** 0,207 0,010 0,162** 0,059**
(0,070) (0,213) (0,077)
Servicio de telefonía 0,117*** 0,055*** 0,108*** 0,065*** 0,093* 0,038*
(0,016) (0,017) (0,053)
Gas natural 0,124*** 0,089*** 0,122*** 0,107*** 0,060 0,047
(0,013) (0,014) (0,039)
Número de cuartos 0,139*** 0,286*** 0,150*** 0,354*** 0,105*** 0,278***
(0,005) (0,005) (0,014)
Calentador a gas 0,128*** 0,060*** 0,125*** 0,052*** 0,131*** 0,112***
(0,025) (0,039) (0,029)
Percepción de seguridad en el
sector 0,009 0,006 0,005 0,004 0,009 0,006
(0,015) (0,016) (0,033)
Problemas de convivencia en el
barrio -0,058*** -0,037*** -0,061*** -0,050*** -0,032 -0,019
(0,014) (0,016) (0,036)
Índice de contaminación -0,010 -0,014 -0,023*** -0,037*** 0,031*** 0,060***
(0,007) (0,008) (0,011)
(Continúa)
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 181
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Cuadro A1. Estimación del efecto del Metroplús sobre el valor de las viviendas (DD).
Versión completa
Todos Beta Estratos
1, 2 y 3 Beta Estratos
4, 5 y 6 Beta
Percepción de ruido 0,004 0,003 -0,009 -0,008 0,067* 0,057*
(0,013) (0,013) (0,036)
Percepción del estado de las vías 0,067*** 0,048*** 0,063*** 0,055*** 0,091* 0,070*
(0,013) (0,013) (0,049)
Percepción del transporte público -0,002 -0,001 0,004 0,003 -0,035 -0,021
(0,016) (0,016) (0,052)
Dummy de tratados -0,075*** -0,041*** -0,102*** -0,069*** 0,060 0,036
(0,025) (0,029) (0,045)
Dummy de tiempo 0,040*** 0,029*** 0,031** 0,027** 0,057* 0,049*
(0,013) (0,015) (0,034)
Efecto del tratamiento 0,048 0,019 0,091** 0,046** -0,152** -0,062**
(0,033) (0,036) (0,063)
Constante 14,230*** 14,273*** 14,970***
(0,052) (0,060) (0,123)
Observaciones 6.782 5.577 1.205
Nota: los errores estándar son calculados de manera robusta para varianzas no constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
Cuadro A2. Estimación del efecto del Metroplús sobre el valor de las viviendas con
buffers de 250 y 1000 metros (DD)
Todos Beta Estratos 1, 2 y 3 Beta Estratos 4, 5 y 6 Beta
Buffer
250
Dummy de tratados
Dummy de tiempo
Efecto del tratamiento
Percepción del transporte
público
Índice de contaminación
0,047
(0,034)
0,057***
(0,011)
0,012
(0,052)
0,014
(0,014)
-0,006
(0,005)
0,013
0,040***
0,003
0,008
-0,008
0,069*
(0,036)
0,059***
(0,012)
0,008
(0,055)
0,010
(0,014)
-0,027***
(0,006)
0,024*
0,051***
0,002
0,007
-0,045***
-0,081
(0,092)
0,015
(0,027)
-0,049
(0,129)
0,046
(0,041)
0,055***
(0,010)
-0,020
0,013
-0,008
0,030
0,112***
Observaciones 8.494 6.821 1.673
(Continúa)
Medios de transporte sostenibles y mercado de bienes residenciales
182
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Cuadro A2. Estimación del efecto del Metroplús sobre el valor de las viviendas con
buffers de 250 y 1.000 metros (DD)
Todos Beta Estratos 1, 2 y 3 Beta Estratos 4, 5 y 6 Beta
Buffer
1.000
Dummy de tratados
Dummy de tiempo
Efecto del tratamiento
Percepción del transporte
público
Índice de contaminación
-0,121***
(0,026)
0,009
(0,015)
0,083**
(0,033)
-0,005
(0,018)
-0,015**
(0,008)
-0,075***
0,007
0,039**
-0,003
-0,022**
-0,144***
(0,029)
-0,004
(0,016)
0,113***
(0,036)
0,004
(0,018)
-0,027***
(0,009)
-0,112***
-0,003
0,067***
0,003
-0,046***
0,023
(0,054)
0,062
(0,039)
-0,069
(0,075)
-0,054
(0,061)
-0,054
(0,061)
0,014
0,052
-0,029
-0,032
0,058**
Observaciones 5.661 4.717 944
Nota: las variables de control utilizadas son: secundaria, ingreso total, estratos 4 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número
de cuartos, calentador a gas, percepción de seguridad en el sector, problemas de convivencia en el barrio,
percepción del ruido, percepción del estado de las vías y percepción del transporte público. Los errores
estándar son calculados de manera robusta para varianzas no constantes.
*, **, *** corresponden a los niveles de significancia de 10%, 5% y 1%, respectivamente.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
Cuadro A3. Estimación del efecto del Metroplús sobre el valor de las viviendas con
buffers de 250 y 1.000 metros (PSM-DD)
Todos Estratos 1, 2 y 3 Estratos 4, 5 y 6
Buffer
250
Dummy de tratados
Dummy de tiempo
Efecto del tratamiento
0,007
(0,043)
0,128***
(0,016)
-0,053
(0,062)
0,100**
(0,045)
0,107***
(0,015)
0,008
(0,069)
-0,118
(0,099)
0,039
(0,032)
-0,071
(0,196)
Observaciones 8.494 6.821 1.673
Buffer
1.000
Dummy de tratados
Dummy de tiempo
Efecto del tratamiento
-0,130***
(0,031)
0,064***
(0,020)
-0,001
(0,041)
-0,145***
(0,031)
0,034**
(0,016)
0,100**
(0,041)
0,016
(0,061)
0,085*
(0,050)
-0,097
(0,087)
Observaciones 5.661 4.717 944
Nota: las variables de control utilizadas son: secundaria, ingreso total, estratos 4 y más, casa, paredes de
ladrillo revocado, piso de mármol, madera pulida o alfombra, servicio de telefonía, gas natural, número de
cuartos, calentador a gas, percepción de seguridad en el sector, problemas de convivencia en el barrio, índice
de contaminación, percepción del ruido, percepción del estado de las vías y percepción del transporte público.
Fuente: cálculos propios con datos de la ECVM para los años 2010 y 2012.
Carolina Echeverri Durán, Diana Marcela Restrepo y Leonardo Fabio Morales 183
DESARRO. SOC. 83, BOGOTÁ, SEGUNDO SEMESTRE DE 2019, PP. 145-184, ISSN 0120-3584, E-ISSN 1900-7760, DOI: 10.13043/DYS.83.4
Cuadro A4. Puntos de corte del ICA
ICA Color Clasificación 03 8h
ppm
03 1h
ppm
PM10
24h
g/m3
PM2,5
24h
g/m3
C0 8h
ppm
SO2
24h
ppm
NO2
1h
ppm
0-50 Verde Buena 0.000 -0 0 0 0 0
0.059 54 12 4.4 0.035 0.053
51-100 Amarillo Moderada 0.060 -55 12.1 4.5 0.036 0.054
0.075 154 35.4 9.4 0.075 0.100
101-150 Naranja
Dañina a la
salud para
grupos sensibles
0.076 0.125 155 35.5 9.5 0.076 0.101
0.095 0.164 254 55.4 12.4 0.185 0.360
151-200 Rojo Dañina a la
salud
0.096 0.165 255 55.5 12.5 0.186 0.361
0.115 0.204 354 150.4 15.4 0.304 0.649
201-300 Púrpura Muy Dañina a
la salud
0.116 0.205 355 150.5 15.5 0.305 0.650
0.374 0.404 424 250.4 30.4 0.604 1.249
301-400 Marrón Peligrosa -0.405 425 250.5 30.5 0.605 1.250
0.504 504 350.4 40.4 0.804 1.649
104-500 Marrón Peligrosa -0.505 505 350.5 40.5 0.805 1.650
0.604 604 500.4 50.4 1.004 2.049
Cálculo del ICA:
El cálculo del ICA se realiza de acuerdo con el modelo desarrollado por la EPA,
el cual consiste en el cálculo de un algoritmo para la obtención de los sub-
índices correspondientes a diferentes indicadores de la calidad del aire. La
ecuación se calcula para contaminante criterio, reportando el mayor valor del
índice que se obtenga.
ICAII
BP BP
CB
PI
HI LO
HI LO
iL
OL
O
=
−
−−
()
+*
ICA: índice de calidad del aire.
ILO: valor del índice en el límite inferior de la categoría del ICA.
ILO: valor del índice en el límite superior de la categoría del ICA.
BPLO: punto de quiebre de la concentración en el límite inferior de la catego-
ría del ICA.
BPHI: punto de quiebre de la concentración en el límite superior de la catego-
ría del ICA Ci: Concentración del contaminante.
