anÁlisis espacial de la deforestaciÓn a escala...
TRANSCRIPT
ANÁLISIS ESPACIAL DE LA DEFORESTACIÓN A ESCALA MUNICIPAL,
ESTUDIO DE CASO: DEPARTAMENTO DEL CHOCÓ 2005-2010
LEONARDO JIMÉNEZ JOVEN
PABLO ANDRÉS LOMBANA ZORRO
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C.
2016
ANÁLISIS ESPACIAL DE LA DEFORESTACIÓN A ESCALA MUNICIPAL,
ESTUDIO DE CASO: DEPARTAMENTO DEL CHOCÓ 2005-2010
Autores:
LEONARDO JIMÉNEZ JOVEN
PABLO ANDRÉS LOMBANA ZORRO
Proyecto de grado para optar al título de
Ingeniero Catastral y Geodesta
Director:
Luis Fernando Gómez Rodríguez
Ingeniero Catastral y Geodesta
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C.
2016
TABLA DE CONTENIDO
1. Introducción ............................................................................................................................ 1
2. Planteamiento del problema .................................................................................................... 2
3. Justificación ............................................................................................................................ 3
4. Objetivos ................................................................................................................................. 4
1.1. General ............................................................................................................................. 4
1.2. Específicos ....................................................................................................................... 4
5. Antecedentes ........................................................................................................................... 4
6. Marco Teórico Conceptual ..................................................................................................... 7
6.1. Deforestación ................................................................................................................... 7
6.2. Causas directas de la deforestación .................................................................................. 7
6.2.1. Agricultura, cultivos ilícitos y ganadería .................................................................. 7
6.2.2. Minería ...................................................................................................................... 9
6.2.3. Tala de madera .......................................................................................................... 9
6.2.4. Pendiente ................................................................................................................... 9
6.3. Causas subyacentes de la deforestación ......................................................................... 10
6.3.1. Pobreza .................................................................................................................... 10
6.3.2. Crecimiento poblacional ......................................................................................... 11
6.4. Análisis espacial ............................................................................................................. 11
6.4.1. Análisis exploratorio de datos espaciales ............................................................... 11
6.4.2. Análisis confirmatorio de datos espaciales ............................................................. 12
7. Metodología .......................................................................................................................... 13
1.3. Área de estudio ............................................................................................................... 13
1.4. Materiales ....................................................................................................................... 15
1.4.1. Insumos ................................................................................................................... 15
1.4.2. Software .................................................................................................................. 16
1.5. Métodos .......................................................................................................................... 16
1.5.1. Cálculo del área deforestada ................................................................................... 17
1.5.2. Cálculo del porcentaje de pendiente ....................................................................... 17
1.5.3. Cálculo de la tasa de cambio poblacional 2005 – 2010 .......................................... 18
1.5.4. Elaboración de la base de datos espaciales (BDE) ................................................. 18
1.5.5. Estadísticas descriptivas.......................................................................................... 18
1.5.6. Normalidad para la variable respuesta .................................................................... 19
1.5.7. Análisis exploratorio de datos espaciales (AEDE) ................................................. 19
1.5.8. Análisis confirmatorio de datos espaciales (ACDE) .............................................. 20
8. Resultados ............................................................................................................................. 20
8.1. Base de datos espaciales ................................................................................................. 20
8.2. Estadísticas descriptivas ................................................................................................. 21
8.3. Normalidad para la variable respuesta ........................................................................... 24
8.4. Análisis exploratorio de datos espaciales ....................................................................... 25
8.4.1. Matriz de pesos espaciales (W) ............................................................................... 27
8.4.2. Análisis de efectos espaciales ................................................................................. 28
8.5. Análisis confirmatorio de datos espaciales .................................................................... 30
9. Discusión............................................................................................................................... 32
10. Conclusiones ...................................................................................................................... 37
11. Bibliografía ........................................................................................................................ 39
Índice de figuras
Figura 1 Área de estudio, Departamento del Chocó, Colombia ................................................... 14
Figura 2 Proceso de análisis de datos espaciales. ......................................................................... 17
Figura 3 Diagramas de dispersión ................................................................................................. 23
Figura 4 Diagrama de caja y bigotes bidimensional ..................................................................... 24
Figura 5 Histograma deforestación ............................................................................................... 25
Figura 6 Histograma deforestación transformada ......................................................................... 25
Figura 7 Distribución espacial de variables exógenas .................................................................. 26
Figura 8 Histograma regional ....................................................................................................... 27
Figura 9 Diagrama de caja espacial .............................................................................................. 27
Figura 10 Mapa de enlaces según 7 vecinos más cercanos .......................................................... 28
Figura 11 Gráfico de dispersión de Moran ................................................................................... 29
Figura 12 Mapa LISA ................................................................................................................... 29
Índice de tablas
Tabla 1 Insumos recopilados ........................................................................................................ 15
Tabla 2 Base de datos espaciales .................................................................................................. 21
Tabla 3 Resumen de estadísticas descriptivas .............................................................................. 22
Tabla 4 Valores de AIC para los criterios de contigüidad ............................................................ 28
Tabla 5 Pruebas de autocorrelación global ................................................................................... 29
Tabla 6 Modelo lineal ................................................................................................................... 30
Tabla 7 Modelo lineal especificado .............................................................................................. 31
Tabla 8 Ajuste modelos espaciales autorregresivos ...................................................................... 32
Agradecimientos
A la Universidad Distrital Francisco José de Caldas por impulsar en nosotros la investigación
científica conllevándonos al desarrollo de este estudio. A nuestras familias, por el apoyo
incondicional que nos brindan cada día, fortaleciéndonos e incentivándonos a luchar por lograr
nuestras metas sin desfallecer. También, a nuestros apreciados amigos, al investigador Edward
Alfonso López Herrera por su acompañamiento y aportes contribuyendo en el enriquecimiento
de este trabajo y al ingeniero David Leonardo López León (q.e.p.d.) por sus virtudes como
persona y sus enseñanzas en vida.
1
1. Introducción
Los bosques juegan un papel importante para la humanidad y el medio ambiente por la cantidad
de bienes y servicios que ofrecen (García Romero, 2014), se resaltan: el albergar la diversidad
biológica terrestre más grande del mundo, la mitigación del cambio climático, la conservación
del suelo y el agua de ecosistemas frágiles, son fuente de empleo, energía y alimento de millones
de personas (FAO, 2014).
En este sentido, el estudio de estos ecosistemas ha cobrado importancia por la necesidad de los
bienes y servicios que ofrecen y porque además, sus cambios son indicadores para comprender la
dinámica del hábitat y de la biodiversidad ambiental, estos cambios se describen como un
proceso de ganancias (expansión del bosque) y de pérdidas (deforestación) (FAO, 2016). Se
resalta que la última dinámica boscosa es la que mayor atención mundial tiene, representada en
programas como REDD, Reducción de Emisiones por Deforestación y Degradación, una
estrategia internacional de la Organización de las Naciones Unidas para la Agricultura y la
Alimentación (FAO), el Programa de las Naciones Unidas para el Desarrollo (PNUD) y el
programa de las Naciones Unidas para Medio Ambiente (PNUMA) dirigida a países en
desarrollo, buscando adoptar acciones dirigidas a detener o revertir la pérdida de bosques con el
fin de mitigar los efectos del cambio climático (García & González, 2012).
Colombia, en el contexto de preparación para adoptar el programa REDD y en la consecución
del resultado de monitoreo de bosques mediante el Instituto de Hidrología, Meteorología y
Estudios Ambientales (IDEAM), encontró para el año 2013 cinco núcleos de alta deforestación
en el país, sobresaliendo con el mayor porcentaje de área de perdida boscosa el núcleo de la
región del Pacífico norte, correspondiente al departamento del Chocó (IDEAM, 2013).
En consideración con la importancia de la medición de los cambios de perdida y los resultados
del monitoreo de bosques en Colombia, se escogió el Departamento del Chocó para estudiar la
deforestación del periodo 2005-2010 bajo un análisis estadístico espacial de datos de área y
2
posteriormente desarrollar un modelo de regresión espacial que permita observar el
comportamiento de perdida forestal en relación a las causas directas y subyacentes del mismo,
tomando como unidad de observación los 30 municipios que conforman el departamento.
2. Planteamiento del problema
Recientemente, los bosques tienen la atención mundial debido a las repercusiones ambientales y
económicas que se están sufriendo, causadas entre otras cosas por la continua pérdida de estos
ecosistemas (Armenteras & Rodríguez, 2014). Es tanto el interés que se tienen identificados los
posibles determinantes de la deforestación, encontrando las causas directas como la expansión de
la frontera agropecuaria, ganadería, tala de madera con fines comerciales, clima y propiedades de
los suelos, junto con las causas subyacentes que agrupan variables sociales, políticas,
económicas, tecnológicas, y culturales (Ayma Romay, 2014; Gonzáles et al., 2011).
Estadísticas de la FAO (2016) indican que la deforestación mundial anual se ha reducido en
promedio a la mitad desde la década de 1990-2000 con 7,3 hectáreas/año a 2010-2015 con 3,3
hectáreas/año, pero también, destacan que la mayor pérdida de bosques se ha presentado en los
trópicos, especialmente en África y América del Sur. En Colombia, la dinámica concuerda a la
mayor pérdida boscosa encontrada según el estudio realizado por Cabrera et al. (2011) del
IDEAM, donde encontraron que en el periodo 2005-2010 el país presentó una tasa anual de
deforestación de 0,25%, superior a la tasa de deforestación neta a nivel mundial estimada para
ese periodo de 0,14% por la FAO (2011). Adicional al panorama nacional, internamente existen
diversos casos alarmantes como el del departamento del Chocó que presenta la mayor área
deforestada correspondiente al 17,95% del total nacional (IDEAM, 2013).
En el departamento del Chocó la perdida de bosque es notoria considerando que para los
periodos de análisis 2000-2005 y 2005-2010 presento una tasa de 3,02% (47.580,39 Ha) y 6,32%
(75.276,90 Ha) respectivamente, sobrepasando la tasa promedio nacional de aproximadamente
2% para esos dos periodos (Cabrera et al., 2011). Estas altas tasas de perdida de superficie
forestal son explicadas por las actividades económicas del departamento basadas históricamente
en la explotación minera y forestal, pesca, agricultura y ganadería, siendo la explotación forestal
3
y minera las más representativas (Cifuentes, 2002). El uso que le han dado los pobladores a los
bosques para suplir necesidades básicas como la alimentación, medicina, construcción de
vivienda, fabricación de utensilios, entre otros (Ramírez & Ledezma, 2007), junto con la
presencia de actores armados, el narcotráfico, la falta de apoyo y supervisión de las autoridades
nacionales y regionales convierten la región en uno de los focos de mayor deterioro ambiental
(Álvarez C., 2012).
3. Justificación
La deforestación es un término ampliamente usado en convenciones, negociaciones, acuerdos
ambientales, entre otros, el cual está presente en políticas ambientales a nivel mundial (Martin,
2008). Tantas consideraciones a este fenómeno son debidas a que la deforestación es un factor
causal de múltiples problemas ambientales (García Romero, 2014) y de acuerdo a su
importancia, es evidente la necesidad de buscar alternativas para su medición, estimación y
estudio, considerando los fenómenos sociales y/o ambientales que la incentivan o son
determinantes en una región particular.
El presente estudio aborda la problemática de deforestación mediante un caso particular como el
presentado en la última década en el departamento del Chocó, esta región pertenece a Colombia,
país que en el periodo 2005-2010 presentó una elevada tasas de deforestación con respecto al
promedio mundial y cuya perdida boscosa se concentró en gran proporción en la región del
Chocó (IDEAM, 2013). Este departamento históricamente por sus características físicas y
político-administrativas ha enfocado su economía en actividades de explotación ambiental
(Romero, 2009).
Adicionalmente, se aplica una metodología de estudio mediante la versatilidad de análisis que
ofrecen los modelos de regresión espacial para la comprensión del comportamiento de
fenómenos con la característica de representación geográfica (Gonzáles et al., 2011). En este
sentido, aplicar un análisis espacial de la deforestación del Chocó considerando sus factores
determinantes es realizar un aporte para su comprensión y ofrecer una alternativa metodológica
de análisis.
4
4. Objetivos
1.1. General
Desarrollar modelos espaciales autorregresivos para analizar el comportamiento de la
deforestación en relación a los factores causales directos y subyacentes, utilizando un análisis de
datos de área a nivel municipal para el departamento del Chocó en el periodo 2005 – 2010.
1.2. Específicos
• Identificar y analizar los factores que influyen en la perdida de cobertura boscosa.
• Analizar los tipos de asociación espacial que presenta el fenómeno de estudio.
• Estimar y validar los modelos espaciales autorregresivos.
5. Antecedentes
Un aspecto fundamental en el estudio de la perdida de cobertura boscosa, corresponde a las
metodologías que se usan para calcular el área deforestada. Una de las más comunes corresponde
a la que incluye imágenes satelitales para diferentes periodos, sobre las cuales se aplican técnicas
de procesamiento digital con el objetivo de lograr la clasificación de pixeles y así tener la
cantidad de bosque deforestado. Por ejemplo, autores como Wyman & Stein (2010) calculan el
área deforestada mediante imágenes LANDSAT 7 de los años 1989, 1994, 2000 y 2004 para una
zona de reserva especial en Belice, por otra parte, Arrieta et al. (2016) utiliza imágenes del
sistema ALOS/PALSAR para obtener un valor aproximado de la cantidad de perdida de
cobertura boscosa en el departamento del Chocó en los años 2007-2010. También existen otras
maneras de calcular la deforestación, tal y como lo presentan los autores Sosa & Suaza (2011) en
la región del Urabá, Colombia, para los años 1980 a 2000, esta metodología corresponde a la
conversión de mapas de cobertura terrestres en formato vector a raster, donde identificaron la
trayectoria de bosque a no bosque. Los anteriores trabajos resaltan la facilidad de utilizar
técnicas de percepción remota que permiten para grandes áreas, obtener datos sobre
5
deforestación. Para efectos de este estudio, es pertinente nombrar estas metodologías puesto que
la cantidad de área deforestada se obtuvo a partir de un insumo proveniente de técnicas de
procesamiento digital de imágenes.
Por otra parte, el evaluar este fenómeno no solo consiste en cuantificar la cantidad de bosque
perdido, sino también en lograr determinar cuáles son los factores que incurren sobre esta
problemática ambiental y cómo es su incidencia sobre el mismo. Existen diferentes metodologías
para lograr comprender el fenómeno de la deforestación, una de las principales corresponde a la
modelación a nivel espacial, correspondiente a lo que se pretende implementar en este estudio.
De esta manera, se encontró un estudio del IDEAM realizado por Gonzáles et al. (2011) llamado
“Análisis de las tendencias y patrones espaciales de deforestación en Colombia” el cual buscó
analizar los determinantes de la deforestación para los años entre 1990 – 2010 que además,
pretendió estimar la deforestación para el periodo comprendido entre 2010 y 2030, aplicando
modelos de redes neuronales, regresión logística y pesos de evidencia, buscando explicación del
fenómeno y verificando relaciones entre estos. Los resultados finales indicaron que las variables
explicativas de los modelos resultaron ser diferentes de acuerdo a la técnica empleada, a la escala
utilizada, a la región y al periodo analizado, adicionalmente, en el caso de las predicciones de los
modelos no fueron las esperadas, puesto que muestran niveles medios a bajos de capacidad
predictiva.
En otras metodologías de estudio, como lo exponen Leguía et al. (2011) en Bolivia entre los años
2004-2007, los cuales tuvieron como objetivo determinar las causas principales de deforestación
y Zhao et al. (2011) en la provincia de Sichuan, China entre 1980 y 1990 que buscó establecer la
relación entre el crecimiento económico y el cambio de cobertura de bosque. En estos trabajos se
aplicaron técnicas de análisis espacial para lograr obtener una aproximación a la explicación del
fenómeno de perdida de cobertura boscosa. Este procedimiento implicó que para la mínima
unidad geográfica de cada estudio, se establecieran las relaciones de contigüidad entre regiones
mediante matrices de pesos espaciales, posterior a esto, se realizaron pruebas de autocorrelación
para establecer el grado de dependencia espacial que presentó la deforestación y se estimó un
modelo de regresión lineal sobre el cual se aplicaron las pruebas de verificación estadística para
determinar qué modelo autorregresivo espacial capturaba mejor el esquema de dependencia. En
6
el caso de Bolivia, los resultados determinaron que el modelo más adecuado correspondió al que
capturó las asociaciones correlacionadas espacialmente entre regiones (modelo de retardo),
mientras que, en el caso de la provincia de Sichuan, China los modelos autorregresivos en los
parámetros espaciales no fueron significativos estadísticamente. En resumen, estas
investigaciones abordan la problemática desde temas estadísticos que introducen el componente
geográfico como pilar en el desarrollo de las mismas, por ende, esto aporta a la investigación
actual una perspectiva metodológica que permite estudiar las relaciones estructurales de la
deforestación a nivel espacial utilizando métodos estadísticos que pueden determinar cuáles son
los factores incidentes del fenómeno.
Otro estudio similar al que se pretende realizar, es el desarrollado por Ramírez Sosa (2014), en el
que se modeló las transiciones de deforestación y recuperación de la cobertura forestal en la
cuenca del Río Grande - Colombia, para el periodo comprendido entre 1986 y 2012, identificó
cambios de cobertura mediante técnicas de percepción remota y procesamiento digital de
imágenes satelitales. Luego, realizó la obtención de variables biofísicas, de accesibilidad,
socioeconómicas y características propias del paisaje consultadas a entidades estatales y
procesadas mediante herramientas SIG. Consecuentemente, aplicó un análisis exploratorio de
datos espaciales (AEDE) con el objetivo de identificar una potencial asociación espacial positiva
o negativa entre las veredas de la cuenca. Con el análisis anterior, realizó la estimación de los
mejores modelos autorregresivos utilizando la metodología de análisis confirmatorio de datos
espaciales (ACDE) que se basa en pruebas de Lagrange para la especificación correcta de los
modelos que más se aproximaban a la estructura explicativa del fenómeno en el espacio. Los
resultados finales para los modelos estimados de tasa de pérdida y de recuperación de cobertura
forestal indicaron que los modelos autorregresivos con dependencia espacial sustantiva fueron
significativos estadísticamente, siendo los más adecuados para capturar el efecto de este tipo de
autocorrelación. Es importante destacar que para la investigación en curso este último estudio
establece la inclusión de metodologías como la de cuantificación de la deforestación con uso de
técnicas de procesamiento digital de imágenes, el uso de los sistemas de información geográfica
(SIG) como herramienta para procesar variables explicativas de la problemática, la aplicación de
métodos estadísticos para la correcta especificación del fenómeno en el espacio y pruebas para
contrastar modelos mediante criterios previamente establecidos.
7
6. Marco Teórico Conceptual
Esta sección se enfoca en una revisión de los conceptos principales sobre deforestación, causas
de la problemática y de las técnicas de análisis espacial, importantes para el entendimiento del
fenómeno de estudio.
6.1. Deforestación
La deforestación es un fenómeno que interactúa sobre el espacio geográfico de una determinada
región, en donde básicamente existe un proceso de eliminación de la cobertura boscosa
(Lamberechts, 2004). Este proceso según Lamberechts (2004) y Ovalles (2011) es el producto de
la interacción de diferentes actividades ecológicas, ambientales, sociales, económicas, culturales
y políticas las cuales de acuerdo a su forma de incidencia se agrupan en dos categorías: causas
directas y subyacentes.
6.2. Causas directas de la deforestación
Están relacionadas con actividades humanas que afectan directamente al medio ambiente y por lo
tanto constituyen factores inmediatos de cambio de la cobertura boscosa (Geist & Lambin,
2001). Estas causas operan a una escala local, alteran las condiciones sistémicas y estructurales
cambiando el uso del suelo, en este caso, la conversión de bosques a otros tipos de cobertura con
la finalidad del aprovechamiento arbóreo para dar paso a otros usos o actividades económicas
(Geist & Lambin, 2001; Gonzáles et al., 2011). A continuación se presentan las causas directas
contempladas en el estudio:
6.2.1. Agricultura, cultivos ilícitos y ganadería
El patrimonio referente a la cobertura forestal se ve afectado por el desarrollo de actividades
agropecuarias no sostenibles (Ministerio del Medio Ambiente, Ministerio de Comercio Exterior,
Ministerio de desarrollo Economico, Departamento Nacional de Planeación, & Ministerio de
8
Agrictultura y Desarrollo Rural, 2000). Según Gonzáles et al (2011), este fenómeno agrupa
actores influyentes del cambio de cobertura boscosa como lo son campesinos (pequeña, mediana
y gran escala)1 y empresarios dedicados a la agricultura. El mismo estudio también establece que
los cambios que se presentan en la cobertura del suelo derivan en principio de este tipo de
actividad y que principalmente actúan sobre tierras forestales, esto debido a que los agricultores
se ven en la necesidad de deforestar si una baja productividad de la tierra no les permite alcanzar
sus expectativas financieras.
En los últimos 10 años, el 20 % del territorio Colombiano se ha visto afectado por cultivos de
coca, esta cifra sufrió un importante incremento al pasar de 69.000 hectáreas en 2014 a 96.000
hectáreas en 2015, indicando que aumentó un 39% (UNODC, 2016). Este es un problema
ambiental que posee Colombia, dado que su fundamento corresponde especialmente a la
destinación de tierra agrícola para cultivos de tipo ilícito, donde por cada hectárea sembrada se
destruyen entre dos y tres hectáreas de bosque (Pinzón & Sotelo, 2009).
Según García (2014), la ganadería extensiva corresponde aproximadamente al 60% de la
deforestación en Colombia, debido a que este sector cuenta con un inventario aproximado de 23
millones de cabezas de ganado en 40 millones de hectáreas, significando que se destinan una
cantidad considerable de hectáreas para esta actividad.
De acuerdo a la FAO (2010), con la tala de bosque para dar pasó a la siembra de cultivos y con el
avance de dos o tres años, existirá una tendencia a abandonar dichas tierras debido a que los
nutrientes que poseen los suelos bajo coberturas boscosas no permiten un sustento permanente de
los cultivos, generando abandono sobre las tierras y produciendo el crecimiento de hierba para
luego dar paso a la llegada de productores de ganado; este factor incidente sobre el fenómeno de
estudio generará un excesivo uso de la tierra para el pastoreo y la continua pérdida de nutrientes
sobre las tierras, produciendo terrenos estériles con poca probabilidad de reforestación.
1 Alusión a la propiedad territorial que posee cada agricultor en áreas rurales
9
6.2.2. Minería
Las actividades de tipo minero en el Chocó pueden clasificarse en dos: minería artesanal y semi-
industrial, estas actividades hacen alusión a la manera de la explotación de minerales mediante
técnicas antiguas como lo es el barequeo y a la utilización de tecnología avanzada por parte
empresas explotadoras de recursos mineros; estos métodos amenazan constantemente la
cobertura boscosa e inciden en una pérdida importante de la misma, porque producen una
abertura que provoca una fragmentación del hábitat y una posterior perdida de bosque (Ramírez
& Ledezma, 2007). También, la minería se asocia a la degradación ambiental porque promueve
la apertura de caminos a costa de eliminar bosque, el corte de madera para construcción de
campamentos temporales, aumento de agentes contaminantes y un consumo ilimitado de
recursos hídricos (Ruiz Suarez, 2015).
6.2.3. Tala de madera
La tala de madera tiene como objetivo principal apropiarse del recurso forestal, en donde los
habitantes de una determinada región se ven en la constante obligación de apropiarse de los
bosques para obtener madera, materiales de construcción y como combustible, también para
convertirlos en tierras que se puedan cultivar o en donde se puedan ejecutar actividades de
pastoreo para el ganado (PNUMA, 2011). Este efecto aplica un cambio de la dinámica del
bosque que principalmente afecta la disponibilidad de animales silvestres, también produce una
modificación del relieve por alteración en los ríos y se pierde arboles maderables de gran riqueza
(Ramírez Moreno & Ledezma Rentería, 2007).
6.2.4. Pendiente
Las regiones que presentan pendientes demasiado pronunciadas regularmente asocian costos de
producción mucho más altos que las regiones que presentan pendientes planas, esto debido a que
los terrenos tienen características del suelo diferentes que tienden a aumentar el costo normal de
producción y también porque el transporte de productos requiere de vías adecuadas para dicha
labor (Leguía et al., 2011). Este evento genera un proceso de deforestación, puesto que, los
10
sectores dedicados a la explotación del suelo prefieren trabajar sobre tierras planas que sean
mucho más productivas debido a permiten una mayor y más fácil remoción de la cobertura
boscosa (Kaimowitz & Angelsen, 1998).
6.3. Causas subyacentes de la deforestación
Son aquellas fuerzas fundamentales que subyacen a las causas inmediatas de la deforestación
tropical, son el resultado de las relaciones humanas en la naturaleza y pueden ser vistos como un
conjunto de variables sociales, políticas, económicas, tecnológicas y culturales, pueden operar
directamente en el nivel local, indirectamente desde el nivel nacional o incluso mundial (Geist &
Lambin, 2001).
6.3.1. Pobreza
Según la FAO (2014) aquellos países en donde el desarrollo es menor, la importancia de buscar
un sustento para la población pobre se remonta a la extracción del recurso maderable, que
principalmente se utiliza para la construcción de viviendas, combustible para cocinar, como
única fuente de energía, entre otros, todo esto implica una pérdida de cobertura boscosa a raíz del
recurso forestal. Otro autor como Zwane (2007) expone que los efectos que pueden causar las
personas que se encuentran en condiciones de pobreza sobre el medio ambiente, se adjudican a la
necesidad constante que tienen estos individuos para satisfacer sus necesidades por medio de
cultivos en nuevas tierras, con la finalidad de lograr mantener los rendimientos anteriores
porque no cuentan con la inversión necesaria para preservar la calidad del suelo de sus cultivos
existentes. Este problema también se enfoca, en que las pocas ofertas de empleo que impliquen
un aprovechamiento forestal de manera legal son bastante limitadas, motivando a que personas
prefieran inmiscuirse de manera ilegal en estas actividades originando degradación ambiental
(Vallejo, 2011).
11
6.3.2. Crecimiento poblacional
Es evidente el hecho de que un aumento significativo en el crecimiento de la población
demandara una mayor extracción de recursos naturales. Este aumento poblacional genera:
escasez de tierras, aumento en demanda de madera leña y alimentos, distribución de la tierra,
aumento en consumo de bienes de capital, entre otros fenómenos relacionados con la pérdida de
la cobertura boscosa (Rosero-Bixby & Palloni, 1998).
6.4. Análisis espacial
El análisis espacial busca abarcar una serie de conceptos y procedimientos que se utilizan para
conocer la estructura y las relaciones entre territorios a partir de la posición de unidades
geográficas y de las variables determinadas para explicar el fenómeno (Mao, 2006). Para ello,
(Moreno & Vayá, 2000a) proponen una metodología estadística espacial y la divide en dos
facetas conocidas como: Análisis exploratorio de datos espaciales (AEDE) y Análisis
confirmatorio de datos espaciales (ACDE).
6.4.1. Análisis exploratorio de datos espaciales
Un análisis exploratorio de datos espaciales establece principalmente el conjunto de herramientas
tanto estadísticas como graficas que especifican y representan las distribuciones espaciales,
permitiendo determinar formas de asociación espacial que pueden ser de carácter global o local y
que proponen estructuras relacionadas u otras formas de heterogeneidad espacial,
adicionalmente, cumple con el objetivo de que se cuente con información espacial del
comportamiento de cada variable y las posibles relaciones existentes entre dos y tres variables
(Luc Anselin, 1992; Chasco Yrigoyen, 2003). Esta metodología se aplica desde los datos de área
(Lattice) que hace alusión a la dinámica espacial que se define por la mínima unidad establecida
como área (escala), con base a la distribución que sostiene en el espacio y las relaciones de
contigüidad que presenta con unidades cercanas (Cressie, 1993).
12
6.4.2. Análisis confirmatorio de datos espaciales
El análisis confirmatorio de datos espaciales, trabaja con modelos definidos a partir de las
hipótesis teóricas de partida y busca verificar los resultados de los modelos regresivos utilizados
contra las hipótesis (Calzadilla, 2013). En vista de la inclusión del efecto espacial en el contexto
de los modelos de regresión, es necesario estimar un modelo que capture las asociaciones
correlacionadas espacialmente bien sea por consecuencia de inclusión de variables sistemáticas o
como consecuencia de la presencia de dependencia espacial en el terminó de perturbación
(Moreno & Vayá, 2002), todo esto termina constituyendo lo que se conoce como modelos
espaciales autorregresivos.
Dado que la variable dependiente en un modelo de regresión presente un estado de correlación
espacial, el procedimiento adecuado para estimar el modelo corresponde a la siguiente ecuación:
y Wy X u ( 1 )
2~ N(0, )u I
en donde 𝑦 es un vector (𝑁 𝑥 1), 𝑊𝑦 el retardo espacial de la variable 𝑦, 𝑋 una matriz de 𝐾
variables exógenas, 𝑢 un término de perturbación aleatorio, 𝑁 el número de observaciones y 𝜌 el
parámetro autorregresivo que contiene las interdependencias entre las observaciones,
estableciendo lo que comúnmente se conoce como modelo de retardo espacial o de dependencia
sustantiva. Del mismo modo, la autocorrelación puede estar presente en el término de
perturbación:
y X
( 2 ) λWe u
2~ N(0, )u I
donde, 𝜀 es el termino de perturbación, 𝜆 el parámetro autorregresivo, 𝑊𝑒 el rezago espacial en
el término del error y 𝑢 es un término de perturbación de la dependencia espacial residual
(Moreno & Vayá, 2000), denominando el modelo de error espacial o dependencia residual.
13
Por otra parte, cuando se tiene los dos tipos de dependencia mencionados anteriormente, se
replantea un modelo que incluya tanto la dependencia sustantiva como la residual (Herrera et al.,
2012). Este tipo de modelo se conoce como modelo de rezago y error espacial (L. Anselin &
Florax, 1995) y se presenta como:
ρy Wy X u
( 3 ) λ u Wu
2 ~ N(0, )I
en donde ρ y λ corresponden a los coeficientes autorregresivos de retardo y de error
respectivamente, 𝑊𝑢 termino de error espacialmente rezagado, 𝑢 el termino de perturbación y 𝜀
termino de perturbación de la dependencia espacial residual.
7. Metodología
1.3. Área de estudio
El departamento del Chocó está ubicado en el extremo noroccidental de Colombia perteneciente
a la región Pacífica, rodeado por el océano Pacifico y el mar Caribe. Está constituido por 30
municipios y cuenta con una superficie de 46.530 kilómetros cuadrados correspondientes al 4%
del área total del país, se extiende desde el norte con el Golfo de Urabá, limitando con el mar
Caribe y con la frontera sur de Panamá hasta el sur con el departamento del Valle del Cauca; por
el este con la cordillera occidental, limitando con los departamentos de Antioquia, Risaralda y
Valle del Cauca hasta el oeste con el litoral del Océano Pacífico (Gobernación de Chocó, 2012).
En la Figura 1 se representa la ubicación geográfica del departamento y el conjunto de
municipios que lo integran.
14
Figura 1 Área de estudio, Departamento del Chocó, Colombia
Chocó es un departamento que posee uno de los recursos hídricos más abundantes de todo el
país, lo forman principalmente las cuencas de dos grandes ríos: El Atrato, que lleva sus aguas al
Golfo de Urabá en el mar Caribe y el San Juan, que vierte sus aguas en el océano Pacífico,
además de estos ríos, el Baudó también es importante en el departamento, el cual desemboca en
el océano Pacífico (Ministerio de Industria, Comercio y Turismo, 2011, pg 22), por otra parte,
Romero (2009) enfatiza en que estos drenajes son utilizados en la explotación artesanal de oro y
como medio alternativo de comunicación interna.
Otras características importantes del Chocó son, la alta pluviosidad (9000 mm), la humedad
relativa promedio del 90% y la temperatura en zonas bajas supera los 27°C (Ministerio de
Industria, Comercio y Turismo, 2011) y en cuanto al recurso ambiental del territorio, se presenta
una variedad de ecosistemas asociados al bosque húmedo tropical, los cuales, en uso del suelo se
dividen de la siguiente manera: suelos de vocación forestal (62%), seguidos de vocación
agroforestal (26%) y agrícola (5%) (UNODC & ODC, 2015).
PANAMA
25
7
6
8
2
13
22
14
5
17
4
1
27
26
18
15
29
20
3 16
9
12
28
21 24
11
19
10
23
30
ANTIOQUIA
META
BOYACÁ
SANTANDER
TOLIMA
CÓRDOBA
BOLÍVAR
CASANARECUNDINAMARCA
CALDAS
SUCRE
VALLE DEL CAUCA
72°0'0"W
72°0'0"W
74°0'0"W
74°0'0"W
76°0'0"W
76°0'0"W
78°0'0"W
78°0'0"W
8°0
'0"
N
8°0
'0"
N
6°0
'0"
N
6°0
'0"
N
4°0
'0"
N
4°0
'0"
N
COLOMBIA
PANAMA
PERU
ECUADORBRAZIL
VENEZUELA
¯
¯OCEANO PACÍFICO
OCEANO PACÍFICO
MAR CARIBE
MARCARIBE
CHOCÓ1 - ACANDI 16 - LLORO
2 - ALTO BAUDO 17 - MEDIO ATRATO
3 - ATRATO 18 - MEDIO BAUDO
4 - BAGADO 19 - MEDIO SAN JUAN
5 - BAHIA SOLANO 20 - NOVITA
6 - BAJO BAUDO 21 - NUQUI
7 - BOJAYA 22 - QUIBDO
8 - CARMEN DEL DARIEN 23 - RIO IRO
9 - CERTEGUI 24 - RIO QUITO
10 - CONDOTO 25 - RIOSUCIO
11 - EL CANTON DEL SAN PABLO 26 - SAN JOSE DEL PALMAR
12 - EL CARMEN DE ATRATO 27 - SIPI
13 - EL LITORAL DEL SAN JUAN 28 - TADO
14 - ISTMINA 29 - UNGUIA
15 - JURADO 30 - UNION PANAMERICANA
MUNICIPIOS DEL DEPARTAMENTO DE CHOCÓ
0 180.000 360.00090.000Metros
15
1.4. Materiales
1.4.1. Insumos
Se recopilaron datos de diferentes fuentes de información, asociados a la deforestación y a las
causas directas y subyacentes del fenómeno de estudio. En la Tabla 1 se muestra una descripción
general de los insumos encontrados.
Tabla 1 Insumos recopilados
Causas Insumo Año o
Periodo Unidad Formato Fuente Descripción
- Deforestación 2005-
2010 Pixel Raster IDEAM
Imagen de deforestación de
resolución espacial (pixel) de
30 metros.
Dir
ecta
s
Movilización de
madera 2008
Metros cúbicos
(m3) PDF
CODECHOCO -
MIN ADS
Volumen de madera que se
extrae y se transporta por
municipio.
Área agrícola
sembrada total 2008 Hectáreas (Ha) Excel
MIN AGRI –
SIGOT
Cantidad de hectáreas de
productos agrícolas sembrados
por municipio.
Cultivos de Coca 2010 Hectáreas (Ha) PDF UNODC Cantidad de hectáreas de Coca
sembradas por municipio.
Producción de oro 2010 Gramo (gr) Excel SIMCO Producción de oro por
municipio.
Producción de plata 2010 Gramo (gr) Excel SIMCO Producción de plata por
municipio.
Producción de
platino 2010 Gramo (gr) Excel SIMCO
Producción de platino por
municipio.
Inventario Bovino 2010 Individuo (un) Excel FEDEGAN Cantidad de cabezas de ganado
que se tienen por municipio.
Porcentaje de
pendiente 2010 Adimensional Vector UNODC
Valores de pendiente
categorizados en 5 clases para
una grilla de área de 1 km2.
Su
by
acen
tes
Población 2005-
2010 Individuo (un) Excel DANE
Población año 2005 y
proyección de población año
2010.
Índice de
necesidades básicas
insatisfechas
2005 Adimensional Excel DANE Con base al censo del año
2005.
CODECHOCO: Corporación Autónoma Regional para el desarrollo sostenible del Chocó
MIN ADS: Ministerio de ambiente y desarrollo sostenible
MIN AGRI: Ministerio de Agricultura
SIGOT: Sistema de Información geográfica para la planeación y el ordenamiento territorial
UNODC: Oficina de las Naciones Unidas contra la Droga y el Delito
SIMCO: Sistema de información Minero Colombiano
FEDEGAN: Federación Colombiana de Ganaderos
DANE: Departamento Administrativo Nacional de Estadística
16
Adicional a los insumos descritos previamente y con la finalidad de integrar el componente
espacial a esta información, se obtuvo del SIGOT la cartografía base de los municipios del
departamento del Chocó en formato shapefile (.shp), archivo que contiene 30 entidades
geográficas, con información de su geometría, perímetro, área, coordenadas, nombre y código de
identificación departamental y municipal del DANE.
1.4.2. Software
Para el desarrollo de la investigación se utilizó el software Arcgis versión 10.1 con licencia
estudiantil, manejando los módulos de geo-procesamiento spatial analyst tool, analyst tool y
herramientas para compilar información y generar salidas gráficas. Por otra parte, para el análisis
y modelado estadístico espacial de los datos se usó el paquete estadístico R versión 3.2.1 con
licencia pública general, implementando las librerías: car, GeoXp, maptools, MASS, nortest,
rgdal, sp, spacemakeR y spdep.
1.5. Métodos
Para el desarrollo del estudio se inició con la identificación y recopilación de los factores
determinantes del fenómeno, estuvo dada por la revisión bibliográfica y antecedentes teóricos ya
descritos y se condicionó a la disponibilidad de la información relacionada para el área de
estudio. Luego, se realizaron algunos tratamientos necesarios a la información encontrada y así
construir la base de datos espaciales. Con este último resultado, se realizaron algunas estadísticas
descriptivas de la información y posteriormente se aplicó el análisis de datos espaciales acorde a
las metodologías de Bivand, et al (2013) y Moreno & Vayá (2000). En cuanto a estas
metodologías, ambos autores enfocan sus trabajos en el análisis de datos espaciales, los primeros
lo hacen mostrando su implementación en el paquete estadístico R-GUI, mientras que los
segundos son más conceptuales y metodológicos, basándose únicamente en los modelos
econométricos espaciales (modelos autorregresivos). En la Figura 2 se ilustra el proceso general
de análisis de datos espaciales que se tuvo en cuenta.
17
Figura 2 Proceso de análisis de datos espaciales.
Se resalta que las estadísticas descriptivas y el análisis de datos espaciales se realizó utilizando
sentencias de programación del paquete estadístico R.
1.5.1. Cálculo del área deforestada
La cantidad de área deforestada se halló utilizando los insumos de Deforestación y la Cartografía
base en el software Arcgis, empleando la herramienta Tabulate Area del módulo Spatial Analyst
Tool, la cual intersecta el archivo Raster y .shp para cuantificar la cantidad de pixeles de
deforestación que hay en cada uno de los municipios del Chocó y se obtuvo el área deforestada
por municipio al multiplicar la cantidad de pixeles encontrados por el tamaño del pixel o
resolución espacial del Raster (30 metros), finalmente el resultado obtenido en metros cuadrados
se convirtió a hectáreas.
1.5.2. Cálculo del porcentaje de pendiente
Dado que en el caso del porcentaje de pendiente se tiene asignado para cada grilla una de las
cinco categorías, además, que cada cuadricula está vinculada a su respectivo municipio, se
Identificación y
recopilación de
factores de
deforestación
Procesamiento de
información
obtenida
Construcción y
Codificación BDE
AEDE ACDE
Distribución
Espacial
Asociación
Espacial Global
Asociación
Espacial Local
Regresión
Lineal Clásica
Pruebas de
Normalidad
(DEF)
Estadísticas
Descriptivas
Prueba
Autocorrelación
Espacial residual
Especificación
modelo espacial
Pruebas
Multiplicadores
de Lagrange
Estimación
modelos
autorregresivos
Validación
18
procedió a calcular la pendiente a nivel municipal con base a la categoría que más se repite en
cada uno de los municipios (moda), siendo esta la pendiente que mayor predomina en un
determinado municipio. Se halló el porcentaje de pendiente de esta manera porque el insumo es
un dato tipo cualitativo ordinal.
1.5.3. Cálculo de la tasa de cambio poblacional 2005 – 2010
La tasa de cambio poblacional (CPB) se construyó con base a los insumos de población 2005 y
proyección de población 2010 utilizando la siguiente formula:
𝐶𝑃𝐵 =𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 2010−𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 2005
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 2010 ( 4 )
1.5.4. Elaboración de la base de datos espaciales (BDE)
Con la información hallada en los cálculos anteriores, los ocho insumos restantes y con la
cartografía base del departamento del Chocó, se procedió a elaborar la BDE. Utilizando el
software Arcgis, se realizó la compilación de los cálculos e insumos en la cartografía base de
acuerdo al nombre de los municipios o código del DANE y guardando la información como
atributos nuevos del archivo. De esta manera se obtuvo la base de datos para los 30 municipios
del Chocó contemplando el componente espacial.
1.5.5. Estadísticas descriptivas
Mediante las estadísticas descriptivas se buscó analizar la distribución de las variables, para esto
se utilizaron algunas medidas de tendencia central, de dispersión y de forma. Adicionalmente, se
buscó identificar el grado de relación de las causas con respecto a la deforestación usando
diagramas de dispersión, un diagrama de caja bidimensional, el coeficiente de correlación de
Spearman y la prueba de comparación de medianas Kruskal-Wallis.
19
1.5.6. Normalidad para la variable respuesta
Debido a que los modelos espaciales autorregresivos funcionan bajo el supuesto de normalidad
(Bivand et al, 2013), fue necesario realizar pruebas de normalidad en la variable respuesta y se
aplicó la transformación Box-Cox la cual estima un parámetro λ de una transformación potencial
sobre la variable dependiente para lograr los supuestos de errores normales y varianza constante
(Box & Cox, 1964).
1.5.7. Análisis exploratorio de datos espaciales (AEDE)
En el AEDE se procedió a analizar la distribución espacial que presenta la variable endógena y
las exógenas, para ello, se emplearon mapas de diagrama de caja e histograma regional. En el
caso de la endógena, se realizó un análisis detallado del tipo de distribución espacial mediante la
aplicación de pruebas de autocorrelación espacial (global y local).
Para la implementación de las pruebas de autocorrelación fue necesario construir la matriz de
pesos espaciales (W), que mide el grado de relación del área deforestada entre los municipios y
sus regiones contiguas. Esta matriz se construye basada en la matriz de enlaces o contigüidad, la
cual toma como punto de enlace el centroide de cada municipio (Haining, 2003), en este caso
para seleccionarla se compararon doce matrices con diferentes criterios y se escogió la mejor de
acuerdo al menor valor del criterio de información de Akaike (AIC) resultado de la aplicación
del método de análisis de coordenadas principales para matrices de contigüidad (PCNM) de Dray
et al (2006).
Con la matriz W se pudo analizar los efectos espaciales aplicando las pruebas de autocorrelación
espacial global y local que miden el grado de aleatoriedad espacial de la deforestación,
permitiendo identificar los tipos y esquemas de asociación espacial o “clúster” que se pueden
presentar de manera positiva (valores de deforestación similares en municipios cercanos) o
negativa (municipios con valores altos de deforestación alrededor de municipios con valores
bajos e inversamente) (Schabenberger & Gotway, 2004).
20
1.5.8. Análisis confirmatorio de datos espaciales (ACDE)
El análisis confirmatorio de datos espaciales (ACDE) tuvo como objetivo establecer el modelo
espacial más adecuado para representar el comportamiento de la deforestación. Inicialmente, se
realizó el ajuste de un modelo de regresión lineal clásico sin contemplar el componente espacial
con todas la variables de la base de datos, se corroboró la existencia de la varianza residual
constante (homocedasticidad) mediante la prueba de Breusch-Pagan y se realizó la prueba de
autocorrelación espacial en los residuos (I de Moran) para verificar la pertinencia de incluir el
componente espacial. Luego, se especificó un modelo con las variables que mejor describen el
fenómeno, se comprobó la homocedasticidad en los residuos, la pertinencia de realizar un
modelo con el componente espacial y además, las pruebas de multiplicadores de Lagrange. Estas
últimas permiten identificar el tipo de estructura espacial autorregresiva a modelar (retardo, error
o combinada) a través de cinco estadísticos que tienen como hipótesis nula (Ho) la no existencia
de dependencia espacial sustantiva, residual o combinada.
Finalmente, se estimaron los modelos autorregresivos de acuerdo a las pruebas de
multiplicadores de Lagrange, se seleccionó el más acorde teniendo en cuenta la significancia en
el parámetro autorregresivo (reúne la intensidad de las interdependencias espaciales) y las
estadísticas de bondad de ajuste tales como el AIC y el logaritmo de la función de verosimilitud
(log-likelihood).
8. Resultados
8.1. Base de datos espaciales
La construcción de la BDE realizada se detalla en la Tabla 2, donde se especifica el nombre
asignado a la variable y el tipo de datos que contiene la información compilada.
21
Tabla 2 Base de datos espaciales
Variable Insumo de procedencia Unidad Tipo
DEF Deforestación Ha Cuantitativo - Continuo
MVM Movilización de madera m3 Cuantitativo - Continuo
AAGS Área agrícola sembrada total Ha Cuantitativo - Continuo
CC Cultivos de Coca Ha Cuantitativo - Continuo
PO Producción de oro gr Cuantitativo - Continuo
PP Producción de plata gr Cuantitativo - Continuo
PPTN Producción de platino gr Cuantitativo - Continuo
CG Inventario Bovino un Cuantitativo - Discreto
PEND
PEND1
Porcentaje de pendiente Adimensional Cualitativo - Ordinal PEND2
PEND3
PEND4
CPB Tasa de cambio poblacional Adimensional Cuantitativo - Continuo
NBI Índice de necesidades básicas insatisfechas Adimensional Cuantitativo - Continuo
Es importante mencionar que para el caso del porcentaje de pendiente, luego del cálculo
realizado, se obtuvo para los municipios cuatro categorías PEND1 (0-3%), PEND2 (3-7%),
PEND3 (12-25%), PEND4 (25-50%), discriminadas en variables indicadoras (dummy) para su
correcta estimación en el modelo.
8.2. Estadísticas descriptivas
Se realizaron las estadísticas descriptivas básicas expuestas en la Tabla 3, en las cuales se
encontraron valores mínimos y modales de cero (0) en cinco variables, explicados por la falta de
información en el caso de la movilización de madera (Bojayá, Condoto, Medio Atrato, Rio Iró,
San José del Palmar, Sipí), la identificación de cultivos de coca (Acandí, Atrato, Bagadó, Bojayá,
Carmen del Darién, Cértegui, El Carmen de Atrato, Medio San Juan, Rio Iró, Tadó, Unión
Panamericana) y por la no existencia de registros de producción minera, para el caso de la
producción de Oro: Bahía Solano, Bajo Baudó, Carmen Del Darién, El Litoral del San Juan,
Juradó, Nuquí y Rio Quito, para la producción de Plata: Bahía Solano, Bajo Baudó, Carmen Del
Darién, El Litoral de San Juan, Juradó, Nuquí y Riosucio y para la producción de platino:
Acandí, Bahía Solano, Bajo Baudó, Carmen Del Darién, El Carmen de Atrato, El Litoral del San
Juan, Juradó, Nuquí, Riosucio, San José del Palmar y Unguía. También llama la atención, el caso
22
de la variable NBI con valores máximos y modales de cien, indicando que existen municipios
con el 100% de necesidades básicas insatisfechas (Medio Atrato y Medio Baudó), pero con estos
valores se debe tener precaución debido a que el DANE los asignó por no contar con la
información suficiente para su estimación.
Tabla 3 Resumen de estadísticas descriptivas
Estadística
DEF (Ha)
MVM (m3)
AAGS (Ha)
CC (Ha)
PO (gr)
PP (gr)
Mínimo
182,95
0
295,50
0
0
0
Máximo
12355,76
885000,00
8223,00
847,00
6324412,38
1201571,97
Media
3479,40
169751,47
1983,70
105,27
817656,96
120778,92
Mediana
2183,48
10844,50
1010,50
13,00
148986,24
27628,70
Moda
-
0
-
0
0
0
Desviación Estándar
3223,06
294440,16
2143,22
189,88
1490874,96
246370,14
Coeficiente asimetría
1,32
1,57
1,77
2,57
2,55
3,35
Curtosis
0,91
0,94
2,13
7,53
6,63
12,93
Estadística
PPTN (gr)
CG (un)
PEND
CPB
NBI
Mínimo
0
11
1
-0,04
29,09
Máximo
252996,95
53557
4
0,19
100
Media
33042,87
4528,53
-
0,05
72,33
Mediana
8571,90
336,50
3
0,04
78,51
Moda
0
-
3
-
100
Desviación Estándar
59928,76
11595,00
-
0,06
21,99
Coeficiente asimetría
2,66
3,39
-
0,34
-0,47
Curtosis
7,21
11,98
-
-0,32
-1,06
En las estadísticas se observó variabilidad alta en las variables cuantitativas a excepción de NBI
con menor variabilidad. Adicionalmente, se encontró que las curvas de distribución son
asimétricas a la derecha, siendo NBI la única con asimetría a la izquierda y por último, se tiene
que la concentración de datos alrededor de la media tiende a ser alta, principalmente en las
variables relacionadas con los cultivos de coca, minería e inventario bovino y una concentración
baja en la tasa de cambio poblacional e índice de necesidades básicas insatisfechas.
23
Figura 3 Diagramas de dispersión
La correlación entre las variables independientes y dependiente fue ilustrada en la Figura 3 en la
cual se encuentran los diagramas de dispersión, las líneas de tendencia estimadas y los valores
del coeficiente de correlación (rho) de Spearman. Inicialmente, los diagramas mostraron
relaciones no definidas claramente y variaciones importantes con respecto a la línea de tendencia
estimada. Por otra parte, tomando en cuenta el coeficiente hallado se encontraron siete relaciones
directas y dos inversas, las cuales en su mayoría se caracterizan por su débil relación con DEF de
acuerdo a los valores de rho (-0,20 a 0,50), así mismo, indicó que únicamente las relaciones
positivas DEF-AAGS, DEF-CC, DEF-MVM y DEF-NBI son estadísticamente significativas al
90%.
Similarmente, para la relación de dependencia entre DEF y PEND en la Figura 4 se presenta un
gráfico de caja y bigotes bidimensional en el que se encuentra la distribución de la deforestación
según el tipo de porcentaje de pendiente. Del gráfico se destaca que la distribución de DEF de las
categorías PEND3 y PEND1 son las que mayor dispersión presentan. Además, de acuerdo a las
0e+00 2e+05 4e+05 6e+05 8e+05
04000
10000
Movilización de madera (MVM)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = 0.32 / P-valor = 0.08
0 2000 4000 6000 8000
04000
10000
Área agricola sembrada (AAGS)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = 0.51 / P-valor = 0.004
0 200 400 600 800
04000
10000
Cultivos de Coca (CC)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = 0.48 / P-valor = 0.007
0e+00 2e+06 4e+06 6e+06
04000
10000
Producción de oro (PO)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = 0.03 / P-valor = 0.88
0 200000 600000 1000000
04000
10000
Producción de plata (PP)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = -0.15 / P-valor = 0.44
0 50000 150000 250000
04000
10000
Producción de platino (PPTN)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = -0.19 / P-valor = 0.31
0 10000 30000 50000
04000
10000
Inventario Bovino (CG)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = 0.16 / P-valor = 0.39
-0.05 0.00 0.05 0.10 0.15
04000
10000
Crecimiento poblacional (CPB)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = 0.11 / P-valor = 0.55
30 40 50 60 70 80 90 100
04000
10000
Necesidades básicas insatisfechas (NBI)
Defo
resta
ció
n (
DE
F)
Corr. Spearman - Rho = 0.35 / P-valor = 0.06
24
medianas, se encontraron valores de deforestación similares en los tipos de porcentajes de
pendientes.
Figura 4 Diagrama de caja y bigotes bidimensional
También en la Figura 4 se presenta el resultado de la prueba no paramétrica de Kruskal-Wallis
para datos no normales o con tamaños muéstrales pequeños, la prueba sirve para relacionar una
variable cualitativa de más de dos categorías (variable independiente) con otra cuantitativa
(variable dependiente), mediante la comparación de la mediana de las categorías, bajo la
hipótesis nula de que todas son iguales (Universidad de Alcalá, 2005). En este caso, no se
rechazó Ho, encontrando que la deforestación no depende del porcentaje de pendiente, dicho en
otras palabras, con este contraste de comparación de tendencia central se encontró que el área de
deforestación en todos los tipos de porcentajes de pendientes es la misma.
8.3. Normalidad para la variable respuesta
Considerando la alta variabilidad encontrada en las estadísticas descriptivas básicas en la
mayoría de las variables cuantitativas incluyendo a DEF, fue necesario aplicar contrastes que
comprobaran el supuesto de la normalidad para la variable deforestación. Por esta razón, en la
Figura 5 se ilustra la distribución de frecuencias, en la que claramente se identifica asimétrica
25
hacia la derecha, no acorde a una distribución normal. Adicionalmente en este gráfico, se
presentan los resultados de las pruebas de normalidad de Shapiro - Wilk y Kolmogorov -
Smirnov, las cuales rechazaron la Ho de normalidad.
Figura 5 Histograma deforestación
Figura 6 Histograma deforestación
transformada
Al encontrar que la variable deforestación no sigue una distribución normal, se aplicó la
transformación Box-Cox con la cual se lograron resultados de normalidad (ver Figura 6). Con
este método la variable respuesta quedo transformada con un exponente λ=0,34 (el de mayor
valor de verosimilitud) y para efectos de los posteriores resultados se denominó T-DEF.
8.4. Análisis exploratorio de datos espaciales
Inicialmente en el AEDE se identificó la distribución espacial de las variables exógenas
empleándose mapas de diagrama de caja para las variables cuantitativas y un mapa de la
distribución espacial para la variable PEND, en la Figura 7 se ilustraron estos resultados.
0 5000 10000
02
46
81
01
2
Deforestación (DEF)
Fre
cu
en
cia
Pruebas de normalidad
Shapiro-Wilk
W = 0.82 / P-valor = 0.0001
Kolmogorov-Smirnov
D = 0.24 / P-valor = 0.0001
Deforestación (T-DEF)
Fre
cu
en
cia
5 10 15 20 25
02
46
8 Pruebas de normalidad
Shapiro-Wilk
W = 0.96 / P-valor = 0.25
Kolmogorov-Smirnov
D = 0.15 / P-valor = 0.08
26
Figura 7 Distribución espacial de variables exógenas ATI: Atípicos inferiores, Q1: Primer cuartil, Q2: Segundo cuartil, Q3: Tercer cuartil, Q4: Cuarto cuartil, ATS:
Atípicos superiores.
En las distribuciones espaciales se encontró que son distintas entre variables y solamente
presentan una relación de semejanza (a priori) en municipios en particular, por ejemplo, las
variables relacionadas con tala de madera (MVM), agricultura (AAGS), ganadería (CG) y
cultivos de Coca (CC) en municipios del norte del Chocó como: Carmen del Darién, Riosucio y
Unguía que presentan valores altos (ATS), similarmente ocurre en las variables de producción de
Oro y Plata en municipios del sur del departamento como: Istmina, Medio Baudó y Novita que
también presentan valores altos (ATS) y en Bajo Baudó y El litoral de San Juan con valores
bajos (Q1). Adicional a estos hallazgos, se observaron posibles esquemas de asociación espacial
de tipo positivo, se destacan las más notables como en la variable CC en la región sur-occidental,
municipios contiguos con valores correspondientes a ATS; en la variable PPTN con 15 regiones
vecinas con valores correspondientes al Q2, comportamiento drásticamente afectado por los
valores en cero; la variable PEND donde se tiene una agrupación de acuerdo a la categoría de
mayor frecuencia (PEND3) y por último, en la variable NBI una asociación espacial en el
municipio Carmen del Darién contiguo a otras regiones con valores altos (Q4) que se relaciona a
la zona de mayor pobreza en el departamento.
MVM
ATI (0)
Q1 (7)
Q2 (8)
Q3 (8)
Q4 (3)
ATS (4)
AAGS
ATI (0)
Q1 (7)
Q2 (8)
Q3 (8)
Q4 (2)
ATS (5)
CC
ATI (0)
Q1 (0)
Q2 (14)
Q3 (9)
Q4 (3)
ATS (4)
PO
ATI (0)
Q1 (7)
Q2 (8)
Q3 (8)
Q4 (3)
ATS (4)
PP
ATI (0)
Q1 (7)
Q2 (8)
Q3 (8)
Q4 (3)
ATS (4)
PPTN
ATI (0)
Q1 (0)
Q2 (15)
Q3 (8)
Q4 (4)
ATS (3)
CG
ATI (0)
Q1 (7)
Q2 (8)
Q3 (8)
Q4 (2)
ATS (5)
PEND
PEND1 (6)
PEND2 (5)
PEND3 (16)
PEND4 (3)
CPB
ATI (0)
Q1 (7)
Q2 (8)
Q3 (8)
Q4 (7)
ATS (0)
NBI
ATI (0)
Q1 (7)
Q2 (8)
Q3 (8)
Q4 (7)
ATS (0)
27
Figura 8 Histograma regional
Figura 9 Diagrama de caja espacial
Para la variable endógena durante todo el AEDE se utilizó y analizó la no transformada (DEF)
con el fin de no tener imprecisiones en los resultados exploratorios. Teniendo en cuenta lo
anterior, se identificó que la mayor cantidad de área deforestada estaba en los municipios de Bajo
Baudó (12355,76 Ha) y Alto Baudó (10511,15 Ha), a diferencia de Jurado (182,95 Ha) y
Cértegui (349,77 Ha) con los menores valores. Posteriormente, se realizó un análisis de la
distribución espacial a través de un histograma regional (ver Figura 8) y en un mapa del
diagrama de caja espacial (ver Figura 9). De aquellas ilustraciones se identificó a priori la
existencia de esquemas de asociación espacial, tales como, la región sur-occidental del
departamento compuesto por municipios con valores altos, la región sur-oriental con agrupación
de valores bajos y la región central que presenta valores medios de área deforestada.
8.4.1. Matriz de pesos espaciales (W)
La obtención de W estuvo dada por la selección de la mejor matriz de contigüidad. En este
sentido, en la Tabla 4 se presentan los valores de AIC de los doce criterios implementados.
DEF
182,95 - 1017,32
1087,42 - 1857,72
1882,92 - 2338,64
2624,91 - 6479,62
6489,62 - 12355,76
(Ha)
28
Tabla 4 Valores de AIC para los criterios de contigüidad
Criterio Reina Torre Triángulos Delaunay Esferas de influencia knn1 knn2
AIC 467,78 467,78 465,80 475,45 464,09 450,63
Criterio knn3 knn4 knn5 knn6 knn7 knn8
AIC 460,67 470,07 450,17 458,15 444,85 447,92
Knn a: Criterio de a vecinos más cercanos.
Se escogió la matriz de contigüidad con el criterio basado en distancias de 7 vecinos más
cercanos (Knn7), ya que presenta el valor de AIC más bajo. A esta matriz se le realizó una
ponderación estandarizada por filas para obtener los pesos de las interacciones espaciales y así
construir W. En la Figura 10 se pueden observar los enlaces que mejor describen la estructura
intermunicipal de la deforestación en el Chocó de acuerdo al criterio de contigüidad knn7.
Figura 10 Mapa de enlaces según 7 vecinos más cercanos
8.4.2. Análisis de efectos espaciales
Con la matriz W se procedió a aplicar las pruebas estadísticas para verificar la autocorrelación
espacial global: I de Moran y C de Geary. De acuerdo a lo expuesto en la Tabla 5, se comprobó
la presencia de autocorrelación espacial positiva con un nivel de confianza del 95%, denotando
que municipios con valores determinados de DEF se encuentran geográficamente cerca (vecinos)
de municipios con valores similares.
29
Tabla 5 Pruebas de autocorrelación global
Prueba I de Moran C de Geary
Valor estadístico 0,19 0,75
P-valor 1,07E-03 4,66E-03
Basándose en el diagrama de dispersión de Moran representado en la Figura 11 se corroboró la
asociación espacial positiva, mostrando que la mayoría de los datos se sitúan en los cuadrantes I
y III, lo que significa, existencia de municipios con valores altos contiguos a municipios que
contienen un valor similar de DEF (asociación espacial tipo Alto-Alto) y municipios de valores
bajos con la misma relación (asociación espacial tipo Bajo-Bajo). También, se observa en los
cuadrantes II y IV, en menor cantidad la existencia de relaciones espaciales Alto-Bajo y Bajo-
Alto.
Figura 11 Gráfico de dispersión de Moran
Figura 12 Mapa LISA
Mediante las pruebas de indicadores locales de asociación espacial (LISA) y su posterior
representación gráfica (Figura 12), se encontraron significativas estadísticamente solamente las
asociaciones espaciales positivas, la primera asociación de tipo Alto-Alto concerniente al
municipio Bajo Baudó y la segunda asociación de tipo Bajo-Bajo representada por Bagadó,
Cértegui, Condoto, Rio Iró y Tadó. Por último, se resalta el resto de municipios (24) sin
asociación espacial significativa.
30
8.5. Análisis confirmatorio de datos espaciales
Luego del análisis exploratorio, en un primer paso se ajustó un modelo de regresión lineal con la
variable T-DEF y las variables consideradas para el estudio haciendo uso del método de
estimación de parámetros por mínimos cuadrados ordinarios (MCO), se aplicaron las pruebas de
Breusch-Pagan e I Moran en los residuales. En este ajuste, es necesario mencionar que para la
estimación de los parámetros de la variable PEND, se excluyó la categoría PEND4 por la poca
existencia y afectación a DEF de esos porcentajes de pendiente, con base a los hallazgos del
AEDE.
Tabla 6 Modelo lineal
Variables Parámetro estimado p-valor
Intercepto 8447 0,01
MVM 3,13E-03 0,32
AAGS 0,40 0,43
CC 18,19 0,02
PO 3,27E-04 0,82
PP -0,01 0,46
PPTN -2,24E-02 0,18
CG 0,03 0,76
CPB 24380 0,12
NBI 27,07 0,59
PEND1 -1119 0,78
PEND2 -478,10 0,90
PEND3 2023 0,53
R2 ajustado 0,36
p-valor (Modelo) 0,05
AIC 176,68
Breusch-Pagan 10,07 0,61
I Moran residuales -0,05 0,39
En el modelo de regresión lineal expuesto en la Tabla 6 se encontró que explica la deforestación
en un 36% y que es significativo con un 90% de confianza. Se resalta que la mayoría de
variables no son significativas estadísticamente a excepción del intercepto y CC. Otros
resultados fueron, la homocedasticidad en los residuos y la no pertinencia de realizar una
estimación contemplando el componente espacial.
31
Teniendo en cuenta que lo obtenido en el modelo lineal no fue satisfactorio, se ajustó un segundo
modelo lineal, también estimado por el método de MCO, pero con especificación en las variables
explicativas. Este último proceso se realizó teniendo en cuenta las relaciones de dependencia que
resultaron significativas en las estadísticas descriptivas y la importancia e influencia de variables
que puedan modificar o intervenir en los resultados. En este sentido, el modelo de regresión
lineal especificado es descrito en la Tabla 7.
Tabla 7 Modelo lineal especificado
Variables Intercepto CC PP NBI
Valor estimado 10740 21,77 -0,01 37,40
p-valor 1,98E-04 1,07E-03 0,04 0,28
R2 Ajustado 0,37 p-valor (Modelo) 1,78E-03
Valor AIC (Modelo) 171,26
Breusch-Pagan 3,76 p-valor (Breusch-Pagan) 0,29
I Moran residuales 0,09 p-valor I Moran 0,03
Pruebas M. Lagrange LMerr LMlag RLMerr RLMlag SARMA
Valor 0,99 4,46 2,42 5,90 6,88
p-valor 0,32 0,03 0,12 0,02 0,03
LMerr: Dependencia espacial residual (dependencia espacial en los errores)
LMlag: Dependencia espacial sustantiva (omisión de un retardo espacial de la variable endógena)
RLMerr: Prueba robusta de dependencia espacial residual
RLMlag: Prueba robusta de dependencia espacial sustantiva
SARMA: Contrastación simultanea de autocorrelación espacial residual y sustantiva
En el modelo lineal especificado se encuentran tres variables de las contempladas inicialmente,
dos relacionadas con las causas directas (CC y PP) y una con las subyacentes (NBI). Con
respecto a los resultados obtenidos, se observa que los parámetros del intercepto, CC y PP son
significativos, el porcentaje de ajuste del modelo es mayor y significativo, con respecto al valor
AIC, es un mejor ajuste que el primer modelo lineal. Así mismo, se realizaron las pruebas de
Breusch-Pagan, indicando homocedasticidad en los residuos, la prueba I de Moran que en este
caso si recomienda realizar un modelo contemplando el componente espacial y por último las
pruebas de multiplicadores de Lagrange que identificaron que la dependencia espacial sustantiva
(LMlag y RLMlag) y una combinación sustantiva y residual (SARMA) son las adecuadas para
modelar espacialmente.
32
Tabla 8 Ajuste modelos espaciales autorregresivos
Modelos Rezago Rezago y error
Variables Valor estimado p-valor Valor estimado p-valor
Intercepto 38242 0,33
28568 0,63
CC 188,44 0,00
188,91 0,00
PP -0,08 0,04
-0,08 0,04
NBI 383,96 0,19
427,43 0,15
Parámetros autorregresivos Rho p-valor Rho p-valor Lambda p-valor
Valor 0,50 0,06
0,54 0,36 -0,19 0,80
AIC 169,60
171,51
Log-likelihood -78,80 -78,75
En la Tabla 8 se encuentran los resultados de los modelos espaciales autorregresivos ajustados.
En los modelos se encontraron significativos los parámetros de las variables CC y PP, pero
difieren en la significancia de los parámetros de dependencia espacial, en el caso del modelo de
retardo, el parámetro rho es significativo con una confianza del 90%, mientras que los
parámetros del modelo combinado (rho y lambda) no lo son. Asimismo, con respecto a las
pruebas de bondad de ajuste (AIC y Log-likelihood) el modelo que mostró una mejor explicación
de la deforestación es el de retardo espacial, en comparación con los modelos de rezago y error y
lineal. Finalmente, este modelo indica que en el departamento del Chocó los cultivos de coca son
causantes de la deforestación y que la producción de plata no incentiva su crecimiento.
9. Discusión
La recopilación de los insumos relacionados con las causas directas y subyacentes para construir
la BDE, no representan todo el conjunto temático de determinantes teóricos de la deforestación
en Colombia (Gonzáles et al., 2011), pero son una buena aproximación inicial para poder
abordar las temáticas que explican la deforestación en el Chocó, según la revisión bibliográfica
realizada de la región. Se resalta que una recopilación de insumos relacionados con los
determinantes teóricos para el departamento, más amplios y conformes a la cantidad de
municipios estuvo limitada por las dificultades en la obtención de datos que en su mayoría no
existen o se encuentran incompletos.
33
La relación entre las variables exógenas y DEF se estudió mediante las estadísticas descriptivas.
En este punto, se evidencio alta variabilidad en los datos, poca correlación y no significancia en
la mayoría de las relaciones, siendo un comportamiento que en general, puede estar explicado
por la información con valores de cero en algunos municipios y por el reducido tamaño de la
muestra. Pero adicional a esta explicación, para cada relación no significativa y de poca
correlación se tienen algunas apreciaciones conformes a la realidad del por qué estos resultados:
para las correlaciones entre las variables de minería y deforestación, de las cuales se esperaba
una mayor relación debido a su predominancia económica en el departamento, una justificación
adicional es que los insumos recopilados están sesgados a una parte de la realidad del
departamento, ya que no contemplan información de minería artesanal e ilegal (no disponible),
que se sabe que es fuertemente practicada y de alto impacto a los bosques de la región (Ramírez
& Ledezma, 2007); en el caso de la relación entre las variables asociadas a ganadería y a la
deforestación, pese a que la primera es una actividad económica importante en el Chocó, no en
todos los municipios se puede desarrollar apropiadamente debido a las condiciones de
pluviosidad, que generan suelos húmedos causando problemas al ganado y por la baja fertilidad
de los suelos no se puede producir variedades de pasto de calidad que conllevan a la poca
existencia de cabezas de ganado en la mayoría de municipios (Bonet, 2007), dentro del contexto
del estudio se traduce en menor cantidad de espacios deforestados por esta actividad; en el caso
de la variable asociada a la pendiente se esperaba un comportamiento inversamente proporcional
con respecto a la deforestación por las limitaciones que imponen las pendientes altas en la
cordillera occidental al desarrollo de este fenómeno, pero no se encontró relación de
dependencia, la cual puede estar sustentada por las imprecisiones aceptadas al generalizar un
porcentaje de pendiente para cada municipio; en última instancia, se encuentra la correlación de
DEF con la variable de cambio poblacional, cuyo comportamiento está vinculado a la tendencia
de la población chocoana a crecer menos que el resto de la población colombiana, siendo esta
una dinámica que está sujeta a las condiciones climáticas y geográficas, la deficiencia de
servicios públicos, la pobreza y la falta de oportunidades en educación y empleo que afectan el
desarrollo y conllevaron a que las poblaciones emigren a otras partes del país en busca de
mejores oportunidades (Bonet, 2007), también influyeron, los problemas de orden público entre
guerrillas, bandas delincuenciales y el ejército nacional, que desencadenaron homicidios,
masacres y desplazamientos masivos en el departamento (ACNUR, 2007). Similarmente a las
34
anteriores explicaciones, para las correlaciones significativas se describen las posibles razones de
su comportamiento: en el caso de las relaciones de mayor dependencia significativa, los cultivos
de coca y los cultivos agrícolas, las cuales indican que el crecimiento de estas actividades
aumenta la deforestación, comportamientos acordes a lo encontrado por la UNODC (2011), la
cual resalta la continua expansión agrícola en el departamento en el periodo de estudio y hace
énfasis en el preocupante crecimiento de la siembra de cultivos ilícitos, al encontrar en el 2010
una cantidad nueve veces superior a la encontrada en el 2004; la correlación de DEF con la
variable relacionada con la tala de madera con fines comerciales, a pesar de ser positiva y
significativa, se esperaba mayor relación con la deforestación debido a su alto uso como
actividad económica en la región chocoana (Ramírez & Ledezma, 2007), pero esta falta puede
estar asociada a la explicación general descrita al inicio, ya que la variable MVM se contempló
con vacíos de información para algunos municipios; finalmente, se tiene la variable relacionada
con la pobreza, que mostro una relación directamente proporcional con la deforestación,
comprobando que en el Chocó ocurre lo señalado por la FAO (2014), donde para las
comunidades pobres los bosques son una fuente de servicios como: energía, alimento, vivienda,
empleo, producción de bienes, entre otros.
Para el análisis de las distribuciones espaciales de las variables de estudio fue esencial la
implementación del AEDE, esta metodología de análisis permitió encontrar relaciones espaciales
entre variables en los municipios Carmen del Darién, Riosucio y Unguía que presentan esta
asociación de valores altos a causa de su ubicación al norte de la cuenca del río Atrato, con
características de tierras fértiles y canales de navegación fluvial, ideales para los cultivos de
palma de aceite, pastos, cultivos ilícitos, ganadería y extracción de recursos naturales (Mina et al.
2012; Romero, 2009), así mismo Cepeda (2010) con base a información del IGAC en el año
2008, resaltó que Unguía y Acandí fueron los principales productores agrícolas del Urabá
Chocoano, igualmente ocurrió en otras relaciones espaciales en Istmina, Medio Baudó y Novita,
que de acuerdo al trabajo de (Gomez, Lozano, & Valencia, 2013) encontraron que son
municipios de alta producción de oro y plata exceptuando al Medio Baudó de menores
producciones, además, hacen alusión que municipios como: Unión Panamericana, Tadó, Quibdó,
Sipí y el Cantón de San Pablo hacen parte de la lista de mayores productores de minerales.
35
En el análisis de efectos espaciales, luego de la selección de la matriz de pesos espaciales y
aplicando las pruebas de autocorrelación global, se obtuvo que la mayoría de los municipios
tienen vecinos con áreas similares de deforestación, resultado que también obtuvieron Leguía et
al. (2011), Zhao et al. (2011) y Ramírez Sosa (2014). En correspondencia a este hallazgo, en las
pruebas locales se encontraron dos asociaciones espaciales positivas. La primera asociación
Alto-Alto, en el sur-occidente del departamento, la cual se puede entender porque en la zona se
identificaron grandes proporciones de actividades de tala de madera y principalmente de cultivos
de coca de acuerdo al AEDE, adicionalmente, los municipios de esa zona centran sus actividades
productivas en la agricultura y actividades agroforestales bajo el esquema minifundista,
produciendo pobreza y miseria (Rueda et al., 2013), esto obliga a que los habitantes centren sus
actividades económicas en la intervención del medio ambiente con el objetivo de satisfacer sus
necesidades básicas. La segunda asociación Bajo-Bajo en el oriente, dinámica que se comprende
debido a que los municipios están ligados principalmente a actividades de extracción minera a
través del río San Juan (Cifuentes, 2002), además, cuentan con la principal ruta de acceso al
departamento, la carretera Transversal Central del Pacifico que les permite aprovechar del
comercio nacional. Sumado a esto, un aspecto importante a considerar es con respecto a las áreas
de los municipios, que en el último caso es de menor extensión en comparación de los
municipios de primera asociación y por esta razón puede darse que los valores bajos de
deforestación estén asociados a municipios con áreas municipales pequeñas.
En el ACDE, al realizar la especificación de variables mediante un modelo de regresión lineal,
no se consideraron causas que acorde con los referentes teóricos para el Chocó son
determinantes, pero esta especificación es netamente estadística, tiene la finalidad de cumplir
supuestos y se ajusta en parte a comportamientos de las variables y a las limitaciones de la
información recopilada. A pesar de lo anterior, se logró considerar variables que dentro de este
estudio en su mayoría son las que mejor se relacionan con la deforestación.
Luego de probar que la adición de la componente espacial al ajuste lineal otorgaría una mejor
explicación de la deforestación, se ajustaron dos modelos espaciales autorregresivos,
encontrando mayor explicación del fenómeno y significancia del parámetro espacial en el
modelo de retardo de acuerdo a las pruebas de bondad de ajuste. Dentro de los estudios
36
comparables a este trabajo, el realizado por Leguía et al. (2011) exhibe similitudes al encontrar
que el modelo de rezago espacial es el que mejor ajusta a la deforestación. Con respecto a los
parámetros que se pueden relacionar con los de este estudio como causas directas, encontraron
que son significativos e inversamente proporcionales sobre el fenómeno, semejante al
comportamiento hallado en el parámetro de la variable de producción de plata, mientras que los
relacionados con las subyacentes son significativos y directamente proporcionales, diferente a la
no significancia del parámetro de la variable NBI; en contraste a lo anterior, el trabajo de Zhao
et al. (2011) ajustó dos modelos autorregresivos (rezago y error), lo destacable es que para estos
modelos los parámetros espaciales no resultaron significativos, tal como sucede en este estudio
con en el modelo combinado de rezago y error.
Con los resultados obtenidos en este trabajo se hace pertinente realizar recomendaciones
enfocadas a un aprovechamiento forestal sostenible para regiones con características semejantes
a las estudiadas en el Chocó. En ese orden de ideas, tener una mayor presencia del estado como
ente de control y administrador de políticas es lo primordial en el contexto de estudio, en un
segundo plano y con respecto al AEDE, implementar estrategias para el mejoramiento de los
índices de pobreza, que van de la mano con ofrecer mayor conectividad y acceso entre regiones
sin que las condiciones geográficas del territorio sean un impedimento de comunicación,
facilidades educativas para conseguir población más cualificada y alternativas de empleo
diferentes a la agricultura (baja calidad de suelos) y a la extracción de recursos naturales. En este
último aspecto, el aprovechar la no urbanización e industrialización a gran escala del
departamento, para fortalecer en mayor medida el desarrollo de turismo de flora y fauna, con el
objetivo de convertirla en una actividad económica fundamental, sería una posibilidad de
desarrollo. Otras medidas están relacionadas con lo hallado en el ACDE, direccionadas
principalmente a municipios con cultivos de coca, como en este caso los del oriente y norte del
departamento, estas medidas estarían enfocadas a la vigilancia y control de esta actividad ilícita,
vinculada a la presencia de grupos armados al margen de la ley que son los que promueven estos
cultivos, los cuales pasan a ocupar el papel de agentes de deforestación y con los que se debe
realizar labores de concientización sobre el impacto ambiental que causan.
37
Finalmente, es necesario resaltar que la innovación de este trabajo no es solo intentar estudiar la
deforestación en el departamento del Chocó para el 2005-2010, también es que constituye una
guía y herramienta metodológica de cómo abordar un análisis espacial de la deforestación en una
región particular, mediante técnicas de estadística espacial y empleando productos del
procesamiento de imágenes satelitales para la cuantificación del fenómeno y de las posibles
causas directas y subyacentes para la compresión de la problemática.
10. Conclusiones
Los factores influyentes de la deforestación en el Chocó están relacionados principalmente con
las actividades económicas legales e ilegales, la pobreza y la falta de desarrollo del
departamento, se concluye esto de acuerdo a lo indagado en los referentes teóricos y a los
análisis descriptivos y espaciales realizados. Con respecto a los análisis, a pesar de las
limitaciones que presenta la información recopilada, se encontró una dinámica semejante a la
descrita, variables relacionadas con actividades económicas legales e ilegales como la tala de
madera con fines comerciales, los cultivos agrícolas, los cultivos de coca y la relacionada con la
pobreza son determinantes de la deforestación, entre las cuales, se destaca que la mayor
influencia a la problemática es la ejercida por la siembra de cultivos de coca.
El análisis exploratorio de datos espaciales determinó que las relaciones intermunicipales de la
deforestación presentan una asociación espacial positiva, con una agrupación de municipios con
valores altos de deforestación en la región sur-occidental del departamento, zona de alta
presencia de cultivos de coca y tala de madera y otra asociación en el oriente, con municipios de
valores bajos de deforestación, los cuales presentan mejores condiciones de comunicación y
comercio. En este sentido, las asociaciones de municipios con valores semejantes de
deforestación se comprenden a través de la presencia e incidencia de los factores determinantes
de la deforestación, los cuales entre municipios vecinos también muestran relaciones
equiparables.
38
En cuanto al modelado espacial, el mejor ajuste obtenido fue el autorregresivo de dependencia
espacial sustantiva. Pese a que los resultados estuvieron limitados por la falta de significancia de
gran parte de variables contempladas, son un buen indicio sobre la situación del departamento en
la época de estudio. De esta manera, se resalta que la siembra de cultivos coca es el factor
principal en la perdida de bosque y con respecto a este tipo de modelo, se resalta que la
ubicación geográfica y la interacción espacial aportan explicación al comportamiento de la
problemática de deforestación.
Finalmente, el estudio de la deforestación es una aproximación a la compresión total de la
problemática en departamento del Chocó y además, representa una alternativa de cómo abordar
la perdida forestal de una región en especial. En este contexto, los vacíos de falta de información,
tamaño de muestra y la no relación significativa de causas con la deforestación presentes en este
trabajo, podrán ser contrastados y/o complementados con otra investigación para la región o
regiones comparables implementando la metodología desarrollada en este trabajo.
39
11. Bibliografía
ACNUR. (2007). Diagnóstico departamental Chocó. Recuperado a partir de
http://www.acnur.org/t3/uploads/media/COI_2174.pdf?view=1
Álvarez C., C. F. (2012). Árboles del Chocó entre la lucha de David y Goliat. Recuperado 5 de
noviembre de 2015, a partir de http://www.unperiodico.unal.edu.co/dper/article/arboles-
del-choco-entre-la-lucha-de-david-y-goliat.html
Anselin, L. (1992). SpaceStat tutorial. Urbana, 51, 61801.
Anselin, L., & Florax, R. (1995). New Directions in Spatial Econometrics.
Armenteras, D., & Rodríguez, N. (2014). DINÁMICAS Y CAUSAS DE DEFORESTACIÓN
EN BOSQUES DE LATINO AMÉRICA: UNA REVISIÓN DESDE 1990. Colombia
Forestal, 17(2), 233. https://doi.org/10.14483/udistrital.jour.colomb.for.2014.2.a07
Arrieta Contreras, E. P., & others. (2016). Estimación de la deforestación en el departamento del
chocó utilizando el mapa de cobertura forestal/no forestal de la agencia espacial Jaxa.
Recuperado a partir de http://repository.unimilitar.edu.co/handle/10654/7677
Ayma Romay, A. I. (2014). Vulnerabilidad de deforestación del bosque de los Yungas del
Cotacajes (Noroeste del departamento de Cochabamba, Bolivia). ACTA NOVA, 6(3), 251-
267.
Bivand, R. S., Pebesma, E., & Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R.
New York, NY: Springer New York.
Bonet, J. (2007). ¿Por qué es pobre el Chocó? Banco de la República. Recuperado a partir de
http://core.ac.uk/download/pdf/7093323.pdf
Box, G. E. P., & Cox, D. R. (1964). An Analysis of Transformations. Journal of the Royal
Statistical Society. Series B (Methodological), 26(2), 211-252.
40
Cabrera, E., Vargas, D. M., Galindo, G., Garcia, M. C., Ordoñez, M. F., Vergara, L. K., …
Giraldo, P. (2011). Memoria Técnica de la cuantificación de la deforestación histórica
nacional escala gruesa y fina (p. 106). Bogotá D.C., Colombia.: IDEAM. Recuperado a
partir de
https://www.siac.gov.co/documentos/DOC_Portal/DOC_Bosques/131112_MT_Cuantif_
Tasa_Deforestacion.pdf
Calzadilla, J. M. (2013). MODELOS DE ANÁLISIS ECONOMÉTRICO ESPACIAL
APLICADOS AL DESARROLLO ECONÓMICO DEL TERRITORIO RURAL. Madrid.
Cepeda, L. (2010, mayo). El Caribe Chocoano: riqueza ecológica y riqueza de oportunidades.
Recuperado a partir de http://www.banrep.gov.co/docum/Lectura_finanzas/pdf/DTSER-
125.pdf
Chasco Yrigoyen, C. (2003). Métodos gráficos del análisis exploratorio de datos espaciales.
Instituto LR Klein, Departamento de Economía Aplicada, Universidad Autónoma de
Madrid. Disponible en:(http://www. asepelt. org/ficheros/File/ Anales/2003% 20-
20Almeria/asepeltPDF/93. PDF). Recuperado a partir de
https://www.uam.es/coro.chasco/investigacion/aede03.pdf
Cifuentes, J. (2002). Memoria cultural del Pacífico. Santiago de Cali: Unidad de Artes Gráficas.
Facultad de Humanidades. Universidad del Valle. Recuperado a partir de
http://www.banrepcultural.org/blaavirtual/modosycostumbres/memoria/memo4.htm
Cressie, N. (1993). Statistics for Spatial Data. New York: John Wiley & Sons.
Dray, S., Legendre, P., & Peres-Neto, P. R. (2006). Spatial modelling: a comprehensive
framework for principal coordinate analysis of neighbour matrices (PCNM). Ecological
Modelling, 196(3-4), 483-493. https://doi.org/10.1016/j.ecolmodel.2006.02.015
41
FAO. (2010). Ganadería y deforestación. Recuperado a partir de
http://cbql.com.br/biblioteca/cbql3/IIICBQL205.pdf
FAO. (2011). State of the world’s forests 2011. Rome: Food and Agriculture Organization of the
United Nations.
FAO. (2014). El Estado de los bosques del mundo 2014 / The State of the World’s Forests 2014
Potenciar Los Beneficios Socioeconomicos De Los Bosques / Enhance the Socio-
economic Benefits of Forests. Food & Agriculture Org.
FAO. (2016). Evaluación de los recursos forestales mundiales 2015 ¿Cómo están cambiando los
bosques del mundo? Segunda edición. Food & Agriculture Org. Recuperado a partir de
http://www.fao.org/3/a-i4793s.pdf
García, P., & González, M. G. (2012). Reducción de emisiones por deforestación y degradación
de bosques (REDD+) en los países de América Latina: requirimientos institucionales y
jurídicos para su implementación. Recuperado a partir de
http://repositorio.cepal.org/handle/11362/3995
García Romero, H. (2014). Deforestación en Colombia: retos y perspectivas. Recuperado a partir
de http://www.repository.fedesarrollo.org.co/handle/11445/337
Geist, H. J., & Lambin, E. F. (2001). What drives tropical deforestation. LUCC Report series, 4,
116.
Gobernación de Chocó. (2012). Nuestro Departamento Chocó. Recuperado 7 de agosto de 2015,
a partir de http://www.choco.gov.co/informacion_general.shtml
Gomez, P. E., Lozano, D. A., & Valencia, C. N. (2013). SITUACIÓN ACTUAL DE SECTOR
MINERO EN EL DEPARTAMENTO DEL CHOCÓ E IDENTIFICACIÓN DE
ESCENARIOS DE DESARROLLO ALTERNATIVOS. Universidad del Rosario, Bogotá.
42
Recuperado a partir de
http://repository.urosario.edu.co/bitstream/handle/10336/4430/1032441611-
2013.pdf?sequence=1
Gonzáles, J., Etter Rothlisberger, A., Sarmiento López, A., Orrego Suaza, S., Ramírez, C.,
Cabrera Montenegro, E., … Ordoñez, M. F. (2011). Análisis de las tendencias y patrones
espaciales de deforestación en Colombia (p. 64). Recuperado a partir de
http://www.ideam.gov.co/documents/13257/13817/Proyecciones.pdf/6cad956b-6b92-
4320-a090-2000408a5765
Haining, R. P. (2003). Spatial data analysis theory and practice. Cambridge, UK; New York:
Cambridge University Press.
Herrera, M., Paz, J. A., & Cid, J. C. (2012). Introduction to Spatial Econometrics: An
application to the study of fertility in Argentina using R. University Library of Munich,
Germany. Recuperado a partir de
http://www.academia.edu/download/46264727/Introduccin_a_la_Econometra_Espacial._
Un20160605-11834-wrqxjt.pdf
IDEAM. (2013). Reporte de alertas tempranas de deforestación para Colombia - Primer
semestre del 2013 (No. 1) (p. 10). IDEAM. Recuperado a partir de
http://documentacion.ideam.gov.co/openbiblio/bvirtual/022694/Alertastempranasdedefor
estacionprimerboletin.pdf
Kaimowitz, D., & Angelsen, A. (1998). Economic models of tropical deforestation: a review.
Bogor, Indonesia: CIFOR, Center for International Forestry Research.
Lamberechts, C. (2004). Programa de las Naciones Unidas para el Medio Ambiente. Recuperado
a partir de http://www.aag.org/galleries/mycoe-files/T.Deforestacion.pdf
43
Leguía Aliaga, J. D., Villegas Quino, H., & Aliaga Lordemann, J. (2011). Deforestación en
Bolivia: una aproximación espacial. Revista Latinoamericana de Desarrollo Económico,
(15), 7–44.
Mao, E. (2006). Técnicas de análisis espacial. Buenos Aires: Universidad Nacional de la Plata.
Recuperado a partir de http://www.memoria.fahce.unlp.edu.ar/programas/pp.72/pp.72.pdf
Martin, R. M. (2008). Deforestación, cambio de uso de la tierra y REDD. Unasylva: revista
internacional de silvicultura e industrias forestales, (230), 3–11.
Mina Rosero, L., Rivillas, G. L., Latorre, M. L., Luque Núñez, R., & Cuesta Borja, T. (2012).
Chocó: La dimensión territorial y el logro de los ODM. Fondo para el Logro de los
Objetivos del Milenio. Recuperado a partir de
http://nacionesunidas.org.co/img_upload/61626461626434343535373737353535/2012/c
artillaChocoAlta1.pdf
Ministerio de Industria, Comercio y Turismo. (2011). Chocó Colombia Guía Turística (p. 100).
Chocó. Recuperado a partir de https://cdn.colombia.com/docs/turismo/sitios-
turisticos/pacifico/choco.pdf
Ministerio del Medio Ambiente, Ministerio de Comercio Exterior, Ministerio de desarrollo
Economico, Departamento Nacional de Planeación, & Ministerio de Agrictultura y
Desarrollo Rural. (2000). PLAN NACIONAL DE DESARROLLO FORESTAL. Bogotá
D.C. Recuperado a partir de
http://www.upra.gov.co/documents/10184/11174/Plan+Nacional+de+Desarrollo+Forestal
+2000.pdf/11174d2e-77bf-4a9a-bc3c-96ff85e25aeb
Moreno, R. M., & Vayá, E. (2002). Econometría espacial; nuevas técnicas para el análisis
regional: una aplicación a las regiones europeas. Investigaciones regionales, (1), 83–106.
44
Moreno, R. M., & Vayá, E. V. (2000). Técnicas econométricas para el tratamiento de datos
espaciales: la econometría espacial. Edicions Universitat Barcelona.
Ovalles, P. (2011). IDENTIFICACION DE LAS CAUSAS DE LA DEFORESTACION Y LA
DEGRADACION DE LOS BOSQUES EN LA REPUBLICA DOMINICANA.
Recuperado a partir de
https://www.forestcarbonpartnership.org/sites/forestcarbonpartnership.org/files/Documen
ts/PDF/Jan2013/Informe%20final%20Causas%20Deforestacion%20Rep.%20Dominican
a%2005.09.11.pdf
Pinzón, L., & Sotelo, R. (2009). EFECTOS DE LOS CULTIVOS ILÍCITOS SOBRE EL
MEDIO NATURAL EN COLOMBIA. Recuperado a partir de
http://www.umng.edu.co/documents/10162/745281/V3N2_8.pdf
PNUMA. (2011). Los Bosques y los árboles. TUNZA, 9(1), 24.
Ramírez Moreno, G., & Ledezma Rentería, E. (2007). Efectos de las actividades socio-
económicas (minería y explotación maderera) sobre los bosques del departamento del
Chocó. Revista Institucional Universidad Tecnológica del Chocó DLC, 58-65.
Ramírez Sosa, C. D. (2014). Determinantes espacialmente explícitos de transiciones en
coberturas terrestres con significativo impacto para la provisión de servicios
ecosistémicos: análisis temporal y espacial, 1986-2012. Universidad Nacional de
Colombia Sede Medellín. Recuperado a partir de http://www.bdigital.unal.edu.co/39529/
Romero, J., & others. (2009). Geografía económica del Pacífico colombiano (Vol. 116). Banco
de la República. Recuperado a partir de http://core.ac.uk/download/pdf/6296854.pdf
Rosero-Bixby, L., & Palloni, A. (1998). Población y Deforestación en Costa Rica.
Rueda, R. P., Izquierdo, J. P. B., Gil, Y. M. O., Lozano, N. V., Arbeláez, L. M. A., Riveros, A.
45
M., & Villa, L. P. (2013). MINISTERIO DEL TRABAJO-Programa de las Naciones
Unidas para el Desarrollo. Perfil productivo rural y urbano del municipio de Bajo Baudó.
Recuperado a partir de http://www.redormet.org/wp-content/uploads/2016/01/perfil-
productivo-municipio-bajo-baudo.pdf
Ruiz Suarez, E. J. (2015). Revisión del impacto socio ambiental por la minería en el
departamento del chocó« Caso región del San Juan». Recuperado a partir de
http://repository.unimilitar.edu.co/handle/10654/6461
Schabenberger, O., & Gotway, C. A. (2004). Statistical Methods for Spatial Data Analysis. CRC
Press.
Sosa, C. D. R., & Suaza, S. A. O. (2011). Modelación Económica Con Información
Espacialmente Explícita De La Deforestación En Urabá, Colombia, 1980-2000.
Recuperado 13 de agosto de 2016, a partir de
http://www.redalyc.org/resumen.oa?id=165022467002
Universidad de Alcalá. (2005). MÉTODOS DE ANÁLISIS DE DATOS EN ECOLOGÍA.
Recuperado a partir de
https://www.uco.es/servicios/informatica/windows/filemgr/download/ecolog/Metodos%2
0analisis%20datos.pdf
UNODC. (2011). Colombia: Monitoreo de cultivos de coca 2010 (p. 111). Viena: UNODC.
Recuperado a partir de https://www.unodc.org/documents/crop-
monitoring/Colombia/Colombia-cocasurvey2010_es.pdf
UNODC. (2016). Monitoreo de territorios afectados por cultivos ilícitos 2015. Oficina de las
Naciones Unidas Contra la Droga y el Delito.
UNODC, & ODC. (2015). Atlas de la caracterización regional de la problemática asociada a las
46
drogas ilícitas en el departamento de Chocó. Recuperado a partir de
http://www.odc.gov.co/portals/1/regionalizacion/caracterizacion/RE032015-
caracterizacion-regional-problematica-asociada-drogas-ilicitas-choco.pdf
Vallejo, M. (2011). Evaluación Preliminar sobre Causas de Deforestación y Degradación de
Bosques en Honduras (Programa Reducción de Emisiones de la Deforestación y
Degradación de Bosques en Centroamérica y República Dominicana (REDD –
CCAD/GIZ)). Tegucigalpa.
Wyman, M. S., & Stein, T. V. (2010). Modeling social and land-use/land-cover change data to
assess drivers of smallholder deforestation in Belize. Applied Geography, 30(3), 329-342.
https://doi.org/10.1016/j.apgeog.2009.10.001
Zhao, H., Uchida, E., Deng, X., & Rozelle, S. (2011). Do Trees Grow with the Economy? A
Spatial Analysis of the Determinants of Forest Cover Change in Sichuan, China.
Environmental and Resource Economics, 50(1), 61-82. https://doi.org/10.1007/s10640-
011-9462-1
Zwane, A. P. (2007). Does poverty constrain deforestation? Econometric evidence from Peru.
Journal of Development Economics, 84(1), 330-349.
https://doi.org/10.1016/j.jdeveco.2005.11.007