Forma Urbana y Emisiones de CO 2 de la movilidad en …pagines.uab.cat/appliedeconomics/sites/pagines.uab.cat... · En algunos casos el dato se calculó a partir de un enfoque de

3

Forma Urbana y Emisiones de CO2 de la movilidad en la Zona

Metropolitana del Valle de México (ZMVM)

Versión Preliminar

Junio, 2015

Vania Sánchez Trujillo

Universitàt Autònoma de Barcelona

Programa de Doctorado en Economía Aplicada

Director: Ivan Muñiz

Universitàt Autònoma de Barcelona

JEL CODE: Q54, R40, R12, R54

KEYWORDS: Gases con Efecto Invernadero (GEI), Forma Urbana,

Policentrismo, Movilidad Intraurbana

4

1. Introducción

La batalla contra el cambio climático se ganará o perderá en las ciudades pues albergan en la actualidad a más de la mitad de la población del planeta. Como lugares de producción, las ciudades son responsables de entre 30% y 40% de las emisiones mundiales de CO2. Como lugares de consumo, el porcentaje podría llegar al 70% (Satterthwaite, 2008); (Walraven, 2009); (Dodman, 2009); (UN-Habitat, 2011).1 Una parte relevante de las emisiones de Gases con Efecto Invernadero (GEI) se deben al uso de los automóviles como modo de transporte. Como (Newman & Kenworthy, 1989) destacaron, las ciudades Latinoamericanas (siguiendo el modelo estadounidense) adecuaron su forma a las necesidades del transporte motorizado, sobre todo el automóvil, y en cierta medida del autobús. Algunos autores han señalado que los cambios ocurridos más recientemente en la localización de la población y la actividad económica, también han sido determinantes en el incremento de la motorización de estas ciudades, sobre todo en aquellas en las que la descentralización del empleo no ha ido acompañada de políticas de desarrollo del transporte público (Romero-Lankao, 2007). El elevado grado de motorización de las ciudades en vías de desarrollo conlleva consecuencias ambientakes a escala global pues, si se cumplen las predicciones de (Wright & Fulton, 2005), hacia 2030 el volumen de coches en las ciudad de estos países superará el correspondiente para las ciudad de los países desarrollados.

Existe un amplio acuerdo sobre el hecho de que la forma y estructura espacial de las ciudades influye en las pautas de movilidad. De un lado el costo de oportunidad entre el consumo de suelo y la accesibilidad; y de otro, el costo relativo entre los medios de transporte, influyen tanto en las decisiones de movilidad como en la elección del lugar de residencia. En este sentido, la planeación urbana puede ser un medio de combate de las emisiones de GEI es más que pertinente.

En esta investigación tratamos de responder una cuestión fundamental: ¿cuál es el efecto de la forma urbana en las emisiones directas de GEI debidas a la pauta de movilidad en la Zona Metropolitana del Valle de México? Durante el último medio siglo, la Ciudad de México ha experimentado un rápido proceso de crecimiento: la población se duplicó entre 1970 y 2005, mientras que la superficie urbana pasó de alrededor de 683 km2 a 2,000 km2, en 2005. Durante este mismo período, la flota vehicular creció notablemente (entre 1984 y 2004 se había poco menos que duplicado (Guerra, 2014)). De acuerdo con nuestras estimaciones, la movilidad de lunes a viernes de la población de la ZMVM genera 3.1 millones de CO2. En términos per cápita las emisiones son 162 kg de CO2e, de los cuales, 124 kg se deben a la movilidad obligada y 43 kg (alrededor de 25%) tienen que ver con la movilidad cotidiana. Aunque los resultados del análisis de regresión son preliminares, podemos avanzar que: primero, los entornos densos y diversos son más aptos para una movilidad con menos emisiones per cápita; segundo, que las localizaciones más céntricas implican también menores emisiones de GEI per cápita; y tercero, la proximidad a los subcentros de empleo no reduce de forma significativa el nivel de emisiones per cápita.

La estructura del documento es la estándar. En la Sección 2 presentamos la discusión académica del efecto de la forma urbana sobre las emisiones de CO2 y la evidencia empírica que existe. En la Sección 3 se presentan el área de estudio y los datos sobre los que se hace la discusión empírica del artículo. En la Sección 4 se desarrolla la estrategia empírica y la Sección 5 reporta tanto los resultados del ejercicio empírico como su discusión. Finalmente hacemos las consideraciones preliminares sobre el avance del ejercicio empírico y las cuestiones pendientes.

1 Como lugares de producción, en las ciudades se producen bienes y servicios utilizando energía y, por tanto, emitiendo CO2. Como lugares de consumo, la movilidad y la energía utilizada en la vivienda suponen una buena parte de las emisiones directas de CO2, a las que debería sumarse el CO2 incorporado en las instalaciones, edificios, carreteras y bienes de consumo (huella de carbono). Los valores se expresan en márgenes porque el porcentaje final depende del tamaño de población mínimo para que un asentamiento sea considerado ciudad, así como de la escala territorial utilizada (municipio, área metropolitana, región metropolitana).

5

2. Emisiones de CO2 equivalentes, Movilidad y Forma Urbana en la Literatura

2.1. Emisiones de CO2 equivalentes y Forma Urbana

Recientemente diferentes estudios han proporcionado inventarios de ciudades y emisiones de CO2 (Dodman, 2009) (Kennedy, y otros, 2009) (Sovacool & Brown, 2009) (McKinsey and Company, 2008)2. A pesar de la imposibilidad de extraer conclusiones a partir de estudios cuyos datos tienen origen tan dispar, muestran con claridad que las ciudades densas (europeas o asiáticas) emiten menos CO2 a la atmósfera en términos per cápita que las ciudades poco densas (estadounidenses, canadienses o australianas) (Markham, 2009).

La mayor parte de la literatura empírica ha estudiado la relación entre emisiones de CO2 y forma urbana se ha centrado en estudiar las emisiones asociadas al consume de energía en movilidad vivienda, pues son los consumos cuyas emisiones están íntimamente relacionada con la forma y estructura espacial de las ciudades.3 La emisiones de CO2 asociadas a la movilidad y a la vivienda pueden representar hasta un 30% de las emisiones totales directas de una ciudad, un porcentaje que se incrementaría hasta un 40% cuando también se contabilizan las emisiones indirectas (Rees & Wackernagel, 2008); (Bertaud, Lefevre, & Yuen, 2009) (Brown, Southworth, & Sarzynski, 2008) (UN-Habitat, 2011). Autores como (Guerra, 2014) y (Romero-Lankao, 2007) sostienen que en países en vías de desarrollo este porcentaje es incluso mayor. En el caso de la movilidad, las ventajas de la densidad y la centralidad vendrían de la mano de un elevado uso del transporte público, distancias cortas y un elevado porcentaje de desplazamientos a pie (Newman & Kenworthy, 1989) (Holtzclaw, Using residential patterns and transit to decrease auto dependence and costs, 1994) (Holtzclaw, Clear, Dittmar, Goldstein, & Haas, 2002) (Ewing & Cervero, Travel and the built environment: a synthesis, 2001) (Bürer, Goldstein, & Holtzclaw, 2004) (Leck, 2006) (Litman, 2010). En el caso de la vivienda, las viviendas unifamiliares típicas de los barrios suburbanos poco densos necesitan más energía para calentarse y refrigerarse que los apartamentos –con mayor presencia en los barrios densos y céntricos- debido a su mayor tamaño y al hecho de no compartir muros con otras viviendas (Ewing & Anderson, 2008) (Ewing & Rong, 2008) (Mehaffy, Cowan, & Urge-Vorsatz, 2009) (UN-Habitat, 2011). Por otro lado, las ventajas de una elevada densidad en términos de emisiones de CO2 no se limitarían al ahorro de energía utilizada de forma directa en vivienda y transporte, sino que permitiría además a) reducir la infraestructura necesaria por persona (Dong, 2006); b) facilitar la cogeneración (Allen et al, 2004); c) disminuir el consumo de suelo permitiendo que el espacio no ocupado pueda destinarse a secuestrar CO2 (Knapp, Song, Ewing, & Clifton, 2005); y d) limitar las pérdidas en las líneas eléctricas que se dan en la transmisión y distribución de energía (Brown, Southworth, & Sarzynski, 2008) (Mollay, 2010) (UN-Habitat, 2011).

El objetivo de esta sección es contrastar hasta qué punto los estudios que han examinado la relación entre forma urbano y emisiones de CO2 llegan a resultados similares a los obtenidos en aquellos trabajos, muy superiores en número, que no han utilizado como indicado de impacto ambiental las emisiones de CO2 sino otras variables como el consumo de gasolina, los kilómetros recorridos en coche o el consumo de electricidad y gas en las viviendas. Aunque son numerosos los autores que dan por sentado que los resultados deberían

2 Estos trabajos muestran que existen diferencias muy notables –menos de 3 toneladas de CO2 per cápita las

ciudades con menores emisiones y más de 30 ton de CO2 per cápita en las ciudades con mayores emisiones-. El problema es que los datos provienen de estudios sobre ciudades específicas que utilizan supuestos metodológicos diferentes. En algunos casos el dato se calculó a partir de un enfoque de producción, mientras que en otros se utiliza un enfoque de consumo; en algunos se contabilizan sólo las emisiones directas y en otros tanto las directas; en algunos, el dato se calculó con información sobre el municipio central, mientras que en otros se utiliza una escala metropolitana superior a la del municipio (Kennedy et al., 2009; Norman et al., 2006; Parshall et al., 2009). 3 Por ejemplo, la densidad puede afectar las emisiones de CO2 en el transporte, pero difícilmente el hecho de

vivir en un barrio denso o en uno poco denso tendrá incidencia alguna sobre las emisiones asociadas al consumo de bienes o alimentos.

6

apuntar en la misma dirección, lo cierto es que, para un mismo consumo de energía final, las emisiones de CO2 pueden variar significativamente dependiendo de la fuente de energía primaria utilizada, por lo que no existe ninguna garantía al respecto. A continuación se resumen los principales resultados obtenidos en aquellos trabajos que han utilizado como indicador de impacto ambiental las emisiones directas de CO2 o la huella de carbono (que incluye las emisiones indirectas).

Los artículos (Norman, MacLean, & Kennedy, 2006), (Brown, Southworth, & Sarzynski, 2008), (Muñiz & Galindo, Urban Form and the Ecological Footprint of Commuting. The case of Barcelona., 2005), (Kennedy, y otros, 2009) y (Croci, Melandri, Molteni, & Zadorozhna, 2013) han hallado una correlación de signo negativo entre densidad y emisiones de CO2 per cápita; y (Van de Weghe & Kennedy, 2007), (Andrews, 2008), (Muñiz, Calatayud, & Dobaño, 2013) y (Ma, Heppenstall, Harland, & Mitchell, 2014) muestran una correlación de signo positivo entre distancia al centro de la ciudad y emisiones de CO2 per cápita. Aunque la densidad y la distancia al centro de las ciudades han sido las dos variables de forma urbana más utilizadas, no son las únicas. Por ejemplo, (Eaton, Hammond, & Laurie, 2007), (Parshall, Hammer, & Gurney, 2009) y (Ma, Heppenstall, Harland, & Mitchell, 2014) comparan las emisiones de CO2 per cápita en función de si se trata de un asentamiento urbano, suburbano o rural. (Eaton, Hammond, & Laurie, 2007) no hallaron diferencias significativas, mientras que (Parshall, Hammer, & Gurney, 2009) y (Ma, Heppenstall, Harland, & Mitchell, 2014) obtuvieron como resultado que en los barrios suburbanos las emisiones son significativamente superiores que en los barrios céntricos o en la periferia rural. Por último, los trabajos que han estudiado el impacto de la estructura espacial (monocéntrica/policéntrica) sobre las emisiones de CO2 presentan resultados dispares. Mientras que (Glaeser & M.E., 2010) hallan evidencia favorable al monocentrismo como la estructura espacial que genera menos emisiones, (Veneri, 2010) obtienen en cambio ventajas asociadas al policentrismo.

Si bien los trabajos anteriormente citados detectan beneficios ambientales asociados a la densidad y a la centralidad, presentan en su mayoría seis debilidades que aconsejan ser cautos a la hora de valorar cuál es el impacto real de la forma urbana sobre las emisiones de CO2. En primer lugar, algunos estudios sólo muestran correlaciones simples sin controlar el efecto de otras variables socioeconómicas y geográficas que pueden afectar el nivel de emisiones, mientras que otros se limitan a comprar las emisiones estimadas en varios asentamientos (Norman, MacLean, & Kennedy, 2006), (Brown, Southworth, & Sarzynski, 2008), (Ma, Heppenstall, Harland, & Mitchell, 2014), (Andrews, 2008), (Eaton, Hammond, & Laurie, 2007). Aunque se trata de estudios interesantes que aportan novedades metodológicas relacionadas con la estimación de las emisiones de CO2, no permitiría extraer conclusiones claras sobre el impacto real de la forma urbana sobre el nivel de emisiones. En segundo lugar, pocos trabajos han controlados la endogeneidad asociada a un posible problema de doble causalidad4. Si la población escoge su lugar de residencia teniendo en cuenta el tipo de movilidad que comporta, el impacto positivo de la densidad podría deberse a un fenómeno de autoselección que debería controlarse mediante técnicas adecuadas (Cao, Mokhtarian, & Handy, 2009). En tercer lugar, pocos estudios incorporan en su análisis el impacto de la forma urbana sobre la movilidad de fin de semana y vacaciones, así como el sobre la posesión y uso de una segunda residencia. Al sumar a las emisiones de CO2 asociadas a la movilidad y al consumo de energía en la vivienda durante los días laborables, las emisiones asociadas al consumo de energía en movilidad y vivienda durante los fines de semana y el período vacacional, el efecto neto de las variables de forma urbana puede ser sensiblemente menor o podría incluso cambiar de signo5. En cuarto lugar, la relación entre forma urbana y emisiones de CO2 podría no ser lineal sino presentar una forma cuadrática negativa debido a la existencia de comportamientos compensatorios en el centro y a que

4 Tan sólo (Hoyer & Holden, 2003) y en (Muñiz, Calatayud, & Dobaño, 2013) se ha controlado si la elección

de determinado lugar de residencia está relacionada con el modelo de movilidad que lleva aparejado. 5 Por ejemplo (Hoyer & Holden, 2003)encontraron un impacto neto de la densidad de signo positivo (más

densidad, más huella de carbono per cápita) en la ciudad noruega de Oslo; (Muñiz & Galindo, 2005) hallaron evidencia de comportamientos compensatorios en un sentido débil en Barcelona.

7

en las zonas más periféricas de la ciudad los usos suburbanos se entremezclan con zonas rurales (con menor impacto) (Andrews, 2008), (Parshall, Hammer, & Gurney, 2009), (Muñiz, Calatayud, & Dobaño, 2013). En quinto lugar, los partidarios del enfoque de la ciudad autosuficiente plantean la relación entre densidad y emisiones de CO” de forma más compleja ya que tienen en cuenta los impactos globales, pero también los locales. Así por ejemplo, la densidad reduce las emisiones de CO2 per cápita, pero también la capacidad de secuestrar CO2. Además limita la explotación de fuentes de energía renovables como la energía solar o la geotérmica (Mollay, 2010). Por último, la mayor parte de la literatura empírica trata sobre ciudades europeas y estadounidenses. Existen pocos trabajos sobre ciudades en países en vías de desarrollo (Ma, Heppenstall, Harland, & Mitchell, 2014). Este olvido resulta especialmente sorprendente en el caso de las ciudades latinoamericanas, pues se trata de un continente con una tasa de urbanización que supera el 70% y que a su vez cuenta con algunas de las mayores ciudades del planeta.

3. La Zona Metropolitana del Valle de México y los Datos

El Valle de México se localiza al sur de la Cuenca de México en la meseta central de México a una altitud de 2,240 metros sobre el nivel del mar. La Zona Metropolitana del Valle de México (ZMVM) es la metrópolis más grande del país. De acuerdo con la definición oficial de 2005, la ZMVM abarcaba los 16 municipios de la Ciudad de México, y 56 municipios conurbados a ésta. La ZMVM es resultado de un proceso primero de una rápida urbanización ocurrida entre 1960 y 1980 (Ward, 1998) y complementada por la suburbanización de la población y de descentralización del empleo en los años más recientes (Guerra, 2014), (Ward, 1998). Con base en el proceso de urbanización, (Suárez-Lastra & Delgado-Campos, 2007) propusieron la clasificación en coronas de la ZMVM que se presenta en la Figura 1. Utilizando dicha clasificación, se discuten las pautas espaciales de la localización de la población, el empleo y la movilidad. Y se presenta además el cálculo de las emisiones de CO2e.

Figura 1. Localización y Clasificación en coronas de la Zona Metropolitana del Valle de México, 2007

8

3.1. Distribución espacial del empleo y la población

En la Figura 2 se muestran las distribuciones de la población en 2005 (panel A) y del empleo en 2004 (panel B) a nivel census tract. En el panel B se evidencia la presencia de centros de empleo más allá del centro histórico de por sí extenso (prácticamente abarca el centro y la mitad de la primera corona). De otro lado, se evidencia, la importante concentración del empleo a pesar de la descentralización ocurrida en los últimos años: en 20% del área (CBD y primera corona) concentra más de la mitad del empleo (52%) y la densidad de empleo en el centro es poco menos de cinco veces la media de toda el área. En la literatura se ha reconocido el paso de una estructura urbana monocéntrica a una, cuando menos, incipientemente de carácter policéntrico. Otros autores, han destacado el hecho de que algunos ejes viales se configuran como verdaderos corredores de empleo y que configurarían un estructura radial. La Figura 2 también revela esta pauta de localización.

Tabla 1. Distribución de la población y el empleo por coronas

CORONAS Población (2005)1/

Empleo (2004)2/

Población (2007)3/

Empleo (2007)3/

Área Densidad de Población 3/

Densidad de Empleo3/

Job-Ratio3/

CBD 9% 34% 9% 24% 5% 121.66 135.16 1.11

1a. Corona 28% 27% 27% 28% 14% 137.35 57.78 0.42

2a. Corona 30% 23% 29% 24% 18% 111.01 36.85 0.33

3a. Corona 28% 13% 29% 19% 26% 75.93 20.72 0.27

4a. Corona 5% 3% 6% 5% 36% 36.30 10.79 0.30

Total 100% 100% 100% 100% 100% 92.31 37.42 0.41 1/ Cálculos con base en el Conteo de Población y Vivienda de 2005 (nivel espacial de representación: ageb). 2/ Cálculos con base en el Censo Económico de 2004 (nivel espacial de representación: ageb; no cuenta el empleo del sector público, ni el del transporte). 3/ Cálculos con base en la EOD de 2007 (nivel espacial de representación: ageb; el empleo se estimo con base en el reporte del destino de los viajes de trabajo).

La población por su parte presenta una distribución más homogénea6 de un lado porque es en la primera corona De acuerdo con Connolly (2003) a lo largo de los años, la densidad de población se ha mantenido constante en los hasta 500 años de existencia de este centro urbano (alrededor de 120 habitantes por hectárea). El crecimiento de la mancha urbana más allá de los límites administrativos de la Ciudad de México se vio espoleado por la prohibición de desarrollar nuevos asentamientos urbanos en 1940. En 1970, 11 municipalidades del vecino Estado de México, al Norte de la Ciudad de México, estaban al menos parcialmente, si no es que completamente, incorporados a la Ciudad de México. En el panel A de la Figura 2 se muestra cómo hay áreas con densidades parecidas a las del CBD hasta la tercera corona. El mapa de densidades de población está muy relacionado con la geografía física del área en la que planea constantemente el riesgo de inundaciones y sismos por el origen lacustre de los suelos.

Tanto la estructura como la forma urbanas constituyen una estilización de la distribución espacial de la población y el empleo. A través de ellas se intenta capturar la accesibilidad de las distintas localizaciones del área al empleo que, de acuerdo con los modelos teóricos determina la pauta de movilidad (distribución entre los modos de transporte y distancias de recorrido).

6 (Connolly, 2009) sostiene que la densidad de población se ha mantenido constante durante los últimos 500 años, en una media de alrededor de 120 habitantes por hectárea.

9

Figura 2. Distribución de la Población (Conteo de Población, 2005) y del Empleo (Censo Económico, 2004) a nivel ageb.

Las variables de forma urbana empleadas en el ejercicio empírico son:

i. Densidad de población a nivel census tract: se calculó el número de habitantes por hectárea a

nivel census tract usando los datos del Conteo de Población de 2005 (INEGI, 2005).

ii. Job-Ratio a nivel distrito: dado que el Censo Económico subestima el nivel de empleo

localizado en cada census tract al no considerar el empleo de la administración pública, ni el del

sector de transporte, no pudimos construir un Job-Ratio a nivel census tract fiable. En cambio,

con base en la EOD 2007 identificamos la cantidad de empleo localizado en cada distrito

considerando el lugar de destino de los viajes de commuting reportados y luego un Job-Ratio

fiable. La variable Job-Ratio captura en cierta medida la diversidad de usos del suelo en un área

determinada.

iii. Potencial de empleo a nivel census tract: con base en el censo económico calculamos el

potencial de empleo estándar ( donde es el empleo localizado en la zona i y

la distancia entre el área i y el área j). De esta forma el Potencial de empleo es una buena

medida de la proximidad entre la población y el empleo, por tanto, de la accesibilidad.

10

Figura 3. Estructura Urbana: centros de empleo identificados con base en los datos de empleo a nivel AGEB de Censo Económico, 2004 y ejes viales de la ZMVM

La estructura urbana de una ciudad se refiere al conjunto de centros de empleo que pautan el uso del suelo a través el tradeoff que aparece entre el precio del suelo y el costo del transporte a dichos espacios. Aplicando el método de dos umbrales7: (1) áreas con una densidad de empleo mayor que la media y (2) áreas contiguas que satisfacen el primer umbral y que concentran más del 1% del empleo total (Muñiz y García-López, 2008), identificamos los centros de empleo existente en 2004. Los resultados de la identificación fueron siete subcentros de empleo, todos ellos localizados entre la primera y segunda corona. Los resultados se presentan en la Figura 3 . Con base en esta estructura, las variables asociadas son las distancias a los elementos que la conforman, a saber:

iv. La distancia al centro histórico de la ciudad

v. La distancia a los subcentro de empleo

vi. Distancia a la red de ejes viales

3.2. Pauta de Movilidad de la ZMVM: contención, uso de automóvil y distancias recorridas

En el año 2007 en un día laborable se realizaban más de 21 millones de desplazamientos. A pesar de este ingente volumen, la movilidad per cápita es reducida si se compara con los valores obtenido en ciudades de EEUU y de Europa: apenas 1.1 desplazamientos por habitante; y a nivel metropolitano, sólo 47% de la población lleva a cabo un desplazamiento mediante transporte motorizado.8

7

8 (Bertaud, Lefevre, & Yuen, 2009) reporta para el Área Metropolitana de New York un porcentaje del 64%.

11

Las emisiones de CO2 asociadas a la movilidad durante los días laborable dependen de tres factores: en primer lugar, del hecho de vivir y trabajar en lugares distantes dado lugar a desplazamientos exteriores; en segundo lugar, del modos de transporte utilizado; y en tercer lugar, de la distancia recorrido. En la ZMVM los individuos tienen una menor probabilidad de llevar a cabo desplazamientos exteriores a medida que aumenta la distancia al centro de la ciudad. Por otro lado, el uso del coche desciendo al aumentar la distancia al centro y las distancias recorridas tienden a ser más largas (Tabla 2)

Tabla 2. Distribución de la población, de los trabajadores y los viajeros en la ZMVM

Población Trabajadores Viajeros

Viajeros Movilidad Obligada Movilidad Cotidiana

CBD 1,686,153 797,840 875,099 653,116 279,378

8.80% 10.20% 9.71% 9.66% 11.32%

1a. Corona 5,208,686 2,191,433 2,619,383 1,968,510 722,521 27.10% 28.10% 29.06% 29.11% 29.28%

2a. Corona 5,611,280 2,245,257 2,627,906 1,989,561 694,531 29.20% 28.80% 29.15% 29.42% 28.14%

3a. Corona 5,495,210 2,110,496 2,387,210 1,793,901 627,312 28.60% 27.10% 26.48% 26.52% 25.42%

4a. Corona 1,215,649 442,398 505,236 357,989 144,298

6.30% 5.70% 5.60% 5.29% 5.85%

Total 19,216,978 7,787,424 9,014,834 6,763,077 2,468,040

100% 100% 100% 100% 100%

El aspecto más distintivo de la pauta de movilidad en la ZMVM en cuanto a modos de transporte es la importancia de los modos e transporte público de baja y media capacidad. Alrededor del 50% de las jornadas requieren en algún momento el uso del minibús (Tabla 3). Los medios de gran capacidad, el metro y los autobuses, sólo se utilizan en el 7.5% de los desplazamientos. Por lo que toca al uso del automóvil, 28% de los traslados se realizan por este medio. Atendiendo a la pauta espacial: el uso del coche disminuye a medida que aumenta la distancia al CBD, mientras que el uso de minibuses aumenta considerablemente en las zonas más periféricas. La red del metro abarca apenas el CBD, la primera corona y muy marginalmente la segunda corona; de ahí que su participación pase de 12% en el CBD a 1.84% en la tercera corona. De acuerdo con la literatura, los pesos de los distintos modos de transporte son resultado de, por un lado, los procesos de descentralización de la actividad económica y de suburbanización de la población (estos procesos habrían modificado la demanda que reclamaba conexiones entre nuevos y más distantes puntos de la ciudad) y por otro, el del incremento del uso de los buses de baja capacidad: los cambios del lado de la oferta fueron espoleados por la caída de la inversión en infraestructura del transporte público de alta capacidad como el metro y los autobuses y por la privatización de las empresas de transporte suburbano y la apertura de este sector a la libre competencia en un marco regulatorio muy pobre (Guerra, 2014), (Romero-Lankao, 2007). En la medida en que los minibuses tienen mayor flexibilidad para responder a la demanda en condiciones de baja inversión en infraestructura y localizaciones más distantes, eso explicaría su peso en la distribución modal de la movilidad. Hay algunas diferencias en la distribución modal según el motivo de la movilidad. El uso del automóvil es más común en el caso de la movilidad cotidiana (más de 40% del total si añadimos los viajes realizados en taxi que dobla su participación en comparación con la de la movilidad obligada). Mientras que los desplazamientos que implican la combinación de medios de transporte es más común en la movilidad obligada, prácticamente el doble.

12

Tabla 3. Distribución del modo de transporte según motivo de la movilidad y corona (%)

Toda la Movilidad Movilidad Obligada

Movilidad Cotidiana Toda el área

Coronas

CBD 1a 2a 3a 4a

Automóvil 28.45 35.73 28.63 28.88 25.94 23.00 27.12 37.67

Autobús 4.35 3.15 3.52 3.37 6.54 5.86 4.39 3.72

Metro 3.17 12.78 3.71 1.84 0.00 0.00 3.17 3.44

Minibús 32.97 18.71 32.36 34.9 35.92 39.67 32.4 31.01

Taxi 6.08 9.27 6.64 5.97 4.78 3.72 4.73 8.43

Motocicleta 2.38 0.98 1.38 1.79 2.6 12.15 2.39 2.40

Metro and Autobús 2.97 2.1 1.9 2.36 5.17 3.52 3.27 1.78

Autobús y Minibús 4.17 1.52 3.54 3.66 6.18 5.81 4.95 2.48

Metro and Minibús 11.77 10.82 14.78 13.54 8.8 2.62 13.27 6.80

Taxi y otro 1.45 1.01 1.15 1.75 1.59 1.75 1.51 1.21

Otro 2.24 3.94 2.39 1.95 1.76 1.91 2.79 1.06

Finalmente, la pauta espacial de la distancia promedio de los viajes se muestra en la Tabla 4. La distancia promedio de los viajes realizados crece a medida que nos alejamos del centro hasta la tercera corona. Las de la cuarta, son similares a las de la segunda corona. La distancia de la movilidad cotidiana es menor que la de la movilidad obligada que indicaría que la disponibilidad de servicios en el área inmediata del lugar de residencia de los individuos es determinante afecta el volumen de estas emisiones, pues se procura satisfacer las necesidades, en el espacio más próximo al lugar de residencia.

En la Figura 4 se muestra la distribución de las distancias recorridas según modo de transporte. El primer resultado destacable es que la población que se mueve por medio del automóvil hace en promedio distancias más cortas, mientras que las distancias de los desplazamientos que se hacen en autobuses de baja capacidad (minibuses) presentan distancias promedio mayores que las de cualquier otro medio. Aunque la distancia recorrida de los desplazamientos que requieren la combinación de diversos modos es la mayor. A modo de síntesis, podemos decir que la población residente de las coronas más céntricas, aquéllas con más accesibilidad al empleo, tienen mayor probabilidad de hacer desplazamientos exteriores, utilizan más el coche que en las zonas periférica; pero, al mismo tiempo, la distancia recorrida es menor. Esta combinación hace impredecible el impacto de la distancia al centro sobre las emisiones de CO2 en términos per cápita.

Tabla 4. Distancia Promedio de los viajes según motivo y corona en kilómetros

Toda la Movilidad Movilidad Obligada Movilidad Cotidiana

CBD 5.44 5.96 4.12

1a. Corona 6.92 7.60 5.20

2a. Corona 8.43 9.24 6.21

3a. Corona 10.96 11.94 7.76

4a. Corona 10.49 11.29 8.08

Total 8.43 9.22 6.07

13

Figura 4. Distancia Recorrida por modo de transporte según la EOD, 2007.

3.3. Cálculo de las emisiones de CO2 equivalentes

El CO2 equivalente es una unidad de medida que permite agregar las emisiones de los GEI. En este ejercicio se cuentan las emisiones directas, dejando fuera las emisiones asociadas a la fabricación de los vehículos y a la construcción de la infraestructura de transporte. En la base de datos de la EOD 2007 se reporta la distancia recorrida y el modo de transporte empleado, lo cual permite distinguir las emisiones individuales de los viajes de movilidad obligada y los de la movilidad cotidiana. La ecuación usada para el cálculo anual de las emisiones equivalentes de CO2 hechas por el viajero i es:

Donde, son las emisiones equivalentes de CO2 de los viajes hechos por el individuo ; es el factor de equivalencia de emisiones de CO2 del modo de transporte z por pasajero y kilómetro (gramos de C02/km-pasajero); es la distancia ruta del viaje ; 260 son los días laborables del año.

El factor de equivalencia de emisiones de CO2 ( ) depende de la eficiencia energética de los vehículos, del peso de las distintas fuentes energéticas y de la intensidad del uso de los vehículos. Los factores de equivalencia hacen diversos supuestos sobre elementos citados, lo que arroja variaciones entre estos. A fin de valorar la consistencia de los cálculos de emisiones de CO2 equivalentes, consideramos los factores de conversión calculados por tres distintos autores, cada uno con distintos supuestos sobre la eficiencia y fuentes energéticas de los distintos modos de transporte o el número de usuarios promedio de estos. Estos factores se presentan en la Tabla 5. Los factores de Stockenberga (2011) se basaron en los valores de la EOD 2007 de la ZMVM y una eficiencia energética de la gasolina de 6.7 km/l para automotores ligeros. Los factores de (Muñiz & Galindo, 2005) están hechos con base en los estándares para España hechos por Estevan y Sanz (1996). En (Bertaud, Lefevre, & Yuen, 2009) se considera los parámetros de eficiencia del sistema de

14

transporte de Londres (los factores de Bertaud tienen a su vez, como base los de (McKinsey and Company, 2008)).

Tabla 5. Factores de equivalencia de las emisiones de CO2 por modo de transporte (g CO2/pasajero-km)

gCO2/pasajero-km Stockenberga

(2011) Muñiz y Galindo

(2003) Bertaud et al

(2009)

Automóvil 162 135 230

Autobús 27 32 33

Metro 20 32 103

Minibús 58 57 36

Taxi 180 135 230

Motocicleta 68 67 108

Metro and Autobús 24 32 68

Autobús y Minibús 43 45 35

Metro and Minibús 39 45 70

Taxi y otro 108 88 144

En general, los factores de conversión castigan el uso del automóvil en beneficio de los otros modos. No hay grandes diferencias entre los factores de Stockenberga (2011) y los de (Muñiz & Galindo, 2005). En estos se premia especialmente el uso del autobús, incluso por encima del uso del metro como modo de transporte. Los factores de conversión de (Bertaud, Lefevre, & Yuen, 2009) son los más discordantes entre los citados. De un lado castiga el uso del automóvil como los factores de Stockenberga (2011) y (Muñiz & Galindo, 2005), pero a diferencia de estos, castiga también el uso de los minibuses.

De acuerdo con los datos de la Secretaría de Medio Ambiente (SMA), el transporte participa con una tercera parte de las emisiones de gases con efecto invernadero.9 En (Romero-Lankao, López-Villafranco, Rosas-Huerta, Correa-Armenta, & Günther, 2005) se sostiene que esta participación ha ido disminuyendo, pero que es difícil establecer una tendencia debido a la falta de estadísticas oficiales y a que las existentes contienen diversos criterios que dificultan la comparación entre ellas. (Romero-Lankao, López-Villafranco, Rosas-Huerta, Correa-Armenta, & Günther, 2005), con base en los datos de la SMA en 2004, estima que el volumen de emisiones de la movilidad de las personas es del orden de 13 millones de toneladas de CO2e, esto es dos terceras partes de las emisiones del transporte. Nuestras estimaciones se quedan muy por debajo de esta cantidad (véase Tabla 6).

9 En (McKinsey and Company, 2008) se apunta que en Londres este procentaje es del 25% y (Bertaud,

Lefevre, & Yuen, 2009) reporta que para Estados Unidos la proporción es similar, mientras que para Roma es de hasta 38%).

15

Tabla 6. Volumen de emisiones de CO2 equivalente por corona y factores de conversión empleados (miles de toneladas)

Toda la Movilidad1/ Movilidad Obligada Movilidad Cotidiana

Stockenberga MYG Bertaud Stockenberga MYG Bertaud Stockenberga MYG Bertaud

CBD 287 256 421 220 196 322 87 76 128

8.7% 8.2% 7.6% 8.8% 8.3% 7.6% 9.7% 9.3% 8.8%

1a. Corona 838 783 1,390 645 606 1,078 229 207 366

25.4% 25.1% 25.0% 25.9% 25.5% 25.5% 25.5% 25.4% 25.2%

2a. Corona 975 918 1,649 740 703 1,267 262 237 423

29.5% 29.4% 29.7% 29.7% 29.6% 30.0% 29.1% 29.0% 29.2%

3a. Corona 1,010 976 1,742 756 738 1,314 263 243 435

30.6% 31.3% 31.4% 30.3% 31.1% 31.1% 29.2% 29.8% 30.0%

4a. Corona 194 190 351 132 131 244 57 54 98

5.9% 6.1% 6.3% 5.3% 5.5% 5.8% 6.4% 6.6% 6.8%

Total 3,303 3,122 5,553 2,493 2,375 4,226 898 818 1,450

100% 100% 100% 100% 100% 100% 100% 100% 100%

Estimaciones propias con base en la EOD 2007 y los factores de conversión de Stockenberga (20011); Muñiz y Galindo (2003) y Bertaud (2011) respectivamente. 1/ La suma puede no coincidir debido a que se asoció a cada viaje por motivos de trabajo o estudio (movilidad cotidiana) uno de vuelta a casa, al mismo tiempo que a cada traslado por otros motivos se le asoció otro de vuelta y esto no es así para todos los casos.

El volumen calculado de emisiones de CO2e de la movilidad es del orden de entre 3.1 y 5.5 millones de toneladas. En la Tabla 6 se muestra la distribución de las emisiones según el origen espacial del viajero. A pesar de las diferencias entre los factores de conversión ya mencionadas, la pauta espacial de las emisiones de CO2e no varía significativamente: la proporción de las emisiones de la movilidad obligada en el CBD y la primera corona es menor a la proporción de trabajadores concentrados en esas dos áreas, y viceversa , las emisiones de CO2e asociadas a la movilidad cotidiana es mayor que la proporción de población ahí concentrada. El cálculo sugeriría que la movilidad con origen en las dos primeras áreas concéntricas tienen un menor costo ambiental que la del resto de las áreas. Afirmación que se confirma una vez que consideramos la distribución de la población que de hecho hace desplazamientos por un medio motorizado. Como habíamos mencionado antes, los commuters están ligeramente más concentrados en las primeras coronas. Es decir, en estas áreas el costo ambiental de la movilidad per cápita es menor, a pesar de que el nivel de movilidad per cápita es mayor que en el resto. En cambio, en las coronas periféricas, a pesar de una menor movilidad así como menor uso del automóvil, el costo per capita de la movilidad es mayor. Un resultado muy similar se obtiene en (Romero-Lankao, López-Villafranco, Rosas-Huerta, Correa-Armenta, & Günther, 2005) achacando este resultado está asociado a la falta de mantenimiento y a la edad de la flota vehicular que presta servicio en las áreas más periféricas.

En la Tabla 7 se muestra la distribución de las emisiones atendiendo al modo de transporte. En nuestras estimaciones, independientemente del factor de equivalencia empleado, el automóvil es el modo con mayor participación de las emisiones de CO2e con una participación que oscilaría entre el 49% y el 59%, según el factor empleado. Los cálculos del volumen de emisiones de CO2e en algunas ciudades del mundo desarrollado hablan de un rango de entre 1,250 kg de CO2e por persona al año, el caso de Estocolmo, hasta 2,150 kg de CO2e, el caso de Roma.

16

Tabla 7. Emisiones de CO2e por modo de transporte según modo de transporte (miles de toneladas

gCO2/pasajero-km Stockenberga (2007) Muñiz y Galindo (2003) Bertaud (2011) Miles de Toneladas de CO2e %

Miles de Toneladas de CO2e %

Miles de Toneladas de CO2e %

Automóvil 1,950.0 59.05% 1,630.0 52.13% 2,770.0 49.86%

Autobús 57.6 1.74% 68.2 2.18% 70.4 1.27%

Metro 217.0 6.57% 347.0 11.10% 1,120.0 20.16%

Minibús 81.8 2.48% 80.4 2.57% 50.8 0.91%

Taxi 227.0 6.87% 170.0 5.44% 290.0 5.22%

Motocicleta 32.0 0.97% 31.5 1.01% 50.7 0.91%

Metro and Autobús 74.1 2.24% 101.0 3.23% 214.0 3.85%

Autobús y Minibús 150.0 4.54% 156.0 4.99% 120.0 2.16%

Metro and Minibús 401.0 12.14% 452.0 14.46% 720.0 12.96%

Taxi y otro 112.0 3.39% 90.4 2.89% 150.0 2.70%

TOTAL 3,302.5 100% 3,126.5 100% 5,555.9 100%

El cálculo que hicimos es de 162-189 kg de CO2e por persona al año, una décima parte del promedio, según el factor de conversión empleado (véase la Tabla 8). Al considerar únicamente a la población que efectivamente hace un traslado mediante un transporte motorizado, el monto per cápita sólo se dobla: 346-616 kg por persona al año (véase la Tabla 8). Esto indicaría que las emisiones por viajero serían aproximadamente la mitad de las que se dan en Estocolmo.

Figura 5. Emisiones per cápita promedio según tipo de movilidad (kg de CO2e)

Sobre la pauta espacial de las emisiones per cápita, en la Figura 5 mostramos que es las coronas más periféricas presentan mayores emisiones per cápita a pesar de que el número de trayectos per cápita es menor. Esta pauta está relacionada con las distancias recorridas y la pobre oferta de modos de transporte de gran capacidad en este espacio.

17

Tabla 8. Emisiones per cápita por corona y motivo de la movilidad en la ZMVM, según factores de conversión (kilogramos)

Toda la movilidad Stockenberga Muñiz y Galindo Bertaud Stockenberga Muñiz y Galindo Bertaud

Toda la Población Sólo Viajeros CBD 170 151 249 328 292 481 1a. Corona 161 150 266 320 299 530 2a. Corona 180 169 305 384 360 649 3a. Corona 188 184 332 409 404 723 4a. Corona 173 167 298 461 444 792 ZMVM 172 162 189 366 346 616

Movilidad Obligada Toda la Población Sólo Viajeros

CBD 130 116 191 336 300 493 1a. Corona 124 116 207 328 308 547 2a. Corona 136 129 234 384 363 656 3a. Corona 138 137 246 406 406 723 4a. Corona 110 107 192 451 442 790 ZMVM 130 124 220 369 351 625

Movilidad Cotidiana Toda la Población Sólo Viajeros

CBD 52 45 75 313 273 456 1a. Corona 43 40 70 317 287 506 2a. Corona 49 44 78 386 350 623 3a. Corona 44 41 75 411 389 703 4a. Corona 57 52 93 439 401 719 ZMVM 47 43 75 363 331 587

4. Estrategia Empírica

El objetivo del ejercicio es identificar el efecto que tanto la estructura urbana como la forma urbana tienen sobre las emisiones individuales de Gases con Efecto Invernadero (GEI). Para agregar estos GEI, usamos la medida de volumen de CO2e. La estrategia empírica se basa en el análisis de regresión de los datos de las emisiones per cápita y las variables de forma y estructura urbanas. En (Muñiz & Galindo, 2005) se discute de un lado qué información capturan unas u otras de estas variables, así como la idoneidad de las combinaciones a fin de capturar mejor la accesibilidad al empleo. El ejercicio empírico está organizado en dos apartado. En la primera, planteamos el ejercicio utilizando los datos agregados a nivel distrito. En la segunda, empleamos la información a nivel individual pues son los individuos, no los territorios, lo que se desplazan.

Para la identificación del efecto de las variables de la forma y estructura urbanas sobre las emisiones de CO2e los retos más importantes son, primero, disminuir el sesgo asociado a la simultaneidad entre la determinación de la forma o estructura urbanas y la pauta de emisiones de CO2e (o movilidad), problema que es más común en los datos agregados; y segundo, disminuir el sesgo asociado a la autoselección de la población pues los que prefieren el transporte público como modo de transporte tienden a vivir en áreas más densas, con usos de suelo más diversos y susceptibles de caminarse (Cervero, 2007; Chatman, 2009; Mokhtarian and Cao, 2008), éste problema es más propio de los datos desagregados a nivel individual.

Por lo que toca a la estimación con datos agregados, tratamos el problema de la determinación simultánea de nuestras variables de interés mediante un estimador de variables instrumentales. En el caso de los datos individuales, usamos un estimador de Mínimos Cuadrados en Dos Etapas (MC2E) asumiendo que entre la población, aquella que no se desplaza por medios motorizados, manifiesta sus preferencias localizándose en un área que le permita realizar sus actividades sin recurrir al transporte individual motorizado.

18

5. Resultados

Tanto los resultados del análisis empírico de la relación entre la forma o la estructura urbanas y las emisiones individuales de CO2e, así como su discusión, se presentan en esta sección. La discusión está organizada en tres partes. En el inciso 5.1. se analiza la relación entre las variables de forma o estructura urbanas y la pauta agregada de las emisiones per cápita de CO2e a nivel distrito. En el inciso 5.2. se identifica el efecto de las forma urbana sobre las emisiones individuales de CO2e de la movilidad. Finalmente en el inciso 5.3 se identifica el efecto de la estructura urbana de la ZMVM sobre las emisiones individuales de CO2e de la movilidad. En estos últimos dos incisos se toman por un lado las emisiones de CO2e individuales, y por otro, consideramos la idea de que la unidad de decisión relevante sea el hogar más que el individuo, entonces, la variable dependiente son las emisiones de CO2e por hogar en términos per cápita (CO2eh).

Antes de analizar los resultados para las emisiones de CO2e, echamos cuenta de las correlaciones entre las decisiones de hacer desplazamientos externos, usar el automóvil y las distancias recorridas y las variables de forma urbana (densidad de población a nivel vecindario y municipal, el job-ratio y el potencial de empleo). La correlación entre las variables de forma urbana y las distancias recorridas tienen el signo esperado. Esto no ocurre con la probabilidad de usar (por tanto, tener) el automóvil: mayores densidades de población implican menos probabilidad de usar el automóvil, como supone el modelo teórico; en cambio, las áreas con mayor Job-Ratio o mayor potencial de empleo tienen asociadas mayores probabilidades de usar el automóvil. Sobre la probabilidad de efectivamente hacer desplazamientos externos, las variables de densidad de población y Job-Ratio no parecen tener ninguna asociación y sólo el potencial de empleo está correlacionado con esa probabilidad.

Sobre los elementos de la estructura urbana, las distancias al CBD tiene la correlación esperada con la distancia recorrida: las localizaciones más periféricas hacen recorridos más largos. En cambio, la probabilidad de emplear un coche privado como medio de transporte no tiene la correlación esperada, pues son las localizaciones más próximas al CBD las que presentan las probabilidades más altas en este sentido. Los subcentros tienen un comportamiento muy similar: los residentes localizados más cerca de estos, hacen en promedio distancias más cortas; no obstante, la probabilidad de usar un coche privado como medio de transporte no está correlacionada con la proximidad a un subcentro. Finalmente, tanto el CBD como los subcentros están correlacionados negativamente con la probabilidad de ser un commuter.

5.1. Pauta agregada de emisiones de CO2e y Forma o Estructura Urbanas en la ZMVM

Para identificar el efecto de la forma urbana sobre la pauta agregada de las emisiones de GEI en términos per cápita hicimos un análisis de regresión en el que la unidad de observación es el distrito (unidad espacial de la Encuesta Origen Destino 2007) y la variable dependiente es el volumen de GEI per cápita en cada una de estas áreas. Para tratar el sesgo asociado a la simultaneidad de la determinación de la forma urbana y la pauta de emisiones, empleamos un estimador de variables instrumentales y controlamos la heterogeneidad con una serie de variables de control referentes al perfil social y profesional de la población, así como a la geografía física del distrito. En la Tabla 9 se reportan los resultados de tres especificaciones con distintas combinaciones de las variables de forma urbana siguiendo la recomendación de Muñiz y Galindo (2003) de evitar combinaciones en las que se capture el mismo fenómeno más de una vez. En el panel A. se reportan las estimaciones hechas con la especificación , en el panel B la especificación empleada es y en el panel C. empleamos la especificación

. En la Tabla 10 se reporta el efecto de las variables de estructura urbana.

19

Tabla 9. Efecto estimado de la forma urbana sobre la pauta agregada de las emisiones per cápita de CO2e en la ZMVM

A. VD: CO2ei


MCO MCO MC2E MCO MCO MC2E MCO MCO MC2E

Den. de Población -0.285*** 0.023 -0.619 -0.156*** 0.065 -0.185 -0.110*** -0.032 -0.420**

(0.065) (0.072) (0.396) (0.049) (0.052) (0.239) (0.025) (0.033) (0.198)

Job-Ratio -1.497 -12.529* -65.702** -0.954 -8.940* -42.309** 4.864 -5.121 -29.305** (6.459) (6.561) (28.621) (5.200) (4.564) (20.123) (3.661) (3.409) (13.076)

R2-ajustada 0.0901 0.6868 0.0465 0.6663 0.1178 0.5715 Observaciones 155 155 155 155 155 155 155 155 155 Var. de Control N Y Y N Y Y N Y Y Var. Inst. Y Y Y LM stat (u id) 9.7961 9.7961 9.7961 F stat KP 5.8136 5.8136 5.8136


Den. Total (empleo más población)

-0.235*** -0.016 -0.575* -0.132*** 0.018 -0.182 -0.079*** -0.028 -0.383** (0.054) (0.054) (0.327) (0.041) (0.041) (0.203) (0.022) (0.027) (0.166)

Job-Ratio 11.904 -12.227** -43.834 6.510 -10.564*** -35.917* 9.603** -3.521 -14.349 (8.101) (5.563) (26.718) (6.128) (4.041) (18.821) (4.298) (2.893) (12.867)



Potencial de Empleo 2004

-0.082** -0.347*** -0.515*** -0.052* -0.253*** -0.278* 0.004 -0.116*** -0.252** (0.037) (0.046) (0.200) (0.027) (0.034) (0.152) (0.015) (0.027) (0.102)

R2-ajustada 0.0270 0.7647 0.0197 0.7447 -0.0059 0.6142 Observaciones 155 155 155 155 155 155 155 155 155 Var. de Control N Y Y N Y Y N Y Y Var. Inst. Y Y Y LM stat (u id) 10.4012 10.4012 10.4012 F stat KP 11.6095 11.6095 11.6095

* p<0.1; ** p<0.05; *** p<0.01

20

Tabla 10. Efecto estimado de la Estructura Urbana sobre la pauta agregada de las emisiones per cápita de CO2e en la ZMVM



CBD 2.996*** 2.091** 7.182*** 1.843*** 0.918 5.120** 0.928** 1.341*** 2.376*** (0.870) (0.869) (2.517) (0.618) (0.635) (2.091) (0.360) (0.351) (0.906)

Subcentros -2.289** -1.450 -9.835*** -1.559** -0.653 -7.426** -0.676 -0.963*** -2.876** (0.991) (0.904) (3.570) (0.695) (0.654) (2.941) (0.425) (0.357) (1.339)

Ejes Viales -3.393 1.986 3.889 -2.377 1.697 2.367 -1.989** -0.153 1.505 (2.677) (2.072) (6.173) (1.908) (1.479) (4.757) (0.994) (0.812) (2.219)


* p<0.1; ** p<0.05; *** p<0.01

Las variables instrumentales empleadas para el caso de la densidad de población y el Job-Ratio a nivel distrito fueron: uno, la interacción de una variable dummy de existencia de una estación de ferrocarril en 1900 en el distrito y el volumen la población en 1900 ahí mismo; dos, la distancia del distrito a los asentamientos de población precolombinos. Estas variables están correlacionadas con la pauta de emisiones observada en 2007, y consideramos que satisfacen la condición de exclusión porque la vía única de transmisión posible del efecto es la correlación que pueda haber entre estas variables y la forma urbana observada en 2007. Sin embrago, éstos instrumentos son estadísticamente débiles, por lo que el resultado obtenido estaría posiblemente sesgado. Habiendo hecho esta aclaración de la cautela con que nos tomamos los resultados, hay que decir que el signo del parámetro estimado apunta a que los entornos más densos y diversos implican emisiones per cápita menores. Sorprenden las diferencias entre las emisiones de la movilidad obligada y la movilidad cotidiana, pues parece que la forma urbana tiene un efecto más significativo sobre estas últimas, particularmente la densidad de población. Como instrumento del Potencial de Empleo, empleamos la distancia mínima que hay entre el distrito i y la localización de los asentamientos precolombinos en el área. A diferencia del caso anterior este instrumento parece estar lo suficientemente correlacionado con muestra variable endógena como para arrojar estimaciones insesgadas. Los resultados apuntan a que los entornos más próximos al empleo implican menos emisiones de GEI per cápita tanto para la movilidad obligada como para la cotidiana.

21

Los instrumentos de las variables de estructura urbana: a saber distancia al CBD y distancia al subcentro más cercano son: las distancia de cada distrito a red de caminos existente en 1810 y la distancia mínima a un asentamiento precolombino del área. Como en un caso anterior, nuestras variables instrumentales resultan más bien débiles, por lo que estos resultados nos los tomamos cautos. El CBD tiene el efecto esperado: las localizaciones más periféricas presentan emisiones per cápita mayores, que las céntricas. No obstante, las localizaciones próximas a un subcentro tienen en promedio emisiones de GEI mayores que las localizaciones más alejadas. Aunque los ejes viales no parecen tener un efecto estadísticamente significativo hay que comentar que las localizaciones con peor accesibilidad a la red vial comportarían mayores emisiones de GEI per cápita, un resultado esperable.

5.2. Forma Urbana (Densidad de Población, Job Ratio y Potencial de Empleo) y Emisiones de

CO2e individuales (CO2ei).

La densidad de población captura la intensidad del uso del suelo, mientras que el Job-Ratio considera la variedad de usos de este mismo suelo. Dado que las áreas con variedad de usos de suelo (mayor job ratio) mejoran la accesibilidad al empleo, esperamos que esta mejora se traduzca en menores distancias recorridas y menor uso del automóvil en relación con el transporte público. Por tanto, el efecto que esperamos de la densidad de población, el Job-Ratio y el Potencial de empleo sobre las emisiones de CO2e es negativo. En la Tabla 11 se presentan los parámetros de las distintas variables de forma urbana estimados por MCO según el motivo de la movilidad.

Tabla 11.Forma urbana sobre las emisiones individuales de CO2e de toda la población

A. ECO2ei

Muestra Completa

Toda la movilidad

Commuting

Movilidad Cotidiana

(1) (2)

(3) (4)

(5) (6)

Densidad de Población (ageb) -0.200*** -0.146***

-0.123*** -0.082***

-0.083*** -0.067***

(0.008) (0.008)

(0.008) (0.007)

(0.005) (0.005)

Job-Ratio (mun.) -0.101*** -0.565***

-0.086*** -0.450***

0.079*** -0.072***

(0.030) (0.035)

(0.029) (0.034)

(0.018) (0.021)

Adj. R-squared 0.0038 0.1572

0.0016 0.1602

0.0019 0.0277

Var. de Control N Y

N Y

N Y

Observaciones 175,574 175,574

175,574 175,574

175,574 175,574

B. ECO2ei Toda la movilidad

Commuting

Mov. Cotidiana

(1) (2)

(3) (4)

(5) (6)

Potencial de empleo -0.056*** -0.196***

-0.036*** -0.146***

0.003 -0.030***

(0.006) (0.008)

(0.005) (0.007)

(0.003) (0.005)

Adj. R-squared 0.0006 0.1575

0.0003 0.1599

0.0000 0.0263

Var. de Control N Y

N Y

N Y


175,574 175,574

175,574 175,574

Las estimaciones reportadas en la Tabla 11 estarían arrojando parámetros sesgados de nuestras variables de forma urbana debido a dos potenciales problemas: la omisión de variables relevantes y la auto-selección muestral de la población. Por un lado, la ausencia de variables que capturen las preferencias individuales sobre los modos de transporte daría pie a la presencia de sesgo pues estas preferencias podrían afectar las decisiones de localización en barrios más o menos densos, con más o menos job-ratio y accesibilidad al empleo. Para evitar el sesgo asociado a esta omisión, trabajamos con la submuestra formada por las mujeres casadas no jefas del hogar y por los jóvenes (menores de 25 años) no jefes de hogar a los que suponemos con poca capacidad para influir en las decisiones del lugar de residencia del hogar. En esta medida, para este subconjunto de la población, la forma urbana sería exógena. La proporción de la submuestra en relación con la población completa es de 18%. Los parámetros estimados empleando este subconjunto de la población se reportan en la Tabla 12.

Se valora entonces la hipótesis de autoselección muestral considerando de un lado a la población completa y a la submuestra de población antes definida. Esta hipótesis implica que observamos el

22

volumen de las emisiones de CO2e sólo en el caso de que el individuo efectivamente use un medio de transporte motorizado. Los parámetros estimados mediante el estimador de Miínimos Cuadrados en Dos Etapas (MC2E) se reportan en la Tabla 13, la significancia estadística del parámetro lambda indicaría la

presencia de sesgo en las estimaciones hechas mediante MCO.

Tabla 12. Forma urbana y emisiones individuales de CO2e de las mujeres casadas y los jóvenes no jefes de hogar

A. ECO2ei

Submuestra (mujeres casadas y jóvenes no jefes de hogar)

Toda la movilidad

Commuting

Movilidad Cotidiana

(1) (2)

(3) (4)

(5) (6)

Densidad de Población (ageb)

-0.241*** -0.157***

-0.084*** -0.043***

-0.157*** -0.103***

(0.016) (0.016)

(0.012) (0.012)

(0.013) (0.013)

Job-Ratio (mun.) 0.399*** -0.363***

0.350*** -0.174**

0.163*** -0.130**

(0.070) (0.084)

(0.058) (0.071)

(0.053) (0.065)

Adj. R-squared 0.0069 0.1406

0.0022 0.1946

0.0047 0.0372

Var. de Control N Y

N Y

N Y


33,838 33,838

33,838 33,838


Commuting

Mov. Cotidiana

(1) (2)

(3) (4)

(5) (6)

Potencial de empleo 0.033*** -0.137***

0.055*** -0.065***

0.004 -0.045***

(0.012) (0.017)

(0.009) (0.012)

(0.009) (0.013)

Adj. R-squared 0.0002 0.1403

0.0010 0.1947

-0.0000 0.0367

Var. de Control N Y

N Y

N Y


33,838 33,838

33,838 33,838

Finalmente, consideramos la posibilidad de que la unidad de decisión relevante en el perfil de movilidad del área sea, en lugar del individuo, el hogar. Por ello, estimamos mediante MCO y MC2E los parámetros asociados a las variables de forma urbana teniendo como variable dependiente las emisiones de CO2e per cápita por hogar..

Tabla 13. Forma Urbana y emisiones individuales de CO2e bajo la hipótesis de auto-selección muestral, estimador de MC2E.

A. ECO2ei

Toda la movilidad

Commuting Movilidad Cotidiana

Toda la muestra Submuestra

Toda la muestra Submuestra Toda la muestra Submuestra

(1)

(2)

(3) (4) (5) (6)


-0.274***

-0.359***

-0.202*** -0.212*** -0.638*** -0.898*

(0.028)

(0.048)

(0.021) (0.063) (0.125) (0.498)

Job-Ratio (mun.) -1.229***

-0.656***

-1.102*** -0.631** 0.090*** 0.896

(0.134)

(0.227)

(0.099) (0.260) (0.465) (1.660)

Lambda 898.60***

636.78***

567.38*** 402.26** 1,170.74*** 2,163.33

(57.17)

(101.30)

(39.90) (137.27) (387.48) (1,592.28)

Var. de Control Y

Y

Y Y Y Y

Observaciones 175,574

33,838

175,574 33,838 175,574 33,838

B. ECO2ei Toda la muestra Submuestra

Toda la muestra Submuestra Toda la muestra Submuestra

(1)

(2)

(3) (4) (5) (6)

Potencial de empleo

-0.282***

-0.219***

-0.313*** -0.260*** 0.041 0.459

(0.026)

(0.049)

(0.020) (0.068) (0.165) (0.633)

Lambda 829.32***

589.07***

512.11*** 422.09** 1,393.22*** 2,216.62

(53.08)

(94.03)

(40.55) (134.06) (469.59) (1,616.91)

Var. de Control Y

Y

Y Y Y Y


33,838

175,574 33,838 175,574 33,838

Densidad de Población. Independientemente del motivo de la movilidad y la escala espacial en que se mida, la correlación entre la densidad de población y las emisiones de CO2e individuales es negativa como se esperaba (Columnas 1, 3 y 5 de los paneles A y B de la Tabla 11). Una vez que introducimos las

23

variables de control que capturan otros elementos determinantes de las emisiones de CO2e, el parámetro de la densidad de población mantiene el efecto esperado: la población residente en entornos más densos, presenta en promedio menores emisiones de CO2e relacionadas con la movilidad. Las magnitudes del efecto de la densidad de población varían según el tipo de movilidad. En el caso de la densidad de población a nivel ageb: el incremento de una persona por hectárea implicaría una caída de entre 71-85 g de CO2e al año de las emisiones asociadas a la movilidad obligada y de 63-73 g de CO2e al año de las emisiones causadas por la movilidad cotidiana.

Los parámetros estimados con la submuestra de la población que suponemos exógena a la forma urbana comportan el efecto esperado. En este caso, la magnitud del efecto es más grande cuando se trata de las emisiones asociadas a la movilidad cotidiana. Mientras que la magnitud del efecto de la densidad de población sobre las emisiones de la movilidad obligada se atenúa. A un incremento en la densidad de población, correspondería una disminución de entre 30 y 70g de CO2e en el caso de la movilidad obligada y de entre 90 y 150 g anuales de CO2e en el caso de la movilidad cotidiana.

Bajo la hipótesis de selección muestral exógena, el efecto estimado de la densidad de población va en el sentido esperado y la magnitud del efecto aumenta. Considerando el parámetro estimado con la submuestra, al incremento de uno en la densidad de población a nivel ageb correspondería una disminución de entre 118 y 254 g anuales de CO2e de la movilidad obligada y de entre 490 y 1251 g de CO2e de la movilidad cotidiana. Se hicieron, como prueba de robustez, el mismo ejercicio sustituyendo la densidad de población a nivel ageb, por la densidad de población a nivel municipal. En este caso, el efecto estimado de la densidad de población sigue siendo negativo. Cuando la unidad de observación es el hogar, la densidad de población tiene el mismo efecto negativo esperado de los otros casos sobre las emisiones de CO2e totales y las de la movilidad obligada, no obstante parece no tener efecto alguno sobre el nivel de emisiones de CO2e de la movilidad cotidiana.

Job-Ratio Municipal. Los parámetros estimados con MCO y la muestra completa muestran que la población que reside en entornos con distintos usos del suelo, o mayor Job-Ratio, presenta en promedio menores emisiones de CO2e independientemente del motivo de la movilidad. No obstante, los parámetros estimados con la submuestra, el Job-Ratio parece estar muy correlacionado con las variables socio-demográficas y geográficas lo que explicaría la variación del signo del parámetro asociado a esta variable. El efecto estimado de acuerdo con la estimación preferida, es que los residentes de las áreas con mayor Job-Ratio tienen menor volumen de emisiones de CO2e provenientes de la movilidad obligada, pero mayor volumen de emisiones de CO2e provenientes de la movilidad cotidiana: un incremento de uno en el nivel de Job-Ratio municipal comportaría una reducción de hasta 1 kg de CO2e de la movilidad obligada, pero un incremento de 90 g de CO2 de la movilidad cotidiana. El signo positivo del efecto en las emisiones de la movilidad cotidiana podríamos explicarlo debido a la correlación positiva entre el Job-Ratio y la probabilidad de usar un medio de transporte privado y a su nula asociación con la probabilidad de ser usuario de un modo de transporte mucho más baja en este sector de la población. No obstante, al considerar al hogar como unidad de observación el Job-Ratio resulta ejercer un efecto importante sobre el volumen de emisiones de CO2e y con el signo esperado.

Potencial de Empleo. El potencial de empleo está correlacionado negativamente con las emisiones individuales de CO2e independientemente del tipo de movilidad que las provocan y la unidad de observación que se considera. El impacto que un incremento de uno en el potencial de empleo (incrementar el empleo de suerte que, descontada la distancia, se tenga acceso a 1000 empleos más) tendría sobre las emisiones individuales al año de CO2e de la movilidad cotidiana disminuirían en 300 g, de acuerdo con nuestra estimación preferida (Columna 3 del panel C en la Tabla 13). Aunque en el caso de las emisiones de CO2e individuales de la movilidad cotidiana, el potencial de empleo no tener ningún efecto ellas; no pasa lo mismo con las emisiones per cápita por hogar en este caso el efecto es negativo y estadísticamente significativo aun con el estimador de MC2E.

24

Tabla 14. Forma Urbana y emisiones per cápita por hogar de CO2e

A. ECO2ei

Toda la movilidad

Commuting Movilidad Cotidiana

MCO MC2E

MCO MC2E MCO MC2E

(1)

(2)

(3) (4) (5) (6)


-0.138***

-0.168***

-0.074*** -0.059*** -0.065*** 0.042

(0.012)

(0.015)

(0.010) (0.011) (0.008) (0.110)

Job-Ratio (mun.) -0.723***

-0.833***

-0.532*** -0.247*** -0.142*** -1.084**

(0.058)

(0.072)

(0.055) (0.052) (0.036) (0.540)

Lambda -

106.79***

- 164.19*** - -636.23

-

(37.26)

- (25.11) - (470.91)

Adj. R-Squeared 0.1335

-

0.1300 - 0.0307 -

Var. de Control Y

Y

Y Y Y Y


43,445

43,445 43,445 43,445 43,445

B. ECO2ei MCO MC2E

MCO MC2E MCO MC2E

(1)

(2)

(3) (4) (5) (6)

Potencial de empleo

-0.220***

-0.267***

-0.150*** -0.045*** -0.046*** -0.471**

(0.012)

(0.014)

(0.011) (0.010) (0.008) (0.240)

Lambda -

104.76***

- 172.80*** - -811.78

-

(37.99)

- (25.76) - 599.57

Adj. R-squeared 0.1348

-

0.1299 - 0.0296 -

Var. de Control Y

Y

Y Y Y Y


43,445

43,445 43,445 43,445 43,445

5.3. Estructura Urbana (distancia a los centros de empleo) y Emisiones de Dióxido de Carbono Equivalente individuales (CO2ei)

La estructura urbana se refiere al conjunto de elementos espaciales que determinan la pauta de uso del suelo del resto del área urbana. De acuerdo con el enfoque teórico de la Nueva Economía Urbana, dado que hay un proceso de compensación entre el precio del suelo y el del transporte al lugar de empleo a medida que el lugar de residencia se localiza a mayor distancia de cada centro de empleo, la población localizada a mayor distancia de esta estructura, se le supone una movilidad mayor y por tanto, mayor volumen de emisiones de CO2e. Como se explicó en la sección anterior, identificamos siete subcentros con base en el Censo Económico de 2004. En la especificación del modelo econométrico asumimos la hipótesis de sustituibilidad de los subcentros; es decir, que la pauta de especialización sectorial de los subcentros de empleo es la misma por lo que sólo es relevante la distancia al subcentro más próximo. Las variables distancia directa al CBD y al subcentro más próximo, dado que estos se hallan mayoritariamente localizados en la primera y la segunda coronas, presentan un problema importante de colinealidad (la correlación entre estas variables es de 0.70); por lo que en lugar de la distancia directa al subcentro consideramos la inversa de esta distancia (Paneles A y B, respectivamente, de las Tabla 15 y la Tabla

16).

Como en el inciso anterior, en la Tabla 15 se presentan los parámetros estimados mediante MCO y con la muestra de toda la población. Mediante la selección de una submuestra (a saber, las mujeres casadas y jóvenes no jefes de hogar) se trata el sesgo potencial asociado a la omisión de variables que capturen las preferencias individuales sobre los modos de transporte y su efecto sobre las decisiones de localización del lugar de residencia de los individuos. Los parámetros estimados empleando la submuestra cuyo lugar de residencia se supone exógeno a la estructura urbana, se reportan en la Tabla 16. Finalmente, valoramos el efecto de los centros de empleo bajo la hipótesis de selección muestra exógena empleando un estimador en dos etapas, estas últimas estimaciones se reportan en la Tabla 17. Y Finalmente, en la Tabla 18 se presentan los parámetros estimados sustituyendo como variables dependiente las emisiones individuales de CO2e por las emisiones de CO2e per cápita por hogar.

25

Tabla 15. Estructura Urbana y Emisiones Individuales de CO2e de toda la población

A. ECO2ei Muestra Completa

Toda la movilidad

Commuting

Movilidad Cotidiana (1) (2)

(3) (4)

(5) (6)

Distancia al CBD 1.554*** 3.3290***

1.041*** 2.347***

0.116 0.631***

(0.136) (0.163)

(0.128) (0.150)

(0.081) (0.103)

Distancia al SBC más cercano -1.006*** -1.328***

-0.916*** -1.095***

-0.047 -0.203

(0.223) (0.233)

(0.204) (0.211)

(0.132) (0.146)

Adj. R-squared 0.0019 0.1579

0.0010 0.1615

0.0003 0.0260

Var. de Control N Y

N Y

N Y


175,574 175,574

175,574 175,574


Commuting

Mov. Cotidiana

(1) (2)

(3) (4)

(5) (6)


0.561*** 1.651***

0.097* 0.509***

(0.093) (0.105)

(0.084) (0.094)

(0.055) (0.066) Inversa de la distancia al SBC más cercano

-1.573 -5.400***

-1.309 -4.321**

0.828 -0.064

(2.090) (1.920)

(1.927) (1.801)

(1.327) (1.310)

Adj. R-squared 0.0017 0.1584

0.0009 0.1641

0.0003 0.0266

Var. de Control N Y

N Y

N Y


175,574 175,574

175,574 175,574

Efecto del CBD. La distancia al CBD tiene el signo esperado y es estadísticamente significativo una vez que se introduce el conjunto de variables de control ya sea considerada la muestra completa o la submuestra con los individuos con menos capacidad de decisión sobre su localización en relación con la estructura urbana. Los parámetros estimados mediante mínimos cuadrados en dos etapas arrojan el mismo resultado para el caso de las emisiones de la movilidad total y la movilidad obligada; pero, en las emisiones de la movilidad cotidiana el parámetro de la distancia al CBD es estadísticamente igual a cero.

Tabla 16. Estructura Urbana y Emisiones Individuales de CO2e de las mujeres casadas y los jóvenes no jefes de hogar

A. ECO2ei Submuestra (mujeres casadas y jóvenes no jefes de hogar)

Toda la movilidad

Commuting

Movilidad Cotidiana (1) (2)

(3) (4)

(5) (6)

Distancia al CBD 0.054 2.464***

-0.489** 1.319***

0.179 0.836***

(0.298) (0.351)

(0.233) (0.255)

(0.218) (0.276)

Distancia al SBC más cercano

0.093 -0.934*

-0.085 -1.026***

-0.062 -0.256

(0.458) (0.480)

(0.342) (0.342)

(0.344) (0.379)

Adj. R-squared 0.0006 0.1403

0.0009 0.1954

0.0001 0.0358

Var. de Control N Y

N Y

N Y


33,838 33,838

33,838 33,838


Commuting

Mov. Cotidiana

(1) (2)

(3) (4)

(5) (6)

Distancia al CBD 0.103 1.883***

-

0.545*** 0.683***

0.178 0.705***

(0.190) (0.216)

(0.135) (0.143)

(0.146) (0.174) Inversa de la distancia al SBC más cercano

-0.079 -2.006

-1.646 -1.907

4.418 3.037

(5.139) (4.797)

(3.701) (3.544)

(4.570) (4.411)

Adj. R-squared 0.0006 0.1402

0.0009 0.1952

0.0002 0.0358

Var. de Control N Y

N Y

N Y


33,838 33,838

33,838 33,838

De acuerdo con la magnitud de estos parámetros, un kilómetro más lejos del CBD implica un incremento de las emisiones anuales de alrededor de 3.2 kg de CO2e para toda la movilidad y de 3.8 kg de CO2e para la movilidad obligada. El efecto del CBD es como implica el modelo teórico, incluso para el caso de la movilidad cotidiana y el estimador de MC2E.

26

Efecto de la proximidad a los subcentros. De acuerdo con los resultados obtenidos con el estimador de MCO y toda la muestra, el subcentro más próximo sólo es estadísticamente significativo sólo en el caso de las emisiones de la movilidad total y la obligada. Para la submuestra, la distancia al subcentro más próximo en ningún caso es estadísticamente significativa para las emisiones de CO2e. Los parámetros del estimador de mínimos cuadrados en dos etapas apunta primero a que las desviaciones de la probabilidad de hacer un recorrido en un medio motorizado y del volumen de emisiones individuales están correlacionadas por lo que los parámetros del estimadores de MCO sería sesgado. Segundo a que la distancia al subcentro más próximo tiene un efecto positivo sobre las emisiones del CO2e cuando consideramos toda la población; pero al considerar la submuestra, el efecto de los subcentros sería estadísticamente igual a cero. Una posible explicación está en que los subcentros, aunque tienen el efecto esperado sobre la distancia recorrida y la probabilidad de ser commuter, no influyen en la probabilidad de usar un medio de transporte privado.

Tabla 17. Forma Urbana y emisiones individuales de CO2e bajo la hipótesis de auto-selección muestral, estimador de mínimos cuadrados en dos etapas.

A. ECO2ei

Toda la movilidad Commuting Movilidad Cotidiana

Toda la muestra Submuestra

Toda la muestra

Submuestra Toda la muestra

Submuestra

(1) (2)

(3)

(4)

(5)

(6)


4.783***

6.033***

0.704

-2.301

(0.495) (0.832)

(0.398)

(1.137)

(2.607)

(6.493)

Distancia al SBC más cercano

-2.606*** -1.384

-1.665***

-2.816*

1.363

-0.251

(0.679) (1.058)

(0.554)

(1.579)

(2.080)

(4.104)

Lambda 797.41*** 529.92***

493.56***

270.40*

1,485.97**

-5.369

(49.19) (85.00)

(38.66)

(137.92)

(516.14)

(24.075)

Var. de Control Y Y

Y

Y

Y

Y


175,574

33,838

175,574

33,838

B. ECO2ei Toda la muestra Submuestra

Toda la muestra

Submuestra Toda la

muestra Submuestra

(1) (2)

(3)

(4)

(5)

(6)


3.725***

4.520***

1.444

-2.312

(0.362) (0.617)

(0.306) (1.100)

(1.913)

(5.822)

Inversa de la distancia al SBC más cercano

-18.388*** -7.919

-11.813** -4.841

-28.637

-2.087

(6.944) (11.315)

(5.441) (14.027)

(24.589)

(43.998)

Lambda 793.91*** 529.92***

492.43***

260.29

1,443.44**

1,756.04

(48.97) (85.00)

(38.72)

(138.09)

(500.71)

(1,268.08)

Var. de Control Y Y

Y

Y

Y

Y


175,574

33,838

175,574

33,838

6. Resultados Preliminares

La paradoja de que las ciudades sean a la vez los mayores emisores de GEI y el mejor instrumento para abatirlas pasa por conseguir una pauta de movilidad con la mayor accesibilidad al menor costo ambiental posible. En este propósito la distribución espacial del empleo y la población juega un papel relevante pues determina los requerimientos de transporte para alcanzar determinado nivel de accesibilidad. De otro lado, la evidencia empírica apunta a que los entornos densos y diversos son más aptos para fomentar trayectos sin medios motorizados o en transporte público, así como trayectos más cortos, lo que disminuiría las emisiones de GEI directas de la movilidad.

La discusión que presentamos del efecto de la forma urbana sobre la pauta agregadas de las emisiones es preliminar debido a la falta de instrumentos de las variables de forma urbana más fuertes. La simultaneidad en la determinación de la forma urbana y la pauta de emisiones se trata mediante un estimador de variables instrumentales, pero de acuerdo con los test estadísticos, no podemos rechazar la hipótesis de la presencia del sesgo debido a la debilidad de los instrumentos. Con esta aclaración hecha, nuestros resultados preliminares implican los efectos esperados. Los espacios densos y diversos, así como los que presentan mayor proximidad al empleo tienen asociados menores niveles de GEI per cápita. Y las

27

localizaciones más céntricas tienen una movilidad per cápita con menores costos ambientales. Sin embargo, los subcentros no parecen jugar el mismo papel en las emisiones de GEI de las localizaciones inmediatas a su localización y más bien parece que la pauta de movilidad de los residentes de su entorno implica mayores emisiones que las del resto de la ZMVM.

Tabla 18. Estructura Urbana y emisiones per cápita por hogar de CO2e

C. ECO2eh Toda la movilidad Commuting Movilidad Cotidiana

MCO MC2E

MCO

MC2E

MCO

MC2E

(1) (2)

(3)

(4)

(5)

(6)


2.706***

1.133***

0.977***

7.689**

(0.268) (0.274)

(0.228)

(0.203)

(0.177)

(3.774) Distancia al SBC más cercano

-1.569*** -1.280***

-1.155***

-0.954***

-0.433*

-0.830 (0.382) (0.404)

(0.315)

(0.294)

(0.250)

(1.748)

Lambda 76.87**

163.02***

-967.52

(37.78)

(25.44)

(716.31) Adj. R-squared 0.1343

0.1314 0.0291 Var. de Control Y Y

Y

Y

Y

Y


43,445

43,445

43,445

43,445

D. ECO2eh MCO MC2E

MCO

MC2E MCO

MC2E

(1) (2)

(3)

(4)

(5)

(6)


1.965***

0.506***

0.710***

7.319*

(0.171) (0.203) (0.138) (0.148) (0.107) (3.852) Inversa de la distancia al SBC más cercano

-10.098*** -11.316***

-7.927***

-4.299

-1.518

18.971 (2.641) (3.851)

(2.494)

(2.829)

(1.991)

(30.207)

Lambda 90.89**

176.30***

-956.92

(38.15)

(25.65)

(704.88) Adj. R-Squeared 0.1340

0.1312 0.0290 Var. de Control Y Y

Y

Y

Y

Y


43,445

43,445

43,445

43,445

En relación con la estimación del efecto de la forma urbana sobre las emisiones individuales, nuestros resultados implican que los entornos densos y diversos están asociados con menores emisiones individuales y per cápita por hogar cuando se trata de la movilidad obligada. En cambio, estas variables tienen diversos efectos sobre la movilidad cotidiana: de un lado los entornos densos disminuyen las emisiones individuales de GEI, pero no lo hacen en las emisiones de GEI per cápita por hogar. Los entornos diversos (mayor Job-Ratio), en cambio tienen un efecto positivo sobre las emisiones per cápita, lo que puede explicarse por la mayor probabilidad a hacer un trayecto por este motivo en las zonas con mayor diversidad de usos de suelo que en el resto del área; pero cuando la unidad de observación es el hogar, el efecto de la diversidad es nuevamente como esperamos: inverso. Por lo que toca a la proximidad espacial del empleo al lugar de residencia de la población, medido con el potencial de empleo, y su efecto sobre las emisiones individuales de la movilidad obligada éste es negativo, pero sobre las emisiones individuales de la movilidad obligada no ejerce efecto alguno.

28

7. Bibliografía

Andrews, C. J. (2008). Greenhouse gas emissions along the rral.urban gradient. Journal of Environmental

Planning and Management, 51(6) , 847-870.

Bertaud, A., Lefevre, B., & Yuen, B. (2009). GHG emissions, urban mobility and efficiency of urban

morphology: A hypothesis. Fifth Urban Research Symposium, Cities and Climate Change. Responding to

an urgent agenda. Marseille, France.

Brown, M., Southworth, F., & Sarzynski, A. (2008). Shrinking the Carbon Footprint of Metopolita

America. Washington D.C.: Brookings Institute.

Bürer, M., Goldstein, D., & Holtzclaw, J. (2004). Location efficiency as the missing piece of the energy

puzzle: how smart growth can unlock trillion dollar consumer cost savings. American Council for an

Energy Efficient Economy.

Cao, X., Mokhtarian, P., & Handy, S. (2009). Examining the impacts of residential self-selection on

travel behavior: a focus on empirical findings. Transport Reviews, 29(3) , 359-395.

Croci, E., Melandri, T., Molteni, T., & Zadorozhna, O. (2013). Determinants of GHG emissions from

urban ground transportation: review of simple of European Cities. IEFE Center for Research on Energy

and Environmental Economics and Policy. Milan, Italy.

Dodman, D. (2009). Blaming cities for climate change? An analysis of urban greenhouse gas emissions

inventories. Environment and Urbanization 21(1) , 185-201.

Dong, F. (2006). Impact of urban sprawl on US residential energy use. Maryland: PhD Dissertation,

School of Public Policy, University of Maryland.

Eaton, R., Hammond, G., & Laurie, J. (2007). Footprints and the landscape: An environmental appraisal

of urbna and rural living in the developed world. Landscape and Urban Planning, 83(1) , 13-28.

Ewing, R., & Anderson, G. (2008). Growing cooler: the evidence on urban development and climate

change. Washington DC: ULI.

Ewing, R., & Cervero, R. (2001). Travel and the built environment: a synthesis. Transportation Research

Record: Journal of the Transportation Research Board, 1780(1) , 87-114.

Ewing, R., & Rong, F. (2008). The impact of urban form on US residential energy use. Housing Policy

Debate, 19(1) , 1-30.

Glaeser, E., & M.E., K. (2010). The greenness of cities: Carbon Dioxide emissions and urban

development. Journal of Urban Economics, 67(3) , 404-418.

29

Guerra, E. (2014). The Built Environment and Car Use in Mexico City: Is the Relationship Changing over

Time? Journal of Planning Education and Research .

Holtzclaw, J. (1994). Using residential patterns and transit to decrease auto dependence and costs. San

Francisco, Ca.: Natural Resources Defense Council.

Holtzclaw, J., Clear, R., Dittmar, H., Goldstein, D., & Haas, P. (2002). Location efficiency: neighborhood

and socio-economic charcateristics determine auto ownereship and use-studies in Chicago, Los Angeles

and San Francisco. Transportation Planning and Technology 25(1) , 1-27.

Hoyer, K., & Holden, E. (2003). Household consumption and ecolological footprints in Norway-Does

urban form matter? Journal of Consumers Policy, 26(3) , 327-349.

Kennedy, C., Steinberg, B., Gasson, B., Hansen, Y., Hillman, T., Havránek, M., et al. (2009). Greenhouse

gas emissions and global cities. Environmental Science and Technology, 43(19) , 7297-7302.

Knapp, G., Song, Y., Ewing, R., & Clifton, K. (2005). Seeing the elephant: Multi-disciplinary measures

of urban sprawl. Baltimore, Maryland: National Center for Smart Growth Research and Education, Urban

Studies and Planning Program, University of Maryland.

Lacasaña, M., Aguilar, C., & Romieu, I. (1999). Evolución de la contaminación del aire de impacto de los

programas de control en tres megaciudades de América Latina. Salud Pública de México, 41(3) , 203-215.

Leck, E. (2006). The impact of urban form on travel behavior: a meta-analysis. Berkeley Planning

Journal 19(1) .

Litman, T. (2010). Evaluating public transit benefits and costs: BEst practices guidebook.

Ma, J., Heppenstall, A., Harland, K., & Mitchell, G. (2014). Synthesising carbon emissions for mega-

cities: A static spatial microsimulation of transport CO2 from urban travel in Beijing. Computers,

Environment and Urban Systems, 45 , 78-88.

Markham, V. (2009). US Population, Energy and Climite Change. New Cannan, Connecticut: Center for

Environment and Population .

McKinsey and Company. (2008). Sustainable Urban Infraestructure. London Ed. a view to 2025.

London, UK: McKinsey & Company.

Mehaffy, M., Cowan, S., & Urge-Vorsatz, D. (2009). The factors of Urban Morphology in Greenhouse

Gas Emissions: A research Overview. IARU Scientific Congress . Copenhague.

Molina, L., & Molina, M. (2004). Improving air quality in megacities: Mexico City case of study. Annals

of the New York Academy of Science, 1023 , 142-158.

Mollay, U. (2010). Energy aware spatial planning. Impact potential of settlement structure and

opportunities for assesment tools to support sustainable municipal development. Master Thesis.

30

Muñiz, I., & Galindo, A. (2005). Urban Form and the Ecological Footprint of Commuting. The case of

Barcelona. Ecological Economics, 55(4) , 499-514.

Muñiz, I., Calatayud, D., & Dobaño, R. (2013). The compensation hypothesis in Barcelona measured

trough the ecological footprint of mobility and housing. Landscape and Urban Planning, 113 , 113-119.

Newman, P., & Kenworthy, J. (1989). Gasoline consumption and cities: A comparison of US cities with

global survey. Journal of the American Planning Association, 55(1) , 24-37.

Norman, J., MacLean, H., & Kennedy, C. (2006). Comparing high and low residential density: Lofe-cycle

analusis of energy use and greenhouse gas emissions. Journal of Urban Planning and Development,

132(1) , 10-21.

Parshall, L., Hammer, S., & Gurney, K. (2009). Energy consumption and CO2 emissions in urban

counties in the United States with a case study of the New York Metropolitan Area. Fifth Urban Research

Symposium, Cities and Climate Change: Responding to an Urban Agenda. Marseille, France.

Rees, W., & Wackernagel, M. (2008). Urban ecologucal footprints: why cities cannot be sustainable and

why they are a key to sustainability. Urban Ecology , 537-555.

Romero-Lankao, P. (2007). Are we missing the point? Particularities of urbanization, sustainability and

carbon emissions in Latin American cities. Environment and Urbanization, 19 , 159-175.

Romero-Lankao, P., López-Villafranco, H., Rosas-Huerta, A., Correa-Armenta, Z., & Günther, G. (2005).

Can Cities Reduce Global Warming? Urban Development and the Carbon Cycle in Latin America.

México, City: UAM-X, IHDP.

Satterthwaite, D. (2008). Cities contribution to global warming: Notes on the allocation of greenhouses

emissions. Environment and Urbanization, 20(2) , 539-549.

Sovacool, B., & Brown, M. (2009). Scaling the policy response to climite change. Policy and Society,

27(4) , 317-328.

Suárez-Lastra, M., & Delgado-Campos, J. (2007). Estructura y eficiencia urbana: accesibilidad a empleos,

localización residencial e ingreso en la Zona Metropolitana de la Ciudad de México 1990-2000.

Economía, Sociedad y Territorio, 7(23) , 693-724.

UN-Habitat. (2011). Cities and Climate change: global report on human settlements . London: UNO.

Van de Weghe, J., & Kennedy, C. (2007). A spatial analysis of residential greenhouse gas emissions in

the Toronto census metropolitan area. Journal of industrial ecology, 11(2) , 133-144.

Veneri, P. (2010). Urban Polycentricity and the costs of commuting: evidence from Italian Metropolitan

Areas. Growth and Change, 41(3) , 403-429.

31

Walraven, A. (2009). The impact of Cities in Terms of Climate Change. Paris, France: Report for United

Nations Environmental Programme, Department of Technology, Industry and Economics.

Ward, P. (1998). Mexico City. London: Wiley Ed.

Wright, L., & Fulton, L. (2005). Climate change mitigationand transport in developing nations.

Transportation Review , 691-717.

32

ANEXOS.

Distancia Recorrida

Probabilidad de ser commuter

Probabilidad de usar vehículo privado


-0.004*** 0.000 -0.000*** (0.000) (0.000) (0.000)

Job-Ratio -5.589*** -0.003 0.082*** (0.144) (0.006) (0.005)

Distancia a Ejes Viales -0.350*** -0.006*** -0.005*** (0.051) (0.002) (0.001)

Sexo (hombre=1) 1.453*** 0.020*** 0.035*** (0.073) (0.002) (0.002)

Jefe de hogar (=1) 2.219*** 0.085*** 0.079*** (0.104) (0.003) (0.002)

Edad 0.168*** 0.004*** -0.001*** (0.006) (0.000) (0.000)

Edad al cuadrado -0.002*** -0.000*** 0.000*** (0.000) (0.000) (0.000)

Nivel Educativo 1.562*** 0.051*** 0.046*** (0.021) (0.001) (0.001)

Sector Industrial (=1) 4.299*** 0.178*** 0.012*** (0.180) (0.005) (0.004)

Sect.Construcción (=1) 3.712*** 0.091*** -0.007 (0.314) (0.008) (0.006)

Sect. Comercial (=1) 3.017*** 0.131*** 0.052*** (0.139) (0.004) (0.003)

Sect. Serv (=1) 4.374*** 0.159*** 0.055*** (0.119) (0.003) (0.003)

Funcionario 6.367*** 0.224*** 0.076*** (0.243) (0.006) (0.006)

Dueño de la viv (=1) 1.087*** 0.021*** 0.036*** (0.071) (0.003) (0.002)

Pendiente del suelo -0.000 0.000*** -0.000** (0.000) (0.000) (0.000)

zonaI 0.241*** 0.011*** 0.010*** (0.085) (0.003) (0.002)

zonaII 0.163 0.003 0.007** (0.122) (0.004) (0.003)

zonaIIIb 0.800*** -0.012*** -0.028*** (0.125) (0.005) (0.003)

zonaIIIa 0.419*** 0.001 0.001 (0.116) (0.004) (0.003)

ln salario 0.387*** 0.015*** -0.001** (0.012) (0.000) (0.000)

Inv dist mínima al metro -1.076*** 0.038*** -0.006** (0.086) (0.003) (0.003)

Constant -2.240*** 0.101*** -0.095*** (0.152) (0.006) (0.004)

Adjusted R-squared 0.1652 0.1733 0.1118

Observations 175,574.0000 175,574.0000 175,574.0000

33

Distancia Recorrida



Densidad de Población (municipio)

-0.012*** -0.000 -0.000*** (0.001) (0.000) (0.000)

Job-Ratio -5.909*** -0.002 0.076*** (0.146) (0.006) (0.005)

Distancia a Ejes Viales 1.422*** -0.005*** -0.010*** (0.073) (0.002) (0.001)

Sexo (hombre=1) 2.525*** 0.020*** 0.035*** (0.105) (0.002) (0.002)

Jefe de hogar (=1) 0.170*** 0.086*** 0.081*** (0.007) (0.003) (0.002)

Edad -0.002*** 0.004*** -0.002*** (0.000) (0.000) (0.000)

Edad al cuadrado 1.602*** -0.000*** 0.000*** (0.022) (0.000) (0.000)

Nivel Educativo 4.480*** 0.051*** 0.046*** (0.182) (0.001) (0.001)



Sect. Comercial (=1) 4.460*** 0.131*** 0.051*** (0.120) (0.004) (0.003)

Sect. Serv (=1) 6.458*** 0.160*** 0.054*** (0.247) (0.003) (0.003)

Funcionario 1.215*** 0.223*** 0.073*** (0.072) (0.006) (0.006)

Dueño de la viv (=1) -0.000 0.021*** 0.038*** (0.000) (0.003) (0.002)

Pendiente del suelo -0.628*** 0.000*** 0.000 (0.106) (0.000) (0.000)

zonaI -0.359*** 0.008** 0.019*** (0.128) (0.003) (0.002)

zonaII 0.414*** -0.000 0.014*** (0.127) (0.004) (0.003)

zonaIIIb -0.102 -0.013*** -0.024*** (0.120) (0.005) (0.003)

zonaIIIa -0.267*** -0.000 0.006** (0.052) (0.004) (0.003)

ln salario 0.392*** 0.015*** -0.001** (0.012) (0.000) (0.000)

Inv dist mínima al metro -1.310*** 0.037*** -0.006** (0.086) (0.003) (0.003)

Constant -1.069*** 0.102*** -0.128*** (0.195) (0.007) (0.005)


Observations 180,165.0000 180,165.0000 180,165.0000

34

Distancia Recorrida



Potencial de empleo -0.000*** 0.000*** 0.000*** (0.000) (0.000) (0.000)

Distancia a Ejes Viales -0.220*** -0.006*** -0.012*** (0.051) (0.002) (0.001)

Sexo (hombre=1) 1.431*** 0.020*** 0.035*** (0.073) (0.002) (0.002)

Jefe de hogar (=1) 2.076*** 0.086*** 0.082*** (0.104) (0.003) (0.002)

Edad 0.152*** 0.004*** -0.001*** (0.007) (0.000) (0.000)

Edad al cuadrado -0.002*** -0.000*** 0.000*** (0.000) (0.000) (0.000)

Nivel Educativo 1.661*** 0.051*** 0.046*** (0.022) (0.001) (0.001)


Sect.Construcción (=1) 3.696*** 0.094*** 0.002 (0.318) (0.008) (0.006)

Sect. Comercial (=1) 3.025*** 0.131*** 0.051*** (0.138) (0.004) (0.003)

Sect. Serv (=1) 4.487*** 0.157*** 0.053*** (0.119) (0.004) (0.003)

Funcionario 6.383*** 0.226*** 0.074*** (0.243) (0.006) (0.006)

Dueño de la viv (=1) 0.759*** 0.023*** 0.043*** (0.072) (0.003) (0.002)

Pendiente del suelo -0.000 0.000*** 0.000** (0.000) (0.000) (0.000)

zonaI -0.907*** 0.018*** 0.041*** (0.084) (0.003) (0.002)

zonaII -0.244** 0.003 0.025*** (0.119) (0.004) (0.003)

zonaIIIb 0.236* -0.014*** -0.013*** (0.121) (0.004) (0.003)

zonaIIIa 0.008 0.001 0.016*** (0.115) (0.004) (0.003)

ln salario 0.381*** 0.015*** -0.001*** (0.012) (0.000) (0.000)

Inv dist mínima al metro

0.686*** 0.012*** -0.023*** (0.095) (0.004) (0.003)

Constant 1.625*** 0.060*** -0.196*** (0.166) (0.006) (0.004)


Observations 170,104.0000 170,104.0000 170,104.0000

35

Distancia Recorrida



CBD 0.272*** -0.002*** -0.003*** (0.007) (0.000) (0.000)

SBC -0.057*** -0.001*** 0.000* (0.011) (0.000) (0.000)

Distancia a Ejes Viales 0.051 -0.011*** -0.016*** (0.052) (0.002) (0.001)

Sexo (hombre=1) 1.460*** 0.020*** 0.034*** (0.073) (0.002) (0.002)

Jefe de hogar (=1) 2.369*** 0.088*** 0.083*** (0.104) (0.003) (0.002)

Edad 0.164*** 0.004*** -0.001*** (0.007) (0.000) (0.000)

Edad al cuadrado -0.002*** -0.000*** 0.000*** (0.000) (0.000) (0.000)

Nivel Educativo 1.681*** 0.050*** 0.045*** (0.022) (0.001) (0.001)



Sect. Comercial (=1) 3.170*** 0.130*** 0.050*** (0.139) (0.004) (0.003)

Sect. Serv (=1) 4.676*** 0.157*** 0.052*** (0.119) (0.003) (0.003)

Funcionario 6.576*** 0.222*** 0.071*** (0.244) (0.006) (0.006)

Dueño de la viv (=1) 0.948*** 0.027*** 0.043*** (0.072) (0.003) (0.002)

Pendiente del suelo 0.001** 0.000*** -0.000 (0.000) (0.000) (0.000)

zonaI -0.914*** 0.020*** 0.038*** (0.084) (0.003) (0.002)

zonaII -0.418*** 0.008* 0.026*** (0.125) (0.004) (0.003)

zonaIIIb -0.275** -0.009** -0.011*** (0.124) (0.004) (0.003)

zonaIIIa -0.135 0.004 0.013*** (0.118) (0.004) (0.003)

ln salario 0.373*** 0.015*** -0.001** (0.012) (0.000) (0.000)

Inv dist mínima al metro -0.564*** 0.015*** -0.013*** (0.089) (0.003) (0.003)

Constant -8.331*** 0.150*** -0.073*** (0.171) (0.006) (0.004)

Adjusted R-squared 0.1752 0.1760 0.1100 Observaciones 180,307.0000 180,307.0000 180,307.0000

36

Distancia Recorrida



CBD 0.233*** -0.003*** -0.003*** (0.005) (0.000) (0.000)

SBC (inversa) -0.597*** -0.013*** 0.002 (0.080) (0.003) (0.002)

Distancia a Ejes Viales 0.076 -0.010*** -0.017*** (0.052) (0.002) (0.001)

Sexo (hombre=1) 1.461*** 0.020*** 0.034*** (0.073) (0.002) (0.002)

Jefe de hogar (=1) 2.364*** 0.088*** 0.083*** (0.104) (0.003) (0.002)

Edad 0.165*** 0.004*** -0.001*** (0.007) (0.000) (0.000)

Edad al cuadrado -0.002*** -0.000*** 0.000*** (0.000) (0.000) (0.000)

Nivel Educativo 1.680*** 0.050*** 0.045*** (0.022) (0.001) (0.001)



Sect. Comercial (=1) 3.159*** 0.130*** 0.050*** (0.139) (0.004) (0.003)

Sect. Serv (=1) 4.663*** 0.156*** 0.052*** (0.119) (0.003) (0.003)

Funcionario 6.552*** 0.221*** 0.072*** (0.244) (0.006) (0.006)

Dueño de la viv (=1) 0.969*** 0.027*** 0.043*** (0.072) (0.003) (0.002)

Pendiente del suelo 0.001*** 0.000*** -0.000 (0.000) (0.000) (0.000)

zonaI -0.978*** 0.018*** 0.038*** (0.084) (0.003) (0.002)

zonaII -0.650*** 0.002 0.028*** (0.120) (0.004) (0.003)

zonaIIIb -0.437*** -0.013*** -0.010*** (0.121) (0.004) (0.003)

zonaIIIa -0.283** 0.000 0.014*** (0.116) (0.004) (0.003)

ln salario 0.375*** 0.015*** -0.001** (0.012) (0.000) (0.000)

Inv dist mínima al metro -0.780*** 0.010*** -0.011*** (0.087) (0.003) (0.002)

Constant -7.966*** 0.158*** -0.075*** (0.176) (0.006) (0.004)

Adjusted R-squared 0.1752 0.1760 0.1100 Observaciones 180,307.0000 180,307.0000 180,307.0000

Documents

Forma Urbana y Emisiones de CO 2 de la movilidad en …pagines.uab.cat/appliedeconomics/sites/pagines.uab.cat... · En algunos casos el dato se calculó a partir de un enfoque de