Relació n entre el preció de lós cómbustibles y
la seguridad vial en Bógóta .
Autor: José Segundo López Valderrama Asesor: Juan Pablo Bocarejo
Jurado interno: María Carolina Lecompte Jurado externo: Julián Andrés Gómez
1.
Resumen
De acuerdo con las dinámicas actuales del mercado del petróleo estamos en un momento ideal para hacer cambios en la regulación con respecto a los precios de los combustibles. Estas regulaciones tienen impactos en el consumo de combustible y la movilidad y, por ende, también en las externalidades que este genera.
Usando series de tiempo, este estudio desarrolla un modelo para estimar con base en evidencia empírica el impacto de los cambios del precio de los combustibles (gasolina y ACPM) en la demanda de los mismos, seguido de una transformación de la demanda en Kilómetros Vehículo Recorrido (KVR) y por último, la relación entre los KVR y una serie de indicadores de la seguridad vial.
Dentro de los principales hallazgos se encuentra que el precio de la gasolina tiene una relación inelástica a corto plazo y elástica a largo plazo con la demanda, mientras que para la demanda ACPM se encontró que es principalmente explicada por el Producto Interno Bruto per cápita. Asimismo, se encontró una correlación positiva entre los KVR y el número de víctimas y siniestros totales al mes. También se encontraron diferencias significativas en la relación entre los KVR y los siniestros según el tipo de viaje y tipo de vehículo involucrado en el siniestro.
El presente estudio constituye una herramienta útil y de fácil uso para estimar los cambios en la seguridad vial a causa de cambios en el precio de la gasolina. Por último, se discute sobre la necesidad de más información tanto de sección transversal como longitudinal para poder realizar análisis de este tipo más robustos con más variables de control.
2.
Introducción
Hoy en día, en Colombia, se debate sobre el precio elevado de los combustibles y el impacto negativo que este tiene en la sociedad (Velasco, 2012). Sin embargo, dentro de estos debates no se tienen en cuenta otros aspectos en los que el precio de los combustibles puede influir dentro de una sociedad, aparte de simplemente la economía de quienes la consumen.
Un aspecto en el que el precio de la gasolina debe tener efecto, es en las externalidades negativas que el transporte genera. Es preciso notar que el transporte es una actividad inherente al ser humano (Holden et al., 2013), y que actualmente genera problemáticas sociales a causa de externalidades negativas, como lo son los accidentes de tránsito (Yeh, 2013), entre otras. Estas externalidades representan unos costos a la sociedad que no se encuentran en el imaginario colectivo y por lo tanto, no han formado parte de las discusiones sobre el “elevado” precio de la gasolina.
Además, dentro del contexto colombiano la situación de la seguridad vial es crítica. En Colombia, cerca de 12 personas por cada 100.000 habitantes mueren al año a causa de accidentes de tránsito, frente a un promedio internacional de 5,6 por cada 100.000 habitantes (Fondo de Prevención VIal, 2011). Esta situación puede que se esté agravando a causa de los nuevos proyectos de infraestructura vial que incrementan las velocidades promedio de los vehículos motorizados, sobre todo en vías rurales o intermunicipales.
Asimismo, la situación actual del mercado del petróleo a nivel mundial donde los precios han bajado considerablemente hace de este momento una oportunidad ideal para reformular las políticas relacionadas con los combustibles (The Economist, 2015), para eliminar por completo cualquier tipo de subsidio (directo, de estabilización, etc.) y formular precios que logren internalizar las externalidades generadas por quienes se movilizan en vehículos motorizados.
Por otro lado, en la literatura revisada se puede encontrar que las políticas de impuestos a combustibles que buscan disminuir externalidades del transporte hasta ahora han sido enfocadas principalmente en la reducción de gases de efecto invernadero (Santos, Behrendt, Maconi, Shirvani, & Teytelboym, 2010), a pesar de que se ha estimado que si se tiene en cuenta el costo de más externalidades (accidentes, salud, polución, etc.) los impuestos al consumo de combustibles deberían ser significativamente más altos en los países que han sido estudiados (Parry & Small, 2005)(Antón-Sarabia & Hernández-Trillo, 2013).
En varias fuentes de la literatura actual se encuentra que para otros países, en general con la economía más desarrollada, se ha encontrado una asociación entre la seguridad vial y el precio de la gasolina desde diferentes enfoques y niveles geográficos analizados (a nivel de ciudad o país, urbano o rural, por modo de transporte, etc.). En un estudio realizado en Estados Unidos (Chi, Porter, Cosby, & Levinson, 2013), se realizó un análisis a partir de modelos econométricos para entender los efectos del precio de la gasolina en la seguridad vial. Los principales aportes de este estudio fueron que, primero, se identifica el tiempo determinado en el que ocurre el efecto de los cambios del precio de la gasolina, y segundo, identifican que la geografía (el espacio) actúa como restricción a estos efectos. En este mismo estudio se tiene en cuenta que el efecto del precio de la gasolina actúa indirectamente en la seguridad vial al cambiar directamente comportamientos y decisiones de quienes conducen los vehículos motorizados. Este estudio se hizo con datos mensuales del precio de la gasolina y de muertes, teniendo en cuenta las características de los accidentados.
Otro estudio similar al anteriormente descrito (Chi et al., 2011) , relacionaba el precio de la gasolina con los accidentes a causa de conducir en estado de embriaguez. Este estudio abordaba el problema con un modelo de regresión binomial negativa. Este tipo de temática es de gran importancia teniendo en cuenta el contexto colombiano ya que estos temas están en la discusión mediática hoy en día, pero no se cuenta con los datos necesarios para entender mejor la situación en el país.
El principal objetivo de la presente investigación será responder la pregunta sobre qué relación tiene el cambio de los precios de los combustibles en la seguridad vial en Bogotá, y cuáles son los grupos demográficos o sociales cuyo comportamiento o decisiones tienen mayor elasticidad frente al precio de la gasolina. De esta manera, se obtendrá otro enfoque para entender mejor la seguridad vial de Colombia. Además, se espera que a partir de estos resultados se puedan generar recomendaciones y consideraciones para la política de transporte, especialmente, en soportar teóricamente la generación de políticas de precios de los combustibles con componentes enfocados en mejorar la seguridad vial de Bogotá.
3.
Marco teórico
Relación teórica del precio de la gasolina y la accidentalidad.
El presente estudio tiene como finalidad estudiar la posible relación entre el precio de la gasolina y la seguridad vial, en este sentido, diversas publicaciones han explicado teóricamente el sentido de esta asociación, que se puede abordar desde diferentes enfoques. El primero, consiste que ante un mayor precio de los combustibles, habrá una menor cantidad de vehículos en las vías lo que hace que disminuya la probabilidad de que haya una colisión de un vehículo con otros actores de la vía (Santos et al., 2010). A su vez se discute sobre la posibilidad de que cuando hay más vehículos en las vías, aumentará la congestión, lo que implicaría menores velocidades promedio. De este modo, la severidad de los accidentes podría disminuir, sin embargo, no hay información empírica que soporte este razonamiento. Además, el rendimiento marginal de la cantidad de vehículos en la accidentalidad es difícil de captar (Brownfield et al., 2003) (Santos et al., 2010).
Otra forma de estudiar la asociación del precio de los combustibles y la seguridad vial, es en el sentido de que el precio impacta en comportamientos y decisiones de los usuarios de los vehículos motorizados individuales en al menos cuatro maneras En primera instancia se encuentra que, teóricamente, un aumento en el precio de la gasolina podría implicar una disminución en el total de distancia recorrida por las personas en vehículos motorizados porque implicaría que las personas harían menos viajes, viajes más cortos, viajes multipropósito (Huang & Levinson, 2010) (GIZ, 2009). Además, un aumento en los precios de los combustibles podría también incentivar el cambio modal hacia modos sostenibles, como el transporte público, la bicicleta o la caminata (Lane, 2010) (GIZ, 2009). Otra forma en la que el precio de los energéticos usados para transportarse puede impactar la accidentalidad, puede ser que ante un cambio positivo de este, los conductores se podrían cambiar a vehículos más eficientes en el consumo de combustible (Goodwin & Dargay, 2004). Esto último tendría un impacto ya que al cambiar la composición vehicular cambian variables como el peso de los vehículos - aunque el efecto a gran escala del peso ha sido encontrado que no es significativo (Leigh & Wilkinson, 1991)- y la vulnerabilidad de estos ante un siniestro. También cambia la tecnología que los vehículos dispongan para disminuir los impactos de un accidente. Por último, también puede haber un incentivo a la relocalización de los hogares, haciendo que la gente busque ubicar su vivienda cerca a los lugares de sus actividades (Graham & Glasiter, 2004). Como se puede inferir, los impactos en la distancia recorrida, cantidad de viajes, tipo de viajes, cambio modal y forma de conducir tienen lugar a corto plazo, mientras que el impacto en la composición vehicular y la localización de los hogares con respecto a las actividades pueden ser a más largo plazo.
Efectos retardados del precio de los combustibles
El precio de los combustibles puede no tener un efecto inmediato en el cambio en los patrones de movilidad, y por ende, en la accidentalidad. En parte, se debe a las características de las asociaciones teóricas que se discutieron anteriormente. A corto plazo, los consumidores sólo pueden cambiar su comportamiento de consumo, por ende, sólo una reacción parcial ante cambios de precios en los combustibles se puede identificar inmediatamente. En cambio, a largo plazo, los consumidores pueden cambiar tanto su comportamiento como su capital disponible para transportarse (Bhatttacharyya, 2011). A su vez, estudios como el de Sita, Marrouch, & Abosedra (2012) han demostrado que la relación del precio de la gasolina y la demanda es inelástica a corto plazo. Asimismo, el estudio de Chi et al. (2013) encontró información empírica que indica que la elasticidad máxima entre el precio de la gasolina y la accidentalidad tiene un retardo de entre 6 y 12 meses (con un máximo a los 9 meses). Estos dos hallazgos son consecuentes con la información teórica existente.
Para calcular los efectos retardados del efecto del precio de la gasolina en la demanda de combustibles se puede usar el modelo de Koyck (Rosales et al., 2009), que incorpora el efecto del precio de los combustibles en la demanda de un periodo de referencia incorporando rezagos infinitos como el que se muestra a continuación.
(1) 𝑌𝑡 = 𝛼 + 𝛽0𝑋𝑡+ 𝛽1𝑋𝑡−1+ 𝛽2𝑋𝑡−2+ ⋯ + 𝛽𝑝𝑋𝑡−𝑝+ 𝑢𝑡
La ecuación 1 corresponde a un modelo econométrico cuya variable dependiente (Yt) es explicada por Xt y los rezagos
infinitos de esta variable. El subíndice indica el periodo de referencia de cada variable. Asumiendo que todos los coeficientes tienen el mismo signo, el modelo de Koyck transforma geométricamente todos los rezagos como se muestra en la ecuación 2, donde
(2) 𝛽𝑝= 𝛽0𝜆𝑝, 𝑐𝑜𝑛 𝑝 = 1, 2, 3, … 𝑛
Donde p es el número del rezago, λ es la tasa de descenso del rezago distribuido (con 1- λ la velocidad de ajuste del coeficiente β). De esta manera, se puede quedar con un modelo que permite calcular elasticidades a corto y largo plazo de manera simplificada como el que se muestra a continuación.
Con el modelo presentado en la ecuación, β corresponde a la elasticidad a corto plazo y la relación entre este coeficiente y la tasa de descenso del rezago distribuido (β/λ) corresponde a la elasticidad a largo plazo.
Elasticidad no constante
Un estudio reciente (Iseki & Ali, 2014) sobre el efecto del precio de la gasolina en el cambio modal -específicamente desde carro hacia transporte público- encontró que la elasticidad al precio de la gasolina y el cambio modal no es constante. En el estudio se usó un término cuadrático para estimar el máximo de la elasticidad, sin embargo, no tiene una base teórica para usar esta forma funcional de la elasticidad al precio de la gasolina. También se ha encontrado que la elasticidad no es simétrica, es decir, no es igual si decrece o crece el precio de la gasolina (Iseki & Ali, 2014) (Chen, Varley, & Chen, 2010). Además encontraron que la elasticidad al precio de la gasolina es menor cuando este es bajo (entre 2 y 3 dólares estadounidenses por galón), y crece cuando el precio es alto (entre 3 y 4 dólares estadounidenses por galón), debido a que los viajeros pueden ser más sensibles a los cambios cuando el precio ya sea alto (Iseki & Ali, 2014). Esto implica que la elasticidad entre el precio de los combustibles y la accidentalidad también puede ser compleja por lo que es necesario probar más formas funcionales en los modelos que encuentren las elasticidades que sólo la forma lineal.
Variación según grupo demográfico
El grupo demográfico también tiene una influencia importante en la respuesta ante cambios en el precio de la gasolina. Las principales características que afectan la respuesta del consumidor al precio de los combustibles son el género, la edad y el nivel de ingreso.
En el estudio de Hyatt et al. (2009) encontraron que ante aumentos en el precio de la gasolina, la media de la edad de las personas involucradas en siniestros también aumenta, es decir, quienes tienen menos edad dentro de los conductores tienden a involucrarse menos en siniestros. También en el estudio de Morrisey & Grabowski (2010) se encontró una fuerte asociación entre los siniestros con menores de 18 años involucrados y el precio de la gasolina (para el resto de grupos de edad la asociación era menos fuerte). Igualmente, en el estudio de Chi et al. (2011) se encontró que en cuanto a la accidentalidad hay una elasticidad mayor al precio de la gasolina para quienes están entre los 18 y los 24 años que para personas mayores. Esto es consecuente con la teoría, ya que se asume que los jóvenes son quienes salen primero del mercado ante aumentos de precios del bien en consideración (Bhattacharyya, 2011).
Por otro lado, se ha encontrado que hay diferencias en el comportamiento de viaje según el género, y por ende, es posible que también existan diferencias en la reacción ante cambios en los precios de los combustibles. Según el estudio de Chi et al. (2013) , hay una mayor elasticidad entre el precio de la gasolina y los accidentes del género masculino que para el género femenino, tomando un valor de 0,19 y 0,11 respectivamente, con un retraso de 9 meses. En este estudio, esto se estimaba que la participación de los viajes utilitarios de los hombres era mayor que la de las mujeres. Y los viajes utilitarios (trabajo y estudio) son más inelásticos a los cambios en el precio de la gasolina (Iseki & Ali, 2014).
Variación según la característica del viaje
También se ha encontrado que las características de los viajes pueden impactar en la elasticidad entre precio de la gasolina y patrones de movilidad (Iseki & Ali, 2014). Se ha encontrado que los viajes más largos tienden a ser más sensibles a cambios en el precio de la gasolina. En el caso de Bogotá, esto implicaría que personas que residen en estratos socioeconómicos bajos tenderían a ser más elásticos al precio, debido a que –sin tener en cuenta el menor poder adquisitivo- son quienes hacen viajes más largos (Verma, López, & Pardo, 2015). A su vez, los viajes utilitarios tienden a ser más inelásticos que los viajes como compras y demás (Iseki & Ali, 2014). Esto también puede significar una diferencia temporal de los accidentes en la respuesta ante los cambios del precio de la gasolina ya que la mayoría de viajes utilitarios se realizan en hora pico (Steer Davies and Gleave & Centro Nacional de Consultoría, 2011).
De acuerdo a la literatura revisada, a continuación se presenta la metodología abordada para desarrollar el modelo de la asociación entre la seguridad vial y el precio de la gasolina.
4.
Metodología
En primera instancia, fue necesario recolectar información sobre accidentes de tránsito en Colombia y sobre precios históricos de la gasolina en Colombia con el mayor grado de desagregación posible. Se buscó que los datos que estuvieran disponibles fueran comparables tanto temporal como geográficamente. Entre más desagregación se obtuviera, más robusto podrá ser el análisis al poder subdividirse en categorías demográficas, sociales y geográficas, así como por tipo de usuario y tipo de accidente. De acuerdo a la disponibilidad de datos, la unidad de análisis que se utilizó fue el mes. Es decir, se construyó la base de datos donde cada observación es un mes desde enero de 2001 hasta diciembre de 2014.
También se elaboró una serie de modelos econométricos que busca crear un modelo general que relacione el precio de combustibles con la seguridad vial en Bogotá. Para poder estudiar esta asociación, se investigarán las variables que están relacionadas directamente entre sí para poder inferir, la relación indirecta entre estas dos variables. A continuación se muestran las variables y relaciones empíricas que se intentaron demostrar.
Figura 1. Esquema de los modelos a utilizar en la investigación.
En la Figura 1 se muestra de manera esquemática la forma cómo se abordó la investigación entre el precio de los combustibles y los siniestros de tránsito. Es preciso aclarar que aunque no se puedan incluir todas las variables que afectan en cada uno de los pasos acá propuestos se asume que se encuentran en el término del error de los modelos utilizados.
Modelo I
Como primera herramienta, se construyó un modelo que busca comprobar la relación empírica entre el precio de los combustibles y el consumo de los mismos. En este modelo, se espera encontrar la elasticidad entre estas dos variables de manera que sirva como insumo para el siguiente modelo.
Para tal fin, se utilizó el modelo de Koyck, que incluye las consideraciones necesarias para tener en cuenta rezagos infinitos de las variables en consideración, de manera simplificada (Rosales et al., 2009). Para realizarlo, se transforma la siguiente ecuación de rezagos infinitos (1) a una de dos variables independientes (2):
(1) 𝑌𝑡 = 𝛼 + 𝛽0𝑋𝑡+ 𝛽1𝑋𝑡−1+ 𝛽2𝑋𝑡−2+ ⋯ + 𝛽𝑝𝑋𝑡−𝑝+ 𝑢𝑡
(2) 𝑌𝑡 = 𝛼(1 − 𝜆) + 𝛽0𝑋𝑡+ 𝜆𝑌𝑡−1+ 𝑒𝑡
Donde 𝜆 es la velocidad de ajuste, 𝛽0 es la elasticidad a corto plazo, Y y X son las variables dependiente e independiente
respectivamente y los subíndices corresponden al rezago o número de retardo de la variable. A partir de este modelo, se puede calcular la elasticidad a corto plazo con el coeficiente que acompaña a la variable independiente 𝑋𝑡 y la elasticidad
a largo plazo como la razón entre 𝛽0 y 𝜆 (Rosales et al., 2009). Además, este modelo parte de que la elasticidad de cada
rezago se puede estimar como:
Donde 𝛽𝑝 es la elasticidad del rezago p que puede tomar valores desde 1 a infinito (Rosales et al., 2009).
A partir de las ecuaciones 2 y 3 se calcularon las elasticidades del precio de la gasolina (variable independiente) con la demanda de gasolina (variable dependiente) así como del ACPM con el PIB, como se mostrará en la sección de especificación de los modelos.
Modelo II
En seguida, se usó la metodología descrita por Góngora Pérez (2012) para el cálculo de los kilómetros recorridos en vehículo (KVR) como herramienta II. En esta parte de la metodología, se calculó la eficiencia promedio en términos de galones de combustible por kilómetro recorrido del parque automotor existente. Esto se hizo de manera segregada para los vehículos según el tipo de combustible que consumen. Con este insumo y el total de consumo mensual de ACPM y gasolina se calcularon los kilómetros recorridos en vehículos motorizados según tipo de combustible para el cada mes durante el periodo de tiempo analizado.
La ecuación para calcular la eficiencia promedio de vehículos según tipo de combustible fue la siguiente:
𝐸𝑓𝑖𝑐𝑖𝑐𝑒𝑛𝑐𝑖𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑖 =∑ 𝑒𝑘∗ 𝑛𝑢𝑚𝑣𝑒ℎ𝑘∗ 𝑓𝑎𝑐𝑡𝑘
𝑘 𝑛=1
∑𝑘 𝑛𝑢𝑚𝑣𝑒ℎ𝑘∗ 𝑓𝑎𝑐𝑡𝑘
𝑛=1
Donde k es el número de tipos de vehículos que usan el combustible i, 𝑛𝑢𝑚𝑣𝑒ℎ𝑘 es el número de vehículos de la clase k, 𝑒𝑘 es la eficiencia del modo k y 𝑓𝑎𝑐𝑡𝑘 es el factor de actividad del modo k. Este cálculo se hace para cada mes dentro del periodo de tiempo analizado. Como se tiene solo el tamaño del parque automotor al final de cada año entre 2003 y 2014, se tuvo que hacer interpolación lineal para hacer una aproximación de este insumo para cada mes del año. Además, para este cálculo se asume que la relación de factores de actividad entre los distintos modos permanece constante a lo largo del tiempo.
Por último, para cada mes se calcula los KVR en cada tipo de combustible con las siguientes ecuaciones:
𝐾𝑉𝑅𝑖 =𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒 𝑖 (𝑒𝑛 𝑔𝑎𝑙𝑜𝑛𝑒𝑠 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑜𝑠 𝑎𝑙 𝑚𝑒𝑠) 𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 (𝑒𝑛 𝑔𝑎𝑙𝑜𝑛𝑒𝑠 𝑝𝑜𝑟 𝑘𝑖𝑙ó𝑚𝑒𝑡𝑟𝑜 𝑟𝑒𝑐𝑜𝑟𝑟𝑖𝑑𝑜)
De esta manera, se puede obtener los KVR recorridos por vehículos a gasolina, ACPM y el total teniendo los datos de eficiencia promedio de cada uno y sumando los dos resultados.
Modelo III
Como última herramienta, se planteó una estructura funcional de modelos econométricos que buscan encontrar la relación empírica entre indicadores de seguridad vial y los KVR. Se desagregaron los indicadores de seguridad vial según el tipo de vehículo que conduce, el género, la edad de las víctimas y la hora del siniestro. De esta manera, aunque se espera que la relación entre el consumo y el precio de la gasolina sea inelástica a corto plazo, se podrá identificar a qué grupos poblacionales impacta en mayor medida los cambios en el precio de la gasolina y así mirar cómo cambian los siniestros de manera detallada. De esta manera, se construyeron modelos en donde la variable dependiente es un indicador de seguridad vial y las independientes son los KVR y el PIB per cápita.
5.
Especificación de los modelos
De acuerdo a lo revisado en el marco teórico para estudiar la relación de la seguridad vial y el precio de la gasolina se tuvieron en cuenta principalmente las especificaciones de modelos de regresión simple y dinámica. Las estructuras presentadas de los modelos fueron basadas en la publicación de Rosales et al. (2009).
Consumo y precio de los combustibles
Para evaluar el efecto del precio de los combustibles en el consumo de los mismos se plantea la siguiente especificación, cabe aclarar que se realizará uno independiente para cada tipo de combustible y el consumo del mismo:
(1) 𝐶𝑖 = 𝛽0+ 𝛽1𝑃𝑐𝑖−1+ 𝛽2𝐶𝑖−1+ 𝑒𝑖
Donde Ci es el consumo del combustible analizado en el periodo i, Pci-1 es el precio del combustible en el periodo i y Ci-1
corresponde al consumo en el periodo i-1. Esta especificación corresponde al modelo de Koyck, que simplifica un modelo de rezagos infinitos a uno como el que se muestra en la ecuación 1, por ende, con este modelo es posible estimar elasticidades a corto y largo plazo. (Rosales et al., 2009)
Seguridad vial y KVR
El siguiente tipo de modelo propuesto inicialmente es el que relaciona la variable de kilómetros recorridos en vehículos con la accidentalidad. Para estudiar la relación mencionada, se utilizará un conjunto de modelos de estructura funcional similar que usará las series de tiempo de accidentalidad que se tiene en la base de datos, para crear cada modelo dentro del conjunto como se muestra en la ecuación (3).
(3) 𝑎𝑐𝑐𝑖 = 𝛽0+ 𝛽1𝐾𝑉𝑅𝑖+ 𝛽2𝑃𝐼𝐵𝑖+ 𝑒𝑖
Donde acci representa un indicador de seguridad vial -según sea el caso- del periodo i, y KVR corresponde a los
kilómetros-vehículo recorridos y el subíndice corresponde al periodo de la observación. A su vez, se incluye el PIB per cápita en precios constantes de enero de 2015 del periodo i como variable independiente.
6.
Datos
Precio de combustibles
Los precios de combustibles provienen de la base de datos de la Unidad de Planeamiento Minero Energética (UPME) del Ministerio de Minas y Energía. En esta base, se contó con los precios promedio mensual en pesos colombianos de un galón de los energéticos gasolina y ACPM desde enero de 2001 hasta septiembre de 2014. Se transformó cada uno de los precios a precios de enero de 2015 para tener en cuenta el efecto del tiempo. Para este fin, se utilizó la inflación histórica mensual dentro del mismo periodo de tiempo publicada por el Departamento Administrativo Nacional de Estadística (DANE). Además, dentro de los modelos se utilizó en todos los casos el logaritmo en base 10 de estos precios para calcular las elasticidades entre el precio y la demanda de los energéticos.
Tabla 1. Resumen de variables de precio de combustible. Todos los valores están en precios constantes de enero de 2015.
Variable Unidades Número de
observaciones
Media Desviación estándar
Mínimo Máximo
Precio de la gasolina
Pesos colombianos /galón
164 7919 1208 5614 9639
Precio del ACPM
Pesos colombianos /galón
134 6789 1334 4143 8603
En la ¡Error! No se encuentra el origen de la referencia. se puede apreciar el resumen de las variables de precio de la gasolina y ACPM por galón utilizados en el modelo. Todos los valores están en precios constantes de enero de 2015 y en
pesos colombianos. A continuación se presentan estos datos gráficamente. En la Figura 2. Evolución del precio de la gasolina corriente y el ACPM se muestra el comportamiento a través del tiempo del precio de la gasolina y del ACPM en precios constantes de enero de 2015. Se puede observar un incremento del precio para ambos energéticos en la mayoría del periodo analizado con dos periodos en los que el precio baja, en 2007 y en 2010 a 2012.
Figura 2. Evolución del precio de la gasolina corriente y el ACPM
Demanda de combustibles y Kilómetros-Vehículo Recorridos (KVR)
La demanda de combustibles que se usa en los modelos corresponde al total de galones consumidos cada mes entre enero de 2001 y septiembre de 2014 provenientes de las bases de datos del Ministerio de Hacienda. Se obtuvo el consumo desagregado de gasolina (extra y normal) y de ACPM (¡Error! No se encuentra el origen de la referencia.).
Además, se tuvo en cuenta la eficiencia promedio (expresada en galones por kilómetro recorrido) para gasolina y ACPM dentro del análisis y los kilómetros-vehículos recorridos por vehículos que usan cada energético para hacer su combustión. Para obtener la eficiencia promedio de los vehículos se usó el rendimiento promedio de cada modo (también en galones consumidos por kilómetro recorrido) proveniente de un estudio de la Universidad de los Andes y la Universidad del Norte (2012) y, como factores ponderadores, la cantidad de vehículos según clase proveniente de datos de la Secretaría Distrital de Movilidad (2015) y el factor de actividad de los vehículos (en kilómetros totales recorridos al año en promedio por cada vehículo) del Plan Decenal de Descontaminación del Aire para Bogotá (Secretaría Distrital de Ambiente, 2010). Este cálculo será presentado en la sección de resultados.
En la ¡Error! No se encuentra el origen de la referencia. se muestra el resumen de las variables relacionadas con la demanda de combustibles y los Kilómetros-Vehículo recorridos.
Tabla 2. Resumen de variables de demanda de combustibles y KVR.
Variable Unidad Número de
observaciones
Media Desviación
estándar
Mínimo Máximo
Demanda de gasolina
Millones de galones al mes
Demanda de ACPM
Millones de galones al mes
165 16,1 2,19 11,0 19,9
Eficiencia promedio (gasolina)
Galones/ kilómetro promedio al mes
133 0,034 0,002 0,030 0,038
Eficiencia promedio (ACPM)
Galones/ kilómetro promedio al mes
133 0,123 0,0009 0,121 0,124
KVR-gasolina Millones de kilómetros al mes
130 684 78 539 907
KVR-ACPM Millones de kilómetros al mes
130 138 10,1 113 160
Figura 3. Demanda de combustibles por tipo.
En la Figura 3 se puede observar la evolución de la demanda de gasolina y ACPM. En el caso de la demanda de gasolina se observa una estacionalidad más fuerte que en la demanda de ACPM. En el caso de la demanda de gasolina se nota decreciente hasta el 2007 y a partir de ahí crece la demanda. Cabe resaltar que en ese mismo año se experimentó una baja súbita del precio de la gasolina como se ve en la Figura 2.
A continuación en la Figura 4 se encuentra los KVR a través del tiempo para el periodo de estudio. En este caso hay una diferencia mayor entre los KVR en vehículos a gasolina y ACPM que lo que se veía en la demanda. Además la tendencia cambia en mayor medida para los KVR. También se puede observar que el cambio en rendimiento promedio en el caso de los vehículos que usan ACPM es significativamente menor que los que usan gasolina en la Figura 5.
Figura 4. KVR por tipo de combustible consumido.
Figura 5. Rendimiento promedio de la flota vehicular
Seguridad vial
Las series de tiempo relacionadas con la seguridad vial se obtuvieron de dos fuentes principales: Medicina Legal (ML) y la Secretaría Distrital de Movilidad (SDM). Para las series de tiempo cuya fuente es ML, se tienen datos desde enero de 2007 hasta diciembre de 2011. Las que fueron obtenidas de la SDM se tienen datos desde enero de 2012 hasta diciembre de 2014. Es preciso aclarar que en ningún modelo se utilizó una serie de tiempo con el mismo indicador de seguridad vial de las dos fuentes citadas debido a la inconsistencia en cuanto a la recolección de datos de estas dos fuentes. Por esta razón, los modelos donde la variable dependiente tiene como fuente la SDM tiene máximo 36 observaciones y en las que provienen de ML tienen a lo sumo 72 observaciones.
Tabla 3. Resumen variables de seguridad vial (datos mensuales).
Variable Fuente Número de
observaciones
Media Desviación estándar
Siniestros totales SDM 36 2878 215 2345 3355
Víctimas (heridas + muertas) ML 72 354 128 203 682
Vehículos involucrados en siniestros SDM 36 5281 404 4310 6015
Vehículos involucrados en siniestros en hora pico
SDM 32 1278 223 858 1698
Vehículos involucrados en siniestros a gasolina
SDM 36 3881 299 3140 4425
Vehículos particulares involucrados en siniestros
SDM 36 3219 252 2612 3728
Motocicletas involucradas en siniestros
SDM 36 662 63 528 788
Víctimas género femenino ML 72 138 52 66 287
Víctimas género masculino ML 72 216 77 137 415
Conductores involucrados en siniestros entre 16 y 24 años de edad
SDM 36 700 72 518 813
Conductores involucrados en siniestros entre 25 y 40 años de edad
SDM 36 2509 195 2050 2840
Conductores involucrados en siniestros con 41 o más años de edad
SDM 36 2058 170 1714 2426
Figura 6. Datos de seguridad vial.
En la ¡Error! No se encuentra el origen de la referencia. se puede observar el resumen de las variables utilizadas como indicadores de seguridad vial, cada una utilizada como variable dependiente en el Modelo III a continuación.
En la Figura 6 se puede ver la temporalidad de las dos fuentes primarias de información de seguridad vial. En esta figura, los datos de víctimas provienen de ML y los datos de siniestros provienen de la SDM.
7.
Resultados
En la Tabla 4se presentan los resultados de los modelos utilizados para estudiar la relación que existe entre el precio de la gasolina y la seguridad vial. Como ya se mencionó, el modelo está compuesto de tres partes. La primera (I) y la tercera
0 50 100 150 200 250 300 350 400 450 1000 1500 2000 2500 3000 3500 200 7 200 8 200 9 201 0 201 1 201 2 201 3 201 4 Víc timas al m es Sinies tro s al m es Año Siniestros Víctimas
(III) se componen de modelos econométricos estimados por Mínimos Cuadrados Ordinarios (MCO). La segunda parte (II) es una conversión de la demanda de los combustibles a KVR, teniendo en cuenta las características del parque automotor. A continuación se muestra el resumen de los modelos (MCO) utilizados en las partes I y III del modelo.
Tabla 4. Resumen de especificación de modelos econométricos utilizados.
Nombre
Modelo Variable independiente Variable (s) independiente (s) Ia Logaritmo de la demanda de
gasolina
Logaritmo del precio de la gasolina
Logaritmo del primer rezago de la demanda de
gasolina
Ib Logaritmo de la demanda de
ACPM
Logaritmo del PIB per cápita
Logaritmo del primer rezago
IIIa Siniestros al mes
Logaritmo de los KVR en vehículos a gasolina
Logaritmo del PIB per cápita
IIIb Víctimas al mes
Logaritmo de los KVR en vehículos a gasolina
IIIc (1) Vehículos involucrados en
siniestros en hora valle
Logaritmo de los KVR en vehículos a gasolina
Logaritmo del PIB per cápita
IIIc (2) Vehículos accidentados enhora pico
Logaritmo de los KVR en vehículos a gasolina
Logaritmo del PIB per cápita
IIId (1) Vehículos involucrados ensiniestros a gasolina
Logaritmo de los KVR en vehículos a gasolina
Logaritmo del PIB per cápita
IIId (2) Vehículos particularesinvolucrados en siniestros
Logaritmo de los KVR en vehículos a gasolina
Logaritmo del PIB per cápita
IIId (3) Motocicletas involucradasen siniestros
Logaritmo de los KVR en vehículos a gasolina
Logaritmo del PIB per cápita
IIIe (1) Víctimas género femenino
Logaritmo de los KVR en vehículos a gasolina
IIIe (2) Víctimas género masculino
Logaritmo de los KVR en vehículos a gasolina
IIIf (1) Conductores involucrados en siniestros entre 16 y 24 años de edad
Logaritmo de los KVR en vehículos a gasolina
IIIf (2) Conductores involucrados en siniestros entre 25 y 40 años de edad
Logaritmo de los KVR en vehículos a gasolina
IIIf (3) Conductores involucrados en siniestros mayores de 41 años de edad
Logaritmo de los KVR en vehículos a gasolina
En todos los modelos, la unidad temporal que se utilizó como observación fue el mes y en caso de tener precios se utilizaron precios constantes de enero de 2015.
Dentro de los principales resultados se encontró que:
La relación entre el precio de la gasolina y la demanda es inelástica a corto plazo y elástica a largo plazo.
El precio del ACPM no es una variable significativa para explicar la demanda de este energético. Se encontró que el PIB y la demanda tienen una relación inelástica tanto a corto como largo plazo.
La eficiencia promedio de los vehículos a gasolina ha incrementado considerablemente debido al crecimiento acelerado de la proporción de motocicletas en el total de vehículos (del 2% al 21%).
Los KVR están correlacionados positivamente con la cantidad de siniestros y víctimas totales según la evidencia empírica encontrada.
Los siniestros en hora pico (viajes con mayor proporción de viajes utilitarios) no están correlacionados con los KVR. Para los siniestros en hora valle sí se encontró una correlación positiva con los KVR.
La cantidad de vehículos particulares es más elástica que la cantidad de motocicletas involucradas en siniestros.
Los KVR tienen un rendimiento marginal diferente en la cantidad de siniestros según género y edad, sin embargo, algunas de estas diferencias no son significativas.
A continuación se presentan más precisamente los resultados de cada modelo propuesto.
I.
Modelo de precio de los combustibles y consumo.
El primer paso consistió en separar el análisis de las variables que inciden en los cambios de consumo para ACPM y gasolina. En este caso, las dos variables influyentes fueron el precio del combustible y el PIB per cápita, siendo el precio de la gasolina el que influye en la demanda del mismo energético y el PIB per cápita el que influye en los cambios de demanda del ACPM
Además, se hizo una estimación de la elasticidad a corto y largo plazo para los combustibles estudiados. En el caso del ACPM, se encontró que la relación de la demanda y el PIB per cápita es inelástica a corto y largo plazo, con un valor de 0,01 y 0,02 respectivamente. Por otro lado, con base en la información empírica, se pudo afirmar que la relación entre el precio y la demanda de la gasolina es inelástica a corto plazo (elasticidad de -0,44) y elástica a largo plazo (-1,1). Como consecuencia de este resultado, se decidió usó únicamente la gasolina en los siguientes análisis (modelo III) del presente estudio.
Gasolina
La Tabla 5 muestra el modelo que busca encontrar la relación entre el precio y la demanda de la gasolina. Las variables incluidas en este modelo son el logaritmo de la demanda de gasolina como variable dependiente y el logaritmo del precio de la gasolina y el logaritmo del primer rezago de la demanda de gasolina como variables independientes.
Tabla 5. Modelo Ia: precio de la gasolina-demanda incuyendo rezagos infinitos (modelo de Koyck).
(1)
VARIABLES
l_d_gas
lp_rec_gas_pc
-0.439***
(0.0944)
ld_gas1
0.396***
(0.0728)
Constant
11.96***
(1.479)
Observations
163
R-squared
0.432
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
En la Tabla 5 se puede apreciar la salida del modelo que asocia el precio de la gasolina y el consumo (galones mensuales) del energético. En este caso, se usó el modelo de Koyck para poder capturar todos los rezagos con esta simplificación. El coeficiente que acompaña el logaritmo del precio de la gasolina corresponde (𝛽0= -0.44) a la elasticidad a corto plazo, y la relación entre este coeficiente y el que acompaña al rezago de la demanda de gasolina (λ =0.396) es la elasticidad a largo plazo. Estos dos resultados se pueden apreciar en la Tabla 6, donde se puede estimar que la demanda es inelástica a corto plazo y a largo plazo es elástica con respecto al precio.
Tabla 6. Elasticidad a largo y corto plazo entre la demanda y el precio de la gasolina según el modelo de Koyck
Elasticidad precio – demanda gasolina
Corto plazo Largo plazo
-0.439 -1.108
En este sentido, según la evidencia empírica encontrada se puede afirmar que ante un aumento del 10% en el precio de la gasolina, se podría esperar que, en promedio, la demanda del energético disminuya 4.39% a corto plazo (en el mismo mes) y 11.08% a largo plazo según la evidencia empírica encontrada.
A continuación se observa la elasticidad precio-demanda para cada rezago según el modelo de Koyck. En esta gráfica se muestra la suposición que se hace en este modelo de que todas las elasticidades corresponden a una proporción de la elasticidad a corto plazo y dependen de una velocidad de ajuste (1-λ, según Rosales et al., (2009)). De esta manera, en la Figura 7 se muestra la evolución de la elasticidad en el tiempo.
Figura 7. Elasticidad precio-demanda de la gasolina según rezago.
El resultado mostrado en Figura 7 se entender como el efecto que tendría un cambio en el precio de la gasolina en el periodo i en el periodo i+p, siendo p el número de rezagos. Por ejemplo, si se aumenta hoy el precio de la gasolina un 10%, en el mismo mes disminuiría en promedio 4,4%, un mes después disminuiría 1,7%, en el tercero 0,7% y así sucesivamente. Es debido a este efecto, que cuando se acumulan las elasticidades, se encontró que la relación entre el precio y la demanda de la gasolina es elástica a largo plazo.
ACPM
Como primera medida, se encontró que el precio del ACPM no es una variable significativa para explicar la demanda del mismo. En contraste, el PIB sí fue significativa y, por ende, fue la variable que se tuvo en cuenta para esta sección del análisis.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0 1 2 3 4 5 6 7
El
a
st
ic
ida
d
(va
lo
r a
b
so
lu
to
)
Número de rezagos
Elasticidad precio-demanda de la gasolina vs
número de rezagos
Tabla 7. Modelo Ib: Demanda ACPM y PIB
(1)
VARIABLES
ld_acpm
pibpc2015
0.0150***
(0.00360)
ld_acpm1
0.690***
(0.0583)
Constant
4.856***
(0.910)
Observations
164
R-squared
0.839
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
De acuerdo al resultado mostrado en la Tabla 7. Modelo Ib: Demanda ACPM y PIB la el PIB per cápita es una variable significativa para explicar la demanda de ACPM. Sin embargo, la relación es inelástica tanto a corto como a largo plazo como se puede apreciar en la Tabla 8.
Tabla 8 Elasticidad a corto y largo plazo entre el PIB y la demanda de ACPM.
Elasticidad PIB- demanda
Corto plazo Largo plazo
0.01 0.02
A su vez, la velocidad de ajuste (velocidad en la que decrece la elasticidad con respecto al número de rezagos) es menor en el caso del ACPM que en la gasolina como se puede apreciar en la Figura 8. Elasticidad según número de rezagos. Sin embargo, como el objetivo de esta investigación es establecer el efecto del precio de los combustibles en otras variables, se dejará por fuera de los siguientes análisis la variable de consumo del ACPM, pues según la evidencia empírica, no está determinada por el precio del energético.
Figura 8. Elasticidad según número de rezagos.
II.
Cálculo de Kilómetros-Vehículo Recorridos (KVR)
Como se explicó en la metodología, para calcular los KVR por mes para el periodo de estudio era necesario contar con el rendimiento de cada modo, la composición vehicular en cada mes y el factor de actividad de los vehículos. A continuación (Tabla 9 y Tabla 10) se muestra el resumen de la información utilizada para realizar este cálculo. En la Tabla 9 se muestra el rendimiento, en galones consumidos por kilómetro recorrido, utilizado para cada tipo de vehículo en los cálculos. También se puede apreciar el factor de actividad de cada vehículo promedio, en total de kilómetros recorridos al año por un vehículo de la categoría correspondiente.
Tabla 9. Rendimiento y factor de actividad por modo.
Modo Rendimiento (gal/km) Factor de actividad (km/año)
Motos 0,01 25000
Carros/camperos/camionetas 0,04 14300
Taxi 0,04 73000
Ruta privada/bus escolar 0,1 63000
Buses 0,12 65700
Busetas 0,07 65700
Microbuses 0,06 65700
Alimentadores 0,11 65700
Padrones 0,13 69350
Troncales 0,16 69350
Fuente: Universidad de los Andes &
Universidad del Norte, 2012
Secretaría Distrital de Ambiente, 2010
En la Tabla 10 se muestra la cantidad de vehículos de cada categoría registrados al final de cada año según las bases de datos de la Secretaría Distrital de Movilidad. Como se puede observar, estos datos solo se tenían anualmente así que fue necesario interpolar linealmente para poder obtener un estimativo de la cantidad de vehículos registrados cada mes, para así poder proseguir con los cálculos del modelo III (KVR y seguridad vial en la siguiente sección de resultados).
Tabla 10. Cantidad de vehículos por clase y eficiencia promedio según tipo de combustible y total. Fuente: Secretaria Distrital de Movilidad, 2015.
Año Motos Carros/ camperos/ camionetas
Buses/ busetas/ microbuses
Troncales Eficiencia promedio total (gal/km) Eficiencia promedio vehículos Eficiencia promedio vehículos 0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
El a st ic ida d
Número de rezagos
Elasticidad PIB-demanda del ACPM vs número de
rezagos
ACPM (gal/km)
gasolina (gal/km)
2002 16397 488584 0,0383
2003 16945 550962 19852 505 0,0500 0,1216 0,0385
2004 30129 614204 19876 607 0,0481 0,1219 0,0376
2005 43714 667558 19239 766 0,0463 0,1223 0,0369
2006 78816 735706 17636 1008 0,0431 0,1230 0,0353
2007 111626 819054 17047 1069 0,0410 0,1232 0,0342
2008 140485 895293 16186 1074 0,0394 0,1234 0,0335
2009 163757 958072 15653 1133 0,0384 0,1236 0,0331
2010 205585 1049527 15409 1263 0,0371 0,1240 0,0323
2011 269452 1162515 14694 1291 0,0354 0,1242 0,0313
2012 333188 1346204 15573 1446 0,0346 0,1244 0,0309
2013 385273 1447535 15979 1592 0,0339 0,1247 0,0305
2014 424588 1554746 17528 1547 0,0338 0,1242 0,0303
El principal aporte de esta sección al modelo general de precio de la gasolina-seguridad vial es el de poder tener en cuenta el cambio que se ha experimentado en el parque automotor en los últimos años. En especial, la cantidad de motocicletas cambió de ser el 3% del total de vehículos en 2002 al 21% en 2014 (Secretaria Distrital de Hacienda, 2015). Esto hizo que la eficiencia promedio de los vehículos a gasolina aumentara y se consumiera, en promedio, menos galones de gasolina por cada kilómetro recorrido. En la Figura 9 se puede apreciar el cambio en el consumo de gasolina por kilómetro de los vehículos en el periodo de estudio.
Figura 9. Evolución eficiencia promedio vehículos a gasolina.
Según la Figura 9, el consumo de gasolina por kilómetro recorrido promedio disminuyó en un 27%, por ende, mejoró notablemente la eficiencia. Esto indica que si se obtuviera el mismo consumo de gasolina en un mes de 2002 y en uno de 2014, se recorrerían 27% más de kilómetros en el último año. Por esta razón, se consideró necesaria la inclusión de la trasformación de demanda de combustible a KVR en el desarrollo del modelo.
Por otro lado, para el cálculo de los KVR, fue necesario asumir que la eficiencia promedio de cada vehículo se mantuvo constante en el periodo de estudio ya que no se tenía una serie de tiempo para la eficiencia estimada de cada modo, tan solo se tenía la composición vehicular a través del tiempo. También se asumió que la proporción de factor de actividad se mantenía constante para poder usarlo como factor ponderador y calcular la eficiencia promedio de los vehículos según el combustible que consume.
0.030 0.032 0.034 0.036 0.038 0.040
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Efi c ien c ia p ro med io veh íc ul o s a g a soli n a ( g a l/k m ) Año
Evolución de la eficiencia promedio del
vehículos a gasolina
Según los cálculos, los vehículos a gasolina recorrieron 4.97 veces más kilómetros que los vehículos a ACPM en el periodo de estudio (2003 a 2014). En total, se recorrieron 821 millones de kilómetros por vehículos a ACPM y gasolina desde 2003 a 2014.
Con el insumo de este paso del modelo, donde se encontraron los KVR por tipo de combustible, se pudo proceder con el cálculo del modelo III utilizado los KVR como variable independiente en los modelos econométricos utilizados.
III.
Modelo de KVR y seguridad vial
A continuación se muestran los modelos que se utilizaron para estudiar la relación entre los KVR y la seguridad vial. Como variable dependiente se utilizaron diferentes indicadores de seguridad vial y la independiente en todos los casos fueron los KVR y, cuando fue significativo, el PIB per cápita.
En este sentido, se buscó evidencia empírica para asociar el total de siniestros y víctimas y, además, se desagregó según tipo de viaje, tipo de vehículo, género y edad. Para tal fin, se asumió que el cambio de la tasa de siniestros para cada desagregación puede ser considerada como una variable proxy del cambio en KVR del sub grupo en consideración. Por ejemplo, si cambia la cantidad de siniestros en hora valle se asume que es porque cambiaron los KVR de este periodo. Esto se asume según lo revisado en la bibliografía, donde se encontró hay una relación directa entre los KVR y los indicadores de seguridad vial (Iseki & Ali, 2014)(Chi et al., 2013) (Santos et al., 2010) (Huang & Levinson, 2010)(Lane, 2010)(GIZ, 2009)(Graham & Glasiter, 2004).
Como primer paso, se buscó comprobar si existía relación entre los KVR y el total de siniestros y el total de víctimas. Se pudo encontrar, a partir de la evidencia empírica, que el KVR y el PIB son significativos explicando estas dos variables y que los KVR están correlacionados positivamente con la cantidad total de siniestros y con el número total de víctimas.
Luego se analizó el efecto de los KVR según tipo de siniestro de acuerdo a lo encontrado en la revisión bibliográfica realizada. Se hizo un modelo que relacionaba los vehículos involucrados en siniestros en hora pico y valle con los KVR que indica que esta última variable es solo significativa para explicar los cambios en siniestros en hora valle. Este resultado es consecuente con la bibliografía ya que se esperaba que los viajes utilitarios (de mayor proporción en hora pico) son menos elásticos a cambios en el precio de la gasolina y por ende, a partir del resultado del modelo I, cambios en KVR. También se encontró que, según la evidencia empírica, la cantidad de motocicletas involucradas en siniestros está asociada a la cantidad de KVR y que en el caso de los vehículos particulares esta asociación es más fuerte. Por último, se trató de establecer si existía diferencia en cuanto al género y la edad de la persona herida o muerta en el siniestro con los KVR, sin embargo, la diferencia no fue significativa según la evidencia empírica.
Accidentes y víctimas.
En la Tabla 11 se puede observar la estimación a partir de datos empíricos de la relación entre el total de siniestros reportados al mes según la Secretaría Distrital de Movilidad con los KVR recorridos por vehículos a gasolina. No se tiene en cuenta los KVR en vehículos a ACPM debido a los resultados del Modelo I, donde se encontró que estos últimos no dependen del precio de la gasolina.
Debido a las variables utilizadas, lo que se tiene como coeficientes de la regresión lineal en la Tabla 6 (modelo de precio y demanda de gasolina) corresponden a semi-elasticidades1. En el Modelo IIIa (Tabla 11) se puede observar que hay una
correlación positiva entre el total de accidentes y los KVR de vehículos a gasolina (carros, motos, camperos, etc.). A su vez, a medida que aumente el PIB se esperaría que, en promedio, la cantidad de siniestros disminuya.
1 Una semi elasticidad es una relación en la que si se tiene un cambio porcentual en una variable, se tiene un cambio en unidades de
Tabla 11. Modelo IIIa: Siniestros totales y KVR por vehículos a gasolina y PIB per cápita.
(1)
VARIABLES
Cantidad de
siniestros
lkvr_gasolina
2239***
(592.2)
lpibpc2015
-4291**
(1,613)
Constant
-29597**
(10,775)
Observations
33
R-squared
0.349
Robust standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
En este sentido, según la Tabla 11, se puede afirmar que hay evidencia empírica para afirmar que si la cantidad de KVR disminuye en un 10%, en promedio, ocurrirían 223.9 siniestros menos al mes2.Asimismo, los KVR están relacionados con
la cantidad total de víctimas (muertas y heridas) al mes, como se puede apreciar en la Tabla 12.
Tabla 12. Modelo IIIb: Víctimas y KVR
(1)
VARIABLES
vic_ml
lkvr_gasolina
617,3***
(172.0)
Constant
-12207***
(3489)
Observations
69
R-squared
0,277
Robust standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
Según la Tabla 12, la cantidad de víctimas al mes a causa de siniestros de tránsito está correlacionada positivamente con la cantidad de kilómetros recorridos por vehículos a gasolina. Según la evidencia empírica presentada, ante un aumento de un 10% en los KVR por vehículos a gasolina, se puede esperar un aumento promedio de 61.73 víctimas a causa de siniestros de tránsito al mes.
Según tipo de viaje
En seguida, se estimó la relación que existe entre el tipo de viaje y los KVR. Para tal fin, se separó el análisis entre vehículos involucrados en siniestros en hora valle y en hora pico, asumiendo que la hora del siniestro se relaciona con el tipo de
2 Para calcular el efecto marginal de una semi-elasasticidad para un modelo lin-log se calcula como que ante el cambio de 1% en la
viaje pues en hora pico hay una proporción mayor de viajes utilitarios (Steer Davies and Gleave & Centro Nacional de Consultoría, 2011) .
En la Tabla 13 se pueden observar los modelos IIIc 1 y 2. Estos corresponden a los modelos que relaciona la cantidad de vehículos accidentados por mes en hora valle (IIIc-1) y en hora pico (IIIc-2). En esta tabla, se puede observar que los KVR son significativos en cambios en la cantidad de vehículos envueltos en siniestros para las horas valle y no para las horas pico. Se cree que esto es en parte debido a que los viajes utilitarios (trabajo y estudio) son menos elásticos en cambios en precio de la gasolina y por ende, se recorrerá distancias similares en este periodo de tiempo. En hora valle ocurre lo contrario, los viajes tienden a ser más flexibles y por ende, el cambio de consumo total de combustible se da en mayor medida en estas horas, según se puede inferir del modelo IIIc-2 (Tabla 13).
Tabla 13. Modelo IIIc: Cantidad de vehículos accidentados en hora pico y valle, KVR y PIB.
(1)
(2)
VARIABLES
veh_acc
veh_acc_hp
lkvr_gasolina
4586***
565.2
(1,071)
(739.1)
lpibpc2015
-5656**
-4,153**
(2,559)
(1,795)
Constant
-70986***
2,627
(19,660)
(13,683)
Observations
33
29
R-squared
0.381
0.173
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
Según el resultado presentado en la Tabla 13, hay evidencia empírica que permite afirmar que ante la disminución de un 10% en los KVR, se puede esperar en promedio una disminución de 458,6 vehículos involucrados en siniestros en hora valle. En hora pico los KVR no son una variable significativa para explicar los cambios en la cantidad de vehículos involucrados en siniestros.
Según tipo de vehículo
También se buscó hacer el análisis según el tipo de vehículo, diferenciando la cantidad de vehículos a gasolina, la cantidad de vehículos particulares y la cantidad de motos involucradas en siniestros como variables dependientes en cada modelo utilizado en esta sección. En la Tabla 14 se puede observar la relación entre los vehículos a gasolina accidentados (vehículos particulares y motos), los KVR y el PIB per cápita. Se puede observar que los KVR siguen siendo una variable explicativa y que está correlacionada positivamente con la cantidad de vehículos involucrados en siniestros sin importar el tipo de vehículo.
Además, en Tabla 14 se puede observar la diferencia ente el rendimiento marginal de los KVR con respecto a los siniestros en vehículos particulares y motos. Como se pudo encontrar en la revisión bibliográfica, las motos no responden igual que los carros en cuanto al consumo ante cambios en el precio de la gasolina. Los vehículos particulares son quienes son más elásticos (en las motos los KVR tienen un rendimiento marginal menor) al cambio del precio de la gasolina, por ende, cambian más su consumo de combustible y su cantidad de siniestros. Esto puede explicarse en parte al bajo consumo de combustible por kilómetro recorrido de la motocicleta.
Tabla 14. Modelo IIId: Vehículos accidentados a gasolina, KVR y PIB.
(1)
(2)
(3)
VARIABLES
veh_gas_sdm
Automóviles
Motocicletas
lkvr_gaolina
3475***
2114***
381.0**
(820.7)
(453.0)
(184.0)
lpibpc2015
-5169**
-3990***
-1422***
(2164)
(1203)
(413.8)
Constant
-51177***
-28570***
-2708
(14014)
(7840)
(3531)
Observations
33
33
33
R-squared
0.384
0.398
0.319
Robust standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
A partir del resultado presentado en la Tabla 14, se puede decir que hay evidencia empírica para afirmar que ante una disminución de 10% en los KVR, se puede esperar una disminución promedio de 211,4 automóviles, 38,1 motos y 347,5 vehículos a gasolina involucrados en siniestros al mes.
Según género
En acto seguido, se pretendió analizar si existía una diferencia significativa entre la variación de las víctimas según género a causa de variaciones en los KVR mensuales. Los modelos utilizados para tal fin se muestran en la Tabla 15. Modelo IIIe: Género y KVR.
Tabla 15. Modelo IIIe: Género y KVR
(1)
(2)
VARIABLES
Víctimas
género
femenino
Víctimas
género
masculino
lkvr_gasolina
249.8***
367.5***
(50.01)
(73.60)
Constant
-4,945***
-7,262***
(1,017)
(1,497)
Observations
69
69
R-squared
0.271
0.271
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
En la Tabla 15 se puede observar que ante cambios en KVR en vehículos de gasolina se podría esperar una mayor disminución (en promedio) de las víctimas del género masculino frente a las del género femenino. Esto debido a que, como se expuso en el marco teórico, se ha encontrado que hay diferencias en el comportamiento de viaje según el género, y por ende, es posible que también existan diferencias en la reacción ante cambios en los precios de los combustibles (Chi et al., 2013). Sin embargo, aunque los coeficientes son diferentes, la diferencia no es significativa al 95%.
Según edad
Por último, se analizó la diferencia en cuanto a la respuesta a cambios de KVR según la edad del conductor involucrado en el siniestro. Se trató de hacer el análisis usando como variable dependiente el promedio de edad de los conductores, sin embargo, este modelo no cumplió con las pruebas de significancia, en parte, porque al parecer no hay una relación lineal entre los KVR y la edad del conductor. Por esta razón se propuso un modelo como el que se encuentra en la Tabla 16 donde se separó por grupo de edades según lo hecho por estudios revisados en la bibliografía para poder capturar las diferentes respuestas según el grupo de edad.
Tabla 16. Modelo IIIf: Grupo de accidentado y edad
(1)
(2)
(3)
VARIABLES
conduc_16_24
25_40
41mas
lkvr_gaolina
803.6***
1650***
1088**
(179.7)
(483.3)
(449.6)
Constant
-15755***
-31258***
-20201**
(3681)
(9898)
(9208)
Observations
33
33
33
R-squared
0.392
0.273
0.159
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
En la Tabla 16 se muestra la relación la cantidad de accidentados (conductores) según grupo de edad. El grupo que más responde a los cambios en KVR es el grupo que está entre 25 y 40 años. Hipotéticamente, se podría decir que esto puede deberse a que quienes están en este grupo pueden tener menor poder adquisitivo que quienes están en el grupo de 41 o más años y, además, quienes manejan y son menores a 24 años no lo hacen con carro propio y por ende, el costo de operación en general no es asumido por este grupo. Sin embargo, es difícil comprobar esta suposición y los coeficientes no son significativamente diferentes entre sí.
En resumen, se encontró evidencia empírica que permite afirmar que los KVR son significativos y están relacionados a la cantidad de siniestros y víctimas totales a causa de siniestros viales. Se encontró que en ambos casos los KVR están correlacionados positivamente con estas variables. También se pudo comprobar que hay una diferencia significativa en cuanto a la relación con los KVR de los siniestros según el tipo de viaje y el tipo de vehículo. Se encontraron diferencias en el rendimiento marginal de los KVR con respecto a grupos de edad y género, sin embargo estas no son significativas a un nivel de confianza del 95%.
8.
Conclusiones y recomendaciones.
Entender la relación de políticas que impactan la movilidad con las externalidades que se generan a causa de esta práctica es de gran importancia si se quiere cumplir con objetivos enfocados a disminuir los costos en los que la sociedad en general incurre a causa de las actividades diarias que necesitan desplazamientos urbanos. En este sentido, es útil generar herramientas que permitan entender la relación entre decisiones de políticas que puedan impactar en los patrones de movilidad para así estimar cambios en las externalidades que se generen. El presente estudio constituye una herramienta de fácil uso para la estimación del impacto de las políticas relacionadas al precio de los combustibles en la seguridad vial, como aproximación a esta problemática y desarrollado específicamente para Bogotá.
A partir de las relaciones empíricas presentadas en los resultados, se podría hacer un análisis de los impactos de un cambio porcentual del precio de la gasolina en la cantidad total de víctimas y siniestros de tránsito, y por ende, podría usarse para
soportar las decisiones en cuanto a la sobretasa de los combustibles, especialmente para la gasolina, y enfocándose en disminuir externalidades como lo son la siniestralidad vial. Debido a que se calcularon modelos con semi-elasticidades, se podría estimar la cantidad de víctimas y siniestros menos a largo plazo ante un aumento porcentual en el precio de la gasolina, esto con el fin de poder realizar análisis económicos (si se quiere) con los resultados obtenidos.
Además, se encontró la asociación entre el precio y demanda de la gasolina, y se hizo una conversión de la demanda a KVR, lo que permitiría hacer cálculos simples de co-beneficios en otro tipo de externalidades asociadas a las distancias recorridas en vehículos motorizados como la congestión, emisión de contaminantes locales, tiempo invertido en viajar (costo también interno), daño de infraestructura, enfermedades respiratorias, entre otras (Góngora Pérez, 2012) (Santos et al., 2010) (Litman, 2011).
En este sentido, los modelos I y II permitirían también hacer una estimación del impacto en generación de gases de efecto invernadero (GEI) del sector transporte a causa de un cambio en la política de precios de los combustibles, debido a que la emisión de GEI está asociada a la distancia que se recorre en vehículos motorizados. Además, según los resultados, se puede notar que estas políticas solo tendrían un impacto en esta externalidad si se enfocan en cambiar el precio de la gasolina y no del ACPM, pues se encontró que este último no es elástico al precio.
Asimismo, debe notarse que el modelo general propuesto no considera una gran cantidad de variables que también hubieran podido incidir en los resultados de cada uno de los modelos (I, II y III). Por esta razón, se encontró satisfactoriamente la asociación (no causalidad) entre las variables estudiadas pero, para que el análisis sea más confiable, sería útil también contar con un análisis más general de los factores a grande, mediana y pequeña escala que pueden incidir en cada una de las variables presentes en los modelos estudiados.
Se recomienda que si se utilizan estos resultados en futuras investigaciones se hagan análisis de sensibilidad para analizar los escenarios de impactos que puede tener una política donde se modifique el precio de la gasolina y que sean realizados tanto a corto como a largo plazo. Se recomienda además usar las desagregaciones estudiadas en el modelo III debido a que se puede llegar a entender mejor el tipo de impacto que se generará ante el cambio de políticas relacionadas con el precio de los combustibles. Por ejemplo, un cambio en la cantidad de motocicletas involucradas puede ser más significativo en cuanto a la reducción de siniestros graves que para otros vehículos, debido a que ante un siniestro en este modo de transporte, es más probable que haya un herido grave o muerto que en cualquier otro vehículo (Rodríguez, Santana & Pardo, 2015).
En cuanto a los datos utilizados es necesario entender que puede haber inconsistencias debido a las múltiples fuentes de donde se tomaron, en especial para los indicadores de seguridad vial. Las dos fuentes fueron Medicina Legal (ML) y la Secretaría Distrital de Movilidad (SDM) las cuales difieren significativamente en su forma de tomar la información (la primera lo hace con información de centros de salud y la segunda según lo reportado por agentes de tránsito en el lugar del siniestro) y además presentan falencias que impiden asumir que tienen información precisa. Por ejemplo, si se compara en el mismo periodo de tiempo, en promedio, los datos de SDM tienen más heridos y menos muertos que los datos de ML. Sin embargo, pueden representar una buena aproximación a lo que sucede en este aspecto, aunque sea necesario entender la procedencia de los datos para entender mejor los resultados. De igual manera, los datos del tamaño del parque automotor no son precisos porque la información que se obtuvo corresponde a los vehículos registrados en Bogotá, y no los que en efecto consumen los combustibles en la ciudad. Según cifras del Plan Decenal de Descontaminación del Aire para Bogotá, se estima que la cantidad de vehículos que circulan por las calles de Bogotá son 8% menores a los que se encuentran registrados (Secretaría Distrital de Ambiente, 2010). Debido a que no se pudo estimar la forma como esta proporción varía año a año, decidió no tenerse en cuenta en los análisis por lo que puede también ser una fuente de error.