MÉTODO DE COSTO DE VIAJE

ENFOQUE INDIVIDUAL
VALORACIÓN DEL HUMEDAL CÓRDOVA (BOGOTÁ – COLOMBIA)
El Humedal Córdoba se encuentra ubicado en la localidad de Suba en la ciudad de Bogotá,
Colombia en las cercanías de los barrios Niza Sur, Niza-Córdoba, Niza VIII, Lagos de Córdoba y
de la estación del sistema transmilenio que tomó el mismo nombre del Humedal. Se encuentra
ubicado específicamente entre las Avenidas Boyacá y Suba con la calle 120.

Sus principales afluentes son las aguas que provienen de los cerros orientales de la ciudad y se
encuentra ubicado dentro de la cuenca del Humedal Juan Amarillo con el que se conecta a
través de un canal que pasa por el costado sur del lago del Club Los Lagartos.

Este ejercicio está basado en un conjunto de datos recolectados para estudiar el cambio de
bienestar de los recreacionistas ante su perspectiva de mejorar la calidad ambiental del
humedal La Florida. El estudio implicó un proceso de entrevistas (49 encuestas),
aplicándose sólo a los visitantes (muestreados aleatoriamente) en el área relevante del
Humedal.

El número promedio de visitantes cobrando 3 dólares es de 4,500.

La meta de este ejercicio es determinar el valor de acceso al lugar. Este conjunto de datos
incluye las siguientes variables:
X1: Número de viajes realizados al lugar por mes.

X2: Costo completo de viaje al lugar (costo de viaje más el costo de oportunidad del tiempo).

Equivalente a la suma del Costo de viaje (distancia ida y vuelta en kilómetros

multiplicada por el costo en $ por km), más el Costo de oportunidad del tiempo de viaje
hacia el lugar (tiempo de viaje ida y vuelta multiplicado por el valor del tiempo en $ por
hora).

X3: Ingreso familiar mensual por jefe de familia o grupo.

X4: Variable dummy que toma el valor de (=1) si la perspectiva del visitante es a favor de
mejorar calidad ambiental del humedal (agua) y toma el valor de cero (=0), de otra
manera.

X5: Número de personas que conforman la familia del entrevistado.

X6: Disponibilidad a pagar (Paga=1, no paga=0).

X7: Valor de la disponibilidad a pagar.

Se solicita:

1. Estimar la demanda por viajes de recreación a la laguna, como una función del costo de
viaje completo X2, del ingreso familiar X3, de las variables interés por el cambio en la
calidad del agua X4 y por el número de personas por familia X5. Use el modelo
econométrico Poisson, Exponencial o normal.
Modelo Poisson:
Dependent Variable: X1
Method: ML/QML - Poisson Count
Date: 12/15/17 Time: 21:47
Sample: 1 49
Included observations: 49
Convergence achieved after 9 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C 1.565248 0.822828 1.902278 0.0571
X2 -0.016348 0.005483 -2.981490 0.0029
X3 1.50E-05 1.82E-05 0.825171 0.4093
X4 0.390601 0.609121 0.641254 0.5214
X5 0.080032 0.073036 1.095795 0.2732
R-squared 0.686439 Mean dependent var 2.693878
Adjusted R-squared 0.657933 S.D. dependent var 1.294284
S.E. of regression 0.756981 Akaike info criterion 3.165990
Sum squared resid 25.21289 Schwarz criterion 3.359033
Log likelihood -72.56676 Hannan-Quinn criter. 3.239231
Restr. log likelihood -83.98972 Avg. log likelihood -1.480954
LR statistic (4 df) 22.84592 LR index (Pseudo-R2) 0.136004
Probability(LR stat) 0.000136
Estimation Command:
=====================
COUNT(D=P) X1 C X2 X3 X4 X5
Estimation Equation:
=====================
X1 = @EXP(C(1) + C(2)*X2 + C(3)*X3 + C(4)*X4 + C(5)*X5)
Substituted Coefficients:
=====================
X1 = @EXP(1.565247848 - 0.01634827053*X2 + 1.504554723e-05*X3 +
0.3906012465*X4 + 0.08003202754*X5)

Modelo Exponencial:
Dependent Variable: X1
Method: QML - Exponential Count
Date: 12/15/17 Time: 21:49
Sample: 1 49
Included observations: 49
Convergence achieved after 8 iterations
QML (Huber/White) standard errors & covariance
Variable Coefficient Std. Error z-Statistic Prob.
C 1.824824 0.365857 4.987804 0.0000
X2 -0.018446 0.003120 -5.912994 0.0000
X3 2.00E-05 1.35E-05 1.478793 0.1392
X4 0.287818 0.092745 3.103321 0.0019
X5 0.066673 0.040445 1.648509 0.0992
R-squared 0.619229 Mean dependent var 2.693878
Adjusted R-squared 0.584614 S.D. dependent var 1.294284
S.E. of regression 0.834172 Akaike info criterion 3.982728
Sum squared resid 30.61707 Schwarz criterion 4.175771
Log likelihood -92.57683 Hannan-Quinn criter. 4.055968
Restr. log likelihood -97.55810 Avg. log likelihood -1.889323
LR statistic (4 df) 9.962543 LR index (Pseudo-R2) 0.051060
Probability(LR stat) 0.041063
Estimation Command:
=====================
COUNT(D=E) X1 C X2 X3 X4 X5
Estimation Equation:
=====================
X1 = @EXP(C(1) + C(2)*X2 + C(3)*X3 + C(4)*X4 + C(5)*X5)
Substituted Coefficients:
=====================
X1 = @EXP(1.824824281 - 0.01844568545*X2 + 1.995712585e-05*X3 +
0.287818157*X4 + 0.06667348043*X5)

Modelo Normal:
Dependent Variable: X1
Method: QML - Normal Count
Date: 12/15/17 Time: 21:51
 Sample: 1 49
Included observations: 49
QML parameter used in estimation: 1
Convergence achieved after 10 iterations
QML (Huber/White) standard errors & covariance
Variable Coefficient Std. Error z-Statistic Prob.
C 1.355461 0.226540 5.983330 0.0000
X2 -0.014534 0.001858 -7.820836 0.0000
X3 1.29E-05 5.30E-06 2.442279 0.0146
X4 0.481864 0.086497 5.570903 0.0000
X5 0.084012 0.028112 2.988501 0.0028
R-squared 0.697457 Mean dependent var 2.693878
Adjusted R-squared 0.669953 S.D. dependent var 1.294284
S.E. of regression 0.743562 Akaike info criterion 2.538426
Sum squared resid 24.32692 Schwarz criterion 2.731469
Log likelihood -57.19145 Hannan-Quinn criter. 2.611667
Restr. log likelihood -85.23207 Avg. log likelihood -1.167172
LR statistic (4 df) 56.08124 LR index (Pseudo-R2) 0.328991
Probability(LR stat) 1.93E-11
Estimation Command:
=====================
COUNT(D=N) X1 C X2 X3 X4 X5
Estimation Equation:
=====================
X1 = @EXP(C(1) + C(2)*X2 + C(3)*X3 + C(4)*X4 + C(5)*X5)
Substituted Coefficients:
=====================
X1 = @EXP(1.355461013 - 0.01453362129*X2 + 1.293461245e-05*X3 +
0.4818644114*X4 + 0.08401190662*X5)

El mejor modelo que explica es la normal

2. Estimar la demanda por viajes de recreación a la laguna en función del costo de entrada.
Modelo exponencial
Dependent Variable: X1
Method: QML - Exponential Count
Date: 12/15/17 Time: 21:53
Sample: 1 49
Included observations: 49
Convergence achieved after 4 iterations
QML (Huber/White) standard errors & covariance
Variable Coefficient Std. Error z-Statistic Prob.
C 2.722736 0.205223 13.26718 0.0000
X2 -0.022464 0.002511 -8.944752 0.0000
R-squared 0.407745 Mean dependent var 2.693878
Adjusted R-squared 0.395144 S.D. dependent var 1.294284
S.E. of regression 1.006597 Akaike info criterion 3.879674
Sum squared resid 47.62216 Schwarz criterion 3.956891
Log likelihood -93.05201 Hannan-Quinn criter. 3.908970
Restr. log likelihood -97.55810 Avg. log likelihood -1.899021
LR statistic (1 df) 9.012173 LR index (Pseudo-R2) 0.046189
Probability(LR stat) 0.002682

Estimation Command:
=====================
COUNT(D=E) X1 C X2
Estimation Equation:
=====================
X1 = @EXP(C(1) + C(2)*X2)
Substituted Coefficients:
=====================
X1 = @EXP(2.722735957 - 0.02246406459*X2)

Modelo Poisson
Dependent Variable: X1
Method: ML/QML - Poisson Count
Date: 12/15/17 Time: 21:55
Sample: 1 49
Included observations: 49
Convergence achieved after 3 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C 2.396253 0.310766 7.710794 0.0000
X2 -0.018223 0.004087 -4.458660 0.0000
R-squared 0.556867 Mean dependent var 2.693878
Adjusted R-squared 0.547438 S.D. dependent var 1.294284
S.E. of regression 0.870700 Akaike info criterion 3.105055
Sum squared resid 35.63154 Schwarz criterion 3.182272
Log likelihood -74.07385 Hannan-Quinn criter. 3.134351
Restr. log likelihood -83.98972 Avg. log likelihood -1.511711
LR statistic (1 df) 19.83174 LR index (Pseudo-R2) 0.118061
Probability(LR stat) 8.46E-06

Estimation Command:
=====================
COUNT(D=P) X1 C X2
Estimation Equation:
=====================
X1 = @EXP(C(1) + C(2)*X2)
Substituted Coefficients:
=====================
X1 = @EXP(2.39625303 - 0.01822313994*X2)

Modelo Normal
Dependent Variable: X1
Method: QML - Normal Count
Date: 12/15/17 Time: 21:56
Sample: 1 49
Included observations: 49
QML parameter used in estimation: 1
Convergence achieved after 4 iterations
 QML (Huber/White) standard errors & covariance
Variable Coefficient Std. Error z-Statistic Prob.
C 2.174066 0.160884 13.51327 0.0000
X2 -0.015062 0.002080 -7.242422 0.0000
R-squared 0.584109 Mean dependent var 2.693878
Adjusted R-squared 0.575260 S.D. dependent var 1.294284
S.E. of regression 0.843512 Akaike info criterion 2.601980
Sum squared resid 33.44106 Schwarz criterion 2.679197
Log likelihood -61.74852 Hannan-Quinn criter. 2.631276
Restr. log likelihood -85.23207 Avg. log likelihood -1.260174
LR statistic (1 df) 46.96711 LR index (Pseudo-R2) 0.275525
Probability(LR stat) 7.22E-12
Estimation Command:
=====================
COUNT(D=N) X1 C X2
Estimation Equation:
=====================
X1 = @EXP(C(1) + C(2)*X2)
Substituted Coefficients:
=====================
X1 = @EXP(2.174066261 - 0.0150619661*X2)

3. Calcule el valor de la disponibilidad a pagar y el número de visitas al Humedal Cordova.

Utilice el modelo econométrico Binary Choise.
Modelo Probit:
Dependent Variable: X6
Method: ML - Binary Probit
Date: 12/15/17 Time: 22:01
Sample: 1 49
Included observations: 49
Convergence achieved after 10 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -7.455061 7.965071 -0.935969 0.3493
X1 -2.979506 2.169287 -1.373495 0.1696
X2 -0.008101 0.059383 -0.136425 0.8915
X3 0.001763 0.001175 1.500123 0.1336
X4 -2.225091 4.421534 -0.503240 0.6148
X5 2.706780 1.298857 2.083970 0.0372
X7 1.159430 1.184496 0.978838 0.3277
Mean dependent var 0.612245 S.D. dependent var 0.492287
S.E. of regression 0.220478 Akaike info criterion 0.546997
Sum squared resid 2.041638 Schwarz criterion 0.817257
Log likelihood -6.401427 Hannan-Quinn criter. 0.649533
Restr. log likelihood -32.71893 Avg. log likelihood -0.130641
LR statistic (6 df) 52.63501 McFadden R-squared 0.804351
Probability(LR stat) 1.39E-09
Obs with Dep=1 19 Total obs 49
Obs with Dep=0 30

Modelo Logit:
Dependent Variable: X6
Method: ML - Binary Logit
Date: 12/15/17 Time: 22:05
Sample: 1 49
 Included observations: 49
Convergence achieved after 10 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -13.14801 14.46971 -0.908658 0.3635
X1 -5.063832 3.627772 -1.395852 0.1628
X2 -0.016366 0.098371 -0.166373 0.8679
X3 0.003075 0.001989 1.545776 0.1222
X4 -4.163237 9.042986 -0.460383 0.6452
X5 5.037800 2.469217 2.040242 0.0413
X7 1.873278 2.009084 0.932404 0.3511
Mean dependent var 0.612245 S.D. dependent var 0.492287
S.E. of regression 0.211169 Akaike info criterion 0.546137
Sum squared resid 1.872883 Schwarz criterion 0.816397
Log likelihood -6.380345 Hannan-Quinn criter. 0.648673
Restr. log likelihood -32.71893 Avg. log likelihood -0.130211
LR statistic (6 df) 52.67717 McFadden R-squared 0.804995
Probability(LR stat) 1.36E-09
Obs with Dep=1 19 Total obs 49
Obs with Dep=0 30

Modelo Gompit:
Dependent Variable: X6
Method: ML - Binary Extreme Value
Date: 12/15/17 Time: 22:06
Sample: 1 49
Included observations: 49
Convergence achieved after 10 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -6.808831 8.680172 -0.784412 0.4328
X1 -3.553957 2.462393 -1.443294 0.1489
X2 -0.011970 0.073519 -0.162811 0.8707
X3 0.002212 0.001487 1.487412 0.1369
X4 -3.515532 4.232579 -0.830589 0.4062
X5 2.980208 1.511857 1.971223 0.0487
X7 1.247541 1.286853 0.969451 0.3323
Mean dependent var 0.612245 S.D. dependent var 0.492287
S.E. of regression 0.235830 Akaike info criterion 0.568033
Sum squared resid 2.335864 Schwarz criterion 0.838293
Log likelihood -6.916818 Hannan-Quinn criter. 0.670570
Restr. log likelihood -32.71893 Avg. log likelihood -0.141160
LR statistic (6 df) 51.60423 McFadden R-squared 0.788599
Probability(LR stat) 2.24E-09
Obs with Dep=1 19 Total obs 49
Obs with Dep=0 30
El mejor modelo para calcular la DAP es el Logit. Calculando la DAP:
  13.14801
DAP   0  DAP    DAP  S / 7.02 soles
7 1.873278
El número de visitas al humedal:
  13.14801
Visitas  0  Visitas   Visitas  2.60  3 visitas
1  5.063832

4. Calcule el excedente del consumidor e interprételo.

 Según la distribución normal:

X1= EXP(1.355461013 - 0.01453362129*X2 + 1.293461245e-05*X3 + 0.4818644114*X4 +

0.08401190662*X5)

x

5
x1  e1.36  0.01X 2  (1.29 )(10 ) x3  0.49 X 4  0.08 x5
dx


5
)  6234 .69   0.49  0   0.08  3 
3  e1.36  0.01X 2  (1.29 )(10  x 2  17.61
17.61
EC   0
e1.69  0.01x2 dx 2  (3)(17.61)

17.61
 e1.69  0.01X 2 
EC     (3)(17.61)
 0.01  0

EC  161.36

El visitante tiene un total de dinero de 161.36 soles para destinar a pagar por la

conservación a dicho lugar.

5. Calcule la ganancia en bienestar (beneficios) en el excedente del consumidor si se produce

efectivamente la recuperación del Humedal, aumentando el número de visitas en un 30%.

X1 = @ EXP (0.11 - 4.50e-07*X3 + 0.33*X5)

x

5
x1  e1.36  0.01X 2  (1.29 )(10 ) x3  0.49 X 4  0.08 x5
dx


5
) 6234.69   0.49  0   0.08  3 
4  e1.36  0.01X 2  (1.29 )(10  x2  9.01
9.01
EC   0
e1.69  0.01x2 dx 2  ( 4)(9.01)

9.01
 e1.69  0.01X 2 
EC     (3)(9.01)
 0.01  0

EC  88.13

El visitante tiene un total de dinero en soles de 88.13 para destinar a pagar por la

conservación a dicho lugar, cuando se incrementa en un 30% el número de viaje.