consistencia en experimentos de elección: aplicación a la ...mayor penetración de las energías...

III Congreso de AERNA Palma de Mallorca, 4-6 de junio de 2008

1

Tema: Valoración económica del medio ambiente

Consistencia en experimentos de elección: aplicación a la valorización

eléctrica de la biomasa forestal en España

Mario Soliño Millán*

María X. Vázquez Rodríguez

Albino Prada Blanco

ERENEA y Departamento de Economía Aplicada. Universidad de Vigo.

Resumen

En este artículo se presenta un análisis de preferencias sociales por un programa de

sustitución parcial de electricidad generada con fuentes energéticas convencionales por

electricidad generada a partir de biomasa forestal. Como paso previo a la estimación de la

disposición marginal al pago de atributos asociados a este programa, realizamos un análisis de

validez interna de las elecciones de los individuos. A través de pruebas de estabilidad y

dominancia comprobamos que el tratamiento de respuestas inconsistentes puede producir

variaciones en las estimaciones de cambio de bienestar. Además, introducimos una cuestión

novedosa respecto a la literatura existente, pues analizamos en qué medida la variación de

posición de las tarjetas de validez interna puede afectar al grado de consistencia de las

respuestas.

Palabras clave: electricidad, experimentos de elección, fuentes de energía renovables,

Galicia, validez interna.

Códigos JEL: Q23, Q42, Q51, R10.

* Autor de contacto. Facultad de Ciencias Económicas y Empresariales. Universidad de Vigo. Lagoas

Marcosende s/n. 36310, Vigo (SPAIN). Tlf. +34 986 814 005; Fax. +34 986 812 401; e-mail: [email protected]

(M. Soliño)

Los autores quieren agradecer la ayuda de Jorge Araña en el diseño experimental. Asimismo, también quieren

expresar su gratitud a Pablo Campos y Carmelo León por sus comentarios en versiones previas. Todos los

errores y omisiones son responsabilidad exclusiva de los autores.


2

1. Introducción

Nuestro escenario energético internacional se caracteriza, en parte, por una elevada

dependencia de combustibles fósiles y por el auge de políticas orientadas a la disminución de

emisiones contaminantes a la atmósfera. En tal escenario, los planes de fomento de energías

renovables contribuirían tanto a disminuir la dependencia energética como a alcanzar los

objetivos fijados en el protocolo de Kyoto en cuanto a emisiones de CO2.

Aunque existe margen de actuación para disminuir la dependencia de combustibles fósiles

para la automoción (electrificación de transporte ferroviario, políticas de conducción

responsable, biocarburantes, etc.), es en el sector de la electricidad (y calefacción) donde más

esfuerzo se ha realizado. Así lo contemplan las estrategias energéticas nacionales e

internacionales, pues en sus diferentes planes energéticos se apuesta definitivamente por una

mayor penetración de las energías renovables en el mercado eléctrico.

Entre las diferentes alternativas renovables, la biomasa ocupa una posición de relevancia a

nivel europeo (Comisión Europea, 1997). España no es una excepción pues, si actualmente

aproximadamente un 3% de su producción eléctrica se obtiene a partir de FER, en el año 2010

se prevé que sea un 17,5%. La biomasa es la FER que experimentaría un mayor incremento

(pasando de un 2,5% en 1998 a un 30,7% en 2010), situándose como la segunda tecnología

renovable en importancia (solamente precedida por la eólica con un 47% de e-FER en 2010).

A diferencia de otras FER, el proceso de valorización eléctrica de la biomasa se caracteriza

por tener un coste de combustible directo positivo y muy relevante. De hecho, el alto coste de

combustible (sobre todo si nos referimos a la biomasa forestal) supone la mayor barrera de

entrada de esta FER en el mercado eléctrico. No obstante, este coste podría ser compensado

por los beneficios ambientales, económicos y sociales que genera su valorización. Entre otros,

se producirían disminución de emisiones de CO2, disminución de riesgo de incendios

forestales, mejora del estado fitosanitario de los montes, garantía de suministro y precios,

mejora de la balanza de pagos, generación de empleo, desarrollo rural, etc.


3

Sin embargo, estos beneficios no tienen asociado un valor comercial y, por tanto, no son

incorporados en las funciones de costes. Es por ello que se hace especialmente relevante

disponer de valoraciones monetarias sobre los efectos que produciría un programa de

sustitución de combustibles fósiles por biomasa en procesos de generación de electricidad. De

tal forma, obtendremos una medida que puede ser incorporada a un análisis coste-beneficio y,

por tanto, se podrían internalizar los costes y beneficios externos asociados a tal sustitución.

Por ello, en el apartado 2 presentamos el caso de estudio para, a continuación, describir el

método de preferencias utilizado en el análisis. En el apartado 4discutimos sobre los análisis

de validez generalmente realizados en este tipo de aplicaciones. A continuación y, como paso

previo a la estimación del cambio de bienestar del programa planteado, realizamos un análisis

de validez interna. Finalmente, en el apartado 6 presentamos los resultados del análisis.

2. Caso de estudio

Nuestro análisis se centra en las preferencias de la población residente en Galicia (Figura 1),

región situada en el noroeste de España y caracterizada por su gran capacidad forestal. Cuenta

con 1,40 millones de has. arboladas y 0,63 millones de has. de monte bajo o matorral. Es

decir, 2/3 de su superficie está clasificada como forestal. Mientras su superficie geográfica no

alcanza el 6% español, las existencias de volumen maderable, con más de 133 millones de

metros cúbicos, suponen el 19,4% del sector forestal español. Mayores pesos silvícolas se

constatan en cuanto a crecimiento anual maderable (31%) y a cortas/producción de madera

(48,4%). No debe entonces extrañar que un indicador directamente derivado de los anteriores,

como la capacidad de fijación de carbono por la vegetación de los montes gallegos, alcance

48 millones de toneladas, convirtiéndose esta región en el principal sumidero de carbono

(19,5%) de España.


4

Figura 1. Situación geográfica de la zona de estudio (Galicia)

Por otra parte, el cambio en el modelo de gestión forestal experimentado en las últimas

décadas ha ocasionado que la superficie de matorral y el material combustible abandonado en

los montes se haya expandido significativamente. La ausencia de gestión sobre estas zonas

conlleva la acumulación incontrolada de matorral1 que, en épocas estivales, se viene

manifestando como un catastrófico problema ambiental: los incendios forestales.

El matorral se postula como un recurso prioritario tanto por no encontrar en estos momentos

algún uso alternativo activo2, como porque es donde se polariza el gravísimo problema de los

incendios forestales. Entre los posibles usos, es manifiesto el interés de las Administraciones

Públicas por incrementar la aportación de la biomasa forestal al mercado eléctrico. Así, el

peso y la dinámica de la biomasa en la generación de electricidad renovable es un vector

fundamental para cumplir los objetivos energéticos en Europa (Comisión Europea, 1997) y

España (Ministerio de Industria-IDAE, 2005). Este objetivo –europeo y español- tiene

lógicamente una distribución territorial muy condicionada por las potencialidades en dos

vertientes de nuestro mundo rural: los cultivos energéticos en superficies agrarias y los

residuos silvícolas en superficies forestales. Obviamente, para el caso de Galicia, la biomasa

de residuos forestales cobra un papel de primer orden.

1 Se estima que en Galicia se podría valorizar anualmente más de medio millón de toneladas secas de matorral,

considerando una extracción sostenible con un período de rotación de 10 años. 2 Para usos tradicionales ya desaparecidos (estivadas, fertilizantes, leñas, pastos, etc.) véase Bouhier (1979) y

Prada (1991).


5

Por todo ello, en este artículo presentamos la aplicación de un método de preferencias

declaradas (Epígrafe 3), cuyo objetivo es inferir las preferencias sociales de los residentes en

Galicia sobre un programa silvo-energético basado en la sustitución parcial de electricidad

generada con combustibles fósiles (e-FEC) por electricidad generada a partir de biomasa

forestal (e-biomasa). Notemos que la aplicación de este programa conllevaría multitud de

efectos sin valor comercial, tales como la reducción del riesgo de incendios, de emisiones de

CO2, generación de empleo en el mundo rural y contribuir al no agotamiento de fuentes

energéticas no renovables.

Entre el 12 de enero y el 19 de febrero de 2006, se realizaron 850 encuestas personales a

residentes en Galicia mayores de 18 años. Diseñamos dos versiones del cuestionario que se

diferencian exclusivamente en la periodicidad del pago considerada. En una consideramos un

pago bimensual (n=429), que coincide con la periodicidad de la factura eléctrica en España.

En la otra presentamos un pago anual (n=421), que es resultado de multiplicar por 6 el pago

bimensual, por lo que el coste agregado es idéntico para ambas versiones. Se justifica

sólidamente la representatividad de la muestra respecto a la población gallega en varias

dimensiones: edad, género, hábitat, estructura familiar, estudios, renta familiar y ocupación.

3. Método: Los Experimentos de Elección

El origen de los experimentos de elección (EE) lo encontramos en la psicología matemática y

estadística (Luce y Tukey, 1964) y la base teórica en la teoría del consumidor de Lancaster

(1966), que establece que la utilidad que proporciona un bien puede ser desagregada en

utilidades separables de sus atributos. El enlace con los modelos microeconómicos de

decisión se realiza a través de los modelos de utilidad aleatoria (Thurstone, 1927; McFadden,

1973) y la teoría de elección probabilística (Ben-Akiva y Lerman, 1985).

El método fue desarrollado a principios de la década de los 80 por Louviere y Hensher (1983)

y Louviere y Woodworth (1983). En el ámbito de la economía medioambiental destacamos

los trabajos pioneros de Opaluch et al. (1993) y Adamowicz et al. (1994), así como el primer

estudio conocido que calcula valores de no uso (Adamawociz et al., 1998) y una revisión de

aplicaciones al medio ambiente realizado por Hanley et al. (1998).


6

Los experimentos de elección son un método de preferencias declaradas consistente con la

teoría de la utilidad aleatoria (TUA), que postula que la utilidad de un individuo q asociada a

una alternativa i puede ser explicada por una parte sistemática (V) que se puede observar y

otra parte aleatoria (ε ) que representa el margen de error asociado a que no se pueden

conocer con exactitud las preferencias de los individuos.

qi

qi

qi VU ε+= (1)

Entonces, estamos ante un problema estocástico que nos lleva a incorporar una formulación

en términos probabilísticos:

( )[ ]qj

qj

qi

qi

q V)V()C|iPr( εε +>+= ji,Cj,i q ≠∈∀ (2)

Para identificar el modelo y conseguir las mejores estimaciones posibles, es necesario realizar

un correcto diseño del experimento de elección a priori, es decir, diseñar los conjuntos de

elección de tal forma que cumpla una serie de propiedades (Louviere et al., 2000). El supuesto

más habitual sobre los términos de error es considerar que están idénticamente e

independientemente distribuidos (iid) y que siguen una distribución Gumbel, lo que implica

que la probabilidad de elegir la alternativa i, dada la función de utilidad considerada es:

∑=

∈Ci

v

v

i

i

ee

)C|iPr( µ

µ

(3)

Esta función se puede estimar mediante un modelo Logit Multinomial (McFadden, 1984),

obteniendo los vectores de coeficientes mediante el método de Máximo Verosimilitud. Este

modelo supone que se verifica la propiedad de independencia de alternativas irrelevantes

(IAI), que requiere que la presencia o ausencia de una alternativa no influya en el ratio de

probabilidades asociadas con el resto de alternativas del conjunto de elección3. Esta propiedad

implica que las preferencias son homogéneas, es decir los gustos del individuo qi son iguales a 3 En el modelo MNL, la probabilidad de elegir una alternativa depende tanto de los atributos como de las

condiciones socio-económicas de los individuos. La inclusión de estas variables permite en numerosas ocasiones

solucionar problemas derivados del incumplimiento de la propiedad de IAI.


7

los individuos qj para todo i ≠ j y, entonces, las varianzas del componente aleatorio de la

utilidad de cada alternativa son iguales.

)vv( jie)C|jPr()C|iPr( −= (4)

El test de Hausman y McFadden (1984) nos permite comprobar si se cumple la hipótesis de

IAI. Para aplicar el test es necesario estimar el modelo completo, es decir, con todas las

alternativas, y también estimar un modelo restringido, es decir, con conjuntos limitados de

alternativas. Se aceptará la hipótesis nula de IAI si las diferencias entre los coeficientes de los

dos modelos estimados no son estadísticamente significativas. El estadístico de verificación

toma la siguiente forma:

[ ] [ ] [ ]crcrcr bbbbq −Ω−Ω−= −1' (5)

donde c y r representan respectivamente el modelo completo y el restringido, b es el vector de

parámetros estimados y Ω la matriz de varianzas-covarianzas.

Una de las diferencias más significativas con otros métodos de preferencias declaradas (e.g.

contingent valuation) es que en los EE se considera un cambio multidimensional simultáneo4.

Esta particularidad requiere determinar el número de escenarios o conjuntos de elección al

que se puede enfrentar el individuo sin acusar fatiga o distracción.

Un diseño factorial completo supone que, en base a un conjunto de atributos, los niveles

asociados a cada uno de ellos son combinados entre sí. Este diseño permite determinar el

efecto de todas las combinaciones posibles entre atributos y niveles. En nuestro caso, tenemos

5 atributos, dos con 4 niveles, dos con 3 niveles y uno con 2 niveles (Tabla I). La cantidad de

alternativas que se deberían presentar al individuo serían 42x32x21 = 288. Sin embargo, el

número de alternativas supera la capacidad de evaluación del individuo, siendo entonces

necesario restringir al máximo el número de elecciones a realizar. En nuestro caso, en un

4 Básicamente, los individuos realizan varias elecciones en base a diferentes escenarios que están definidos por

un conjunto de atributos y niveles.


8

grupo de discusión comprobamos que los individuos eran capaces de realizar 12 elecciones

sin acusar fatiga.

Tabla I. Atributos y niveles del experimento de elección Atributo Niveles

Contaminación del aire: disminución de emisiones de CO2 0% 7% 14%

Contribuir a no agotar recursos mundiales limitados No Sí

Disminución de riesgo de incendios 0% 25% 50% 75% Creación de empleo en el mundo rural 0 3.000 6.000

Recargo anual [bimensual] en factura eléctrica (euros) 30 [5]

60 [10]

90 [15]

120 [20]

La opción tradicional para disminuir el número de alternativas consiste en realizar un diseño

factorial fraccionado (Louviere, 1988). Este diseño consiste en considerar un subconjunto

ortogonal del factorial completo, sin tener en cuenta todas las interacciones entre atributos

(Pearmain et al., 1991). Este tipo de diseño está reconocido de forma válida y es habitual en la

aplicación de EE, de forma que el efecto principal. Es decir, sin considerar interacciones,

suele explicar el 80% o más de la variabilidad de los datos (Louviere, 1988).

Para el diseño del experimento de elección se ha utilizado el software SAS/QC, que permite

obtener diseños experimentales óptimos. El criterio utilizado es el D-eficiencia (Huber y

Zwerina, 1996), que maximiza el determinante de la matriz de información dado un conjunto

de combinaciones potenciales obtenidas mediante diseño ortogonal y una serie de

restricciones establecidas (combinaciones de niveles no realistas como, por ejemplo, obtener

la mejora máxima de todos los atributos junto al nivel mínimo de coste o, al contrario, obtener

la mejora mínima con el coste más elevado). Finalmente, en el diseño se consideran bloques

de 2 alternativas de cambio (con 5 atributos cada una), condicionado a un máximo de 10

elecciones (20 alternativas). Por tanto, cada individuo se enfrenta a 12 conjuntos de elección,

dos de los cuales son utilizados para desarrollar las pruebas de validez interna que

comentaremos en el próximo epígrafe.

4. Análisis de validez

Los análisis de validez pueden agruparse en tres grupos (Kjær, 2005): i) validez de contenido

(correcto diseño del experimento, selección de atributos, niveles, etc.), ii) validez de criterio o

validez externa (comparar los resultados con datos reales de mercado) y iii) validez de


9

construcción, diferenciando convergencia (por ejemplo comparar los resultados del EE con

los obtenidos con otros métodos de preferencias declaradas o reveladas) y validez teórica o

interna. Esta última, en la cual se enmarca nuestro análisis, consiste en comprobar si los

parámetros estimados cumplen las propiedades formuladas por la teoría económica o por la

evidencia empírica previa. Por ejemplo, verificar que los signos de los coeficientes estimados

coincidan con la expectativas teóricas existentes sobre los mismos o cumplir los axiomas

(preferencias completas, transitivas, monótonas, no saciedad, convexidad, continuidad)

formulados por la teoría de elección del consumidor (Lancsar y Louviere, 2006).

Entre las posibles pruebas de validez interna, nos hemos centrado en análisis de estabilidad y

dominancia en las elecciones de los individuos. La estabilidad consiste en que los individuos

que eligen una alternativa perteneciente a un conjunto de elección, deben elegir la misma

alternativa independientemente de la posición del conjunto en el proceso de elección. Por su

parte, la dominancia consiste en que, ante dos alternativas que se diferencian exclusivamente

en el nivel de algún atributo, el individuo debe elegir aquella que presenta un nivel superior

(suponiendo un coste común a ambas alternativas).

Se han realizado pruebas de validez interna en EE aplicados a diferentes ámbitos, como por

ejemplo salud, transporte o medioambiente. A continuación realizaremos una breve revisión

de análisis de validez interna, haciendo hincapié en aquellos que realizan pruebas de

estabilidad y dominancia. El procedimiento habitual para realizar un test de estabilidad

consiste en repetir un conjunto de elección en una posición posterior del proceso5 (Johnson y

Mathews, 2001; Vázquez y León, 2004; Campbell et al., 2005; Ozdemir y Johnson, 2006). Si

el entrevistado realiza la misma elección, independientemente de la posición del conjunto de

elección, se rechaza la hipótesis de inestabilidad de preferencias. Por su parte, el test de

dominancia se lleva a la práctica introduciendo una alternativa dominante en un conjunto de

elección6. Si el individuo elige la alternativa dominante, superará satisfactoriamente el test de

dominancia7.

5 Una excepción la encontramos en San Miguel et al. (2005), quienes contemplan variación de tarjetas de prueba

entre varias versiones de un cuestionario, aunque no permiten variación en la misma versión. 6 También se pueden introducir varios tests de dominancia, introduciendo alternativas dominantes en varios

conjuntos de elección (Ryan et al., 2001; Ryan y Bate, 2001). La/s alternativa/s dominante/s puede/n ser

resultado del diseño experimental, como por ejemplo en Vázquez y León (2004). Sin embargo, cuando el diseño


10

En el contexto de la salud se han difundido con profusión análisis de validez interna. Vázquez

y León (2004), en un análisis sobre riesgos del incremento de emisiones atmosféricas de

centrales termoeléctricas sobre la salud, analizan la validez interna de EE mediante pruebas de

dominancia y estabilidad de preferencias. El 70% supera el test de dominancia y el 74% el de

estabilidad. Un 14% de las respuestas son sistemáticamente inconsistentes (el 7% de la

muestra), fallando ambas pruebas. El 59% supera los dos tests. Muestran que la exclusión de

respuestas inconsistentes disminuye la cuantía de la DMP estimada y aumenta su eficiencia.

Ozdemir y Johnson (2006) identifican un 7% de respuestas inconsistentes en un test de

dominancia y un 20% de respuestas que no superan un test de estabilidad (consistente en

repetir el primer conjunto de elección en la posición quinta del proceso). Por su parte,

Johnson y Mathews (2001) anotan que un 10% de individuos no superan el test de

dominancia y el 61% el de estabilidad, lo que supone un porcentaje de inestabilidad muy

superior al de otros estudios del mismo ámbito8.

Ryan et al. (2001) y Ryan y Bate (2001) realizan dos test de dominancia, presentando dos

conjuntos de elección con una alternativa dominante. El 22% no supera uno de los test de

dominancia, mientras que el 8% lo hacen en las dos ocasiones. San Miguel et al. (2002)

constata que el 93-95% de los individuos superan un test de dominancia. San Miguel et al.

(2005), en la misma dirección, constata inconsistencias del 1-3% en otro test de dominancia.

En este caso, se diseñan 3 versiones de un cuestionario caracterizadas por un grado de

complejidad heterogéneo (6, 8 y 10 elecciones) y por diferencias en la posición de las tarjetas

de prueba. Demuestran que la posición de la tarjeta de dominancia no tiene efectos sobre la

consistencia, mientras que el número de elecciones (complejidad) sí los tiene9, sobre todo

debido a efectos aprendizaje y fatiga en el proceso de elección.

experimental no proporciona ningún conjunto de elección con una alternativa dominante, el investigador deberá

diseñar ese conjunto. 7 Nótese que si elige la situación actual no se produce resultado a este test (Vázquez y León, 2004; Ozdemir y

Johnson, 2006). 8 Alpízar et al. (2001) afirma que se podrían estar confundiendo los efectos de secuencia en conjuntos de

elección con los de estabilidad. 9 Otros trabajos que argumentan sobre la influencia de la complejidad en las elecciones son, por ejemplo,

Mazzota y Opaluch (1995), Swait y Adamowicz (1996), Cameron y Englin (1997) o Adamowicz et al (1998).


11

Campbell et al. (2005), en una aplicación ambiental sobre paisajes rurales y medidas

agroambientales en Irlanda, analizan dominancia y estabilidad (repiten la tarjeta al principio y

al final del experimento). El 21% no elige la alternativa dominante, mientras que el 28% no

muestra estabilidad en sus preferencias. En la misma dirección que Vázquez y León (2004), el

58% superan ambos tests. Sin embargo, a diferencia de Vázquez y León (2004), se constata

un mayor número de inconsistencias relacionadas con la estabilidad que con la dominancia.

También en el contexto de estudios ambientales Carlsson y Martinsson (2001), en un EE

compuesto por 16 elecciones, realizan un análisis comparativo entre dos funciones de utilidad

construidas en base a las ocho primeras elecciones y a las 8 últimas. Argumentan que las

preferencias son transitivas y estables, aunque con cierto grado de aprendizaje. Layton y

Brown (2000) proporciona un resultado similar, rechazando la inestabilidad de preferencias.

Otras aplicaciones de métodos de preferencias declaradas también analizan validez interna.

Por ejemplo, utilizando ordenación contingente, Foster y Mourato (2002) analizan los efectos

de pesticidas sobre la salud. Examinan el cumplimiento de axiomas de no saciabilidad y

transitividad10. Un 83% supera un test de dominancia y un 87% de estabilidad. Concluyen que

el 54% de los individuos superan todos los tests y que se produce un error sistemático en el

5% de las respuestas. Ryan y San Miguel (2000), en un análisis de valoración contingente con

tarjeta de pagos, muestran que prácticamente la tercera parte de los entrevistados muestran

síntomas de inconsistencia, en la medida en que estarían dispuestos a pagar más por

alternativas menos preferidas (prefieren un programa sobre salud “A” sobre otro “B”, y están

menos dispuestos a pagar por “A” que por “B”).

Pese a que el investigador es libre de interpretar este tipo de comportamientos anómalos,

Hougaard et al. (2006) afirman que las desviaciones sobre el comportamiento esperado no

conllevan necesariamente la eliminación de las respuestas inconsistentes, pues en los modelos

estadísticos de elección ya se contemplan a través de un término de error aleatorio. Por ello,

analizan la relación entre la Teoría de Utilidad Aleatoria y los test estadísticos de consistencia

10 Además, analizan el eventual incumplimiento del supuesto de continuidad, que establece que dos alternativas

con pequeñas diferencias deben ocupar lugares similares en la ordenación.


12

o validez interna, argumentando sobre la incorporación de estos tests a los modelos de

elección.

San Miguel et al. (2005) y Ozdemir y Johnson (2006) hacen hincapié en el análisis cualitativo

de respuestas clasificadas como inconsistentes. Argumentan que su eliminación podría no

estar sólidamente justificada, pues motivos “racionales” pueden conducir a elecciones

“irracionales”. Por ejemplo, por causas relacionadas con la información, San Miguel et al.

(2005) argumentan que en el proceso de elección se pueden formar nuevas opiniones, omitir

información relevante, disponer de información extra no presentada en el experimento, etc.,

motivos que hacen variar las elecciones a lo largo del proceso. Además, hay que distinguir

aquellos individuos con una regla de decisión simplificada de los que no entienden el ejercicio

(Ozdemir y Johnson, 2006).

En la misma línea, Lancsar y Louviere (2006) advierten de la posibilidad de error al eliminar

del análisis respuestas inconsistentes a las que subyacen preferencias válidas. De especial

interés son las preferencias lexicográficas, es decir, cuando los individuos no realizan trade-

offs entre atributos, eligiendo sólo en base a uno de ellos. Este problema origina que la

función de utilidad no presente la característica de continuidad, por lo que estas respuestas

podrían ser eliminadas atendiendo a un criterio de validez interna. Sin embargo, tales

comportamientos pueden tener explicaciones racionales (Lancsar y Louviere, 2006), como

por ejemplo que el resto de atributos no sean significativos para el individuo, escasa variación

de niveles, etc. Por lo tanto, el uso de heurísticas o reglas de decisión simples no tienen por

qué representar comportamientos irracionales o inconsistentes. Además, el diseño

experimental puede explicar parte de estas aparentes inconsistencias (Lancsar y Louviere,

2006). Otro ejemplo serían los test de dominancia. Si en las alternativas se recogen atributos

cualitativos, no tiene que existir una regla de decisión concisa sobre qué nivel debe ser

preferido.

Teniendo en cuenta estas consideraciones, la aproximación habitual es suponer que los

comportamientos inconsistentes no proporcionan información fiable sobre las preferencias.

Incluirlos disminuye la eficiencia de los estimadores y sesga las estimaciones de cambio de

bienestar (Vázquez y León, 2004; Johnson y Mathews, 2001; Campbell et al., 2005). Ryan y

Bate (2001) razonan que si las características de los individuos inconsistentes son semejantes

a los consistentes, eliminar las respuestas inconsistentes mejora la eficiencia de los


13

estimadores. Por lo tanto, antes de eliminar tales respuestas, es necesario comprobar que tales

características no difieren significativamente pues, de otra forma, se podrían sesgar las

estimaciones.

Finalmente no debemos olvidar que, además de cumplir los axiomas propuestos por la teoría

de elección del consumidor, un test de validez interna básico consiste en contrastar los signos

de los parámetros estimados con las expectativas teóricas que se establecen a priori. Este

análisis es habitual en todos los análisis de preferencias declaradas, aunque algunos le prestan

especial relevancia, como por ejemplo Hiselius (2005) en un EE sobre transporte de

mercancías peligrosas por ferrocarril en Suecia11.

5. Análisis de validez: consistencia de las elecciones

En nuestro experimento de elección, una vez eliminados los ceros protesta y las opciones que

denotan inseguridad, pasamos a realizar el análisis de consistencia de las elecciones de los

individuos. Tal y como hemos comentado, en el diseño de los conjuntos de elección hemos

introducido pruebas de estabilidad y dominancia. La prueba de estabilidad constituye una

prueba de validez interna y consiste en presentar un mismo conjunto de elección en dos

posiciones intercaladas. Si las preferencias son estables, cuando se presenta por segunda vez

el conjunto de elección el individuo debería elegir la misma alternativa que en una posición

anterior del proceso. Introducimos la tarjeta de estabilidad a partir de la séptima posición,

diseñando una rutina (Figura 2) que asegure que su posición varía entre los últimos 6

conjuntos de elección12.

11 Además, Hiselius (2005) realiza un test de validez interna sobre el axioma de no saciedad. Sin embargo, el

tamaño muestral (n=37) de su estudio es demasiado bajo como para extrapolar conclusiones. En base a la

primera elección, comprueba si en un momento posterior del proceso el individuo elige una alternativa todavía

mejor. El 8% de los entrevistados muestran inconsistencia. 12 La tarjeta inicial para la prueba de estabilidad se presenta en la posición 3ª ó 4ª (dependiendo de si se sigue un

orden correlativo o inverso en las seis primeras tarjetas de elección). Entre las últimas seis tarjetas que se

muestran al individuo, se presenta esta misma tarjeta de forma aleatoria (posición 7ª a 12ª).


14

Figura 2. Rutina de posición para tarjetas de estabilidad y dominancia

Por su parte, la prueba de dominancia consiste en introducir un conjunto de elección en el

cual una alternativa de cambio domina claramente a la otra, es decir, ofrece una mejora

superior a un coste idéntico. Esta alternativa dominante, suponiendo que se cumple la

hipótesis de no saciedad, ha de ser preferida a la otra alternativa (dominada). Notemos que la

elección del status quo no implica fallar la prueba de consistencia, pues es lícito que los

individuos no estén dispuestos a soportar un coste por el programa planteado. Al igual que en

el caso de estabilidad, esta tarjeta también varía de posición dentro de las últimas 6 elecciones

presentadas al individuo.

En nuestro ejercicio, más de las tres cuartas partes de los individuos superaron el test de

estabilidad y dominancia en ambas versiones del cuestionario, obteniéndose resultados

ligeramente superiores en el test de dominancia (Tabla II). Para analizar la consistencia en el

proceso de elección, optamos por dos criterios: consistencia débil y consistencia fuerte. Los

individuos que cumplen la consistencia débil son aquellos que superan bien el test de

estabilidad o el de dominancia. Cuando superan ambos, consideramos que cumplen el criterio

de consistencia fuerte (Vázquez y León, 2004). Tal y como vemos en la Tabla II, el 5,59% de

los individuos de la versión bimensual fallan ambos test (frente al 8,31% en la versión anual),

siendo clasificados como sistemáticamente inconsistentes13. Al considerar un criterio de

13 En Vázquez y León (2004) y Foster y Mourato (2002) se constata, respectivamente, un 7,4% y un 5% de

respuestas sistemáticamente inconsistentes.


15

consistencia fuerte, observamos como el 33,33% de los encuestados en la versión bimensual

falla alguno de los test propuestos (frente al 37,29% en la versión anual)14. Finalmente,

destacar que la versión bimensual produce mejores resultados en todas las pruebas realizadas.

Tabla II. Test de estabilidad, dominancia y consistencia TEST Anual Bimensual

Estabilidad 76,72% 77,39% Dominancia 77,67% 83,68% Consistencia débil 91,69% 94,41% Consistencia fuerte 62,71% 66,67%

A diferencia de estudios anteriores (véase epígrafe anterior), en nuestra aplicación hemos

considerado la variación de las tarjetas diseñadas para analizar la consistencia de las

elecciones. En la Figura 3 presentamos como varía el porcentaje de individuos que superan

los diferentes tests atendiendo a la posición en la que se presenta la tarjeta de posición y/o

dominancia. Nuestros resultados, como veremos a continuación, no permiten concluir que la

posición variable arroje mejores resultados que tratamientos que consideran posición fija de

las tarjetas de dominancia y/o estabilidad, realizada entre otros, por Vázquez y León (2004),

Campbell et al. (2005) u Ozdemir y Johnson (2006).

En el caso de estabilidad, vemos como el porcentaje de individuos que superan este test

muestra una tendencia constante independientemente de la posición en la que se muestra la

tarjeta de estabilidad (Figura 3). En la posición 12 aparece un valor superior respecto a las

posiciones 8 a 11, lo que podría indicar un cierto efecto aprendizaje. Sin embargo, el

porcentaje que supera el test en la última posición es similar al constatado para la primera

(posición 7).

14 El 41% de los entrevistados en el caso de Vázquez y León (2004), el 42% en Campbell et al. (2006) y casi la

mitad en Foster y Mourato (2002) falla alguno de los tests presentados.


16

Figura 3. Tests de estabilidad y dominancia

50,00

55,00

60,00

65,00

70,00

75,00

80,00

85,00

90,00

7 8 9 10 11 12

Posición tarjeta estabilidad

% q

ue s

uper

a pr

ueba

de

esta

bili

dad

Versión anual (N=421) Versión bimensual (N=429) Media (N=850)

50,00

55,00

60,00

65,00

70,00

75,00

80,00

85,00

90,00

95,00

7 8 9 10 11 12

Posición tarjeta dominancia

% q

ue s

uper

a pr

ueba

de

dom

inan

cia

Versión anual (N=421) Versión bimensual (N=429) Media (N=850)

Para el test de dominancia observamos un comportamiento similar, con una tendencia estable

en torno a la media de individuos que superan el test. A diferencia de la estabilidad, los fallos

del test de dominancia muestran una tendencia creciente, siendo el porcentaje de

incumplimiento en la última posición superior al observado en la primera. Este hecho podría

producirse por un eventual efecto fatiga aunque, como vemos en la Figura 3, las diferencias

no son significativas. A la vista de estos resultados, podemos afirmar que en el proceso de

elección no parecen haberse producido efectos de aprendizaje ni fatiga.

Finalmente, realizamos dos test de consistencia bajo criterios de combinación de los tests

anteriores. La condición necesaria para superar el test de consistencia débil es cumplir por lo

menos uno de los test (estabilidad o dominancia). Asimismo, aquellos que satisfacen ambos

test, superarán la prueba de consistencia fuerte. Más del 90% de la muestra supera el test de


17

consistencia débil, mientras que el porcentaje desciende hasta aproximadamente el 65%

cuando consideramos un criterio de consistencia fuerte (Tabla II). Sin embargo, la posición en

la que se muestran las tarjetas de dominancia y estabilidad parecen no afectar a la

consistencia, manteniéndose el porcentaje de individuos que superan ambos test a lo largo del

proceso. Anotar simplemente que, al igual que en los test de dominancia y estabilidad, la

versión bimensual del medio de pago muestra unos índices de consistencia mayores que la

anual.

Mediante un test de razón de verosimilitud (Tabla III) podemos verificar la hipótesis nula de

coeficientes idénticos de las dos muestras (anual/bimensual), frente a cualquiera de los cuatro

supuestos de consistencia considerados. Para todos los casos, el estimador de razón

verosimilitud (ERV) es superior al valor crítico al 95%, rechazando tal hipótesis. Es decir, las

preferencias de los individuos consistentes son diferentes de los que fallan individual o

conjuntamente los test de estabilidad y/o dominancia. Por lo tanto, a la hora de estimar una

función de valor y extrapolar conclusiones sobre preferencias sociales, no será lícito utilizar

aquellas respuestas que contradicen estos supuestos fundamentales de la elección15.

Tabla III. Test de razón de verosimilitud para consistencia Versión anual Versión bimensual Nº Elecciones LL Nº Elecciones LL

LL sin filtros de consistencia 4.172 -4.066,821 4.340 -4.062,848

Test de estabilidad

LL est. 3.057 -2.968,693 3.239 -2.991,747 LL no est. 1.115 -1.061,844 1.101 -1.044,118 ERV - 72,568 - 53,966

Test de dominancia

LL dom. 3.157 -3.108,026 3.545 -3.280,956 LL no dom. 1.015 -839,879 795 -735,065 ERV - 237,832 - 93,654

Test de consistencia débil

LL débil 3.777 -3.688,758 4.058 -3.770,365 LL no débil 395 -331,457 282 -270,986 ERV - 93,212 - 42,994

Test de consistencia fuerte

LL fuerte 2.437 -2.377,384 2.726 -2.497,525 LL no fuerte 1.735 -1.584,829 1.614 -1.515,445 ERV - 209,216 - 99,756

Chi-cuadrado [6] [0,05] = 12,5916.

Este resultado se ve confirmado al comparar las estimaciones de DMP obtenidas a partir de

los diferentes criterios de consistencia con aquellas otras obtenidas para el modelo sin filtros.

Los signos, orden de magnitud y significatividad de los coeficientes estimados de los atributos 15 Los individuos inconsistentes se distribuyen aleatoriamente, no difiriendo sus características (hábitat, nivel

económico, estudios, ocupación, hábitos rurales, conducta ambiental, opinión sobre el cuestionario, etc.) del

resto de la muestra.


18

no varían respecto al modelo original que incluye comportamientos no consistentes en las

elecciones. No obstante, la DMP es menor si consideramos solamente individuos consistentes

bajo cualquiera de los supuestos (salvo para el atributo agotamiento en los tests de

dominancia y consistencia fuerte). Como vemos en la Tabla IV, los individuos inconsistentes

tienen, en general, una disposición marginal al pago mayor que aquellos que superan el test de

consistencia fuerte.

Tabla IV. Estimaciones de DMP por atributos

Contaminación Agotamiento Incendios Empleo Anual Bimensual Anual Bimensual Anual Bimensual Anual Bimensual

Sin filtros de consistencia nan=4.172 nbim=4.340

87,91* (21,673)

36,20*** [217,19] (21,167)

57,08* (13,507)

31,48*** [188,90]

(17, 717)

15,35** (6,996)

9,52 [57,12] (6,162)

23,93** (10,246)

17,13*** [102,80] (9,910)

Estabilidad nan=3.057 nbim=3.239

62,22* (13,113)

20,44* [122,62] (6,756)

51,13* (9,716)

16,75* [100,53] (5,171)

13,32** (5,342)

5,70 ** [34,22] (2,333)

14,96*** (7,628)

8,20* [49,19] (3,108)

Dominancia nan=3.157 nbim=3.545

60,16* (13,588)

27,33** [163,95] (13,214)

63,16* (12,286)

29,78** [178,69] (13,629)

10,67*** (5,464)

8,53*** [51,18] (4,622)

30,70* (9,014)

16,57** [99,40] (7,829)

Consitencia débil nan=3.777 nbim=4.058

69,46* (15,380)

31,39** [188,34] (15,871)

56,50* (11,407)

28,77** [172,63] (13,904)

12,20** (5,678)

8,98*** [53,85] (5,054)

21,70** (8,565)

15,10** [90,58] (7,625)

Consistencia fuerte nan=2.437 nbim=2.726

52,04* (11,018)

17,27* [103,62] (5,301)

57,45* (10,139)

17,08* [102,47] (4,780)

11,83** (4,980)

5,29* [31,72] (2,039)

23,63* (7,586)

9,01* [54,05] (2,982)

( ) Desviación típica entre paréntesis. [ ] Transformación de DMP bimensual a anual entre corchetes. * p<0,01; ** p<0,05; *** p<0,10.

Igualmente, al establecer un filtro de consistencia fuerte, observamos una menor dispersión

(desviación típica) y una mayor significatividad de los estimadores de DMP para todos los

atributos (Tabla IV). Las inconsistencias presentes en la muestra inicial pueden estar

generando valores anómalamente extremos y, en consecuencia, sesgando las estimaciones

obtenidas. Así, las estimaciones de DMP sin filtros de consistencia parecen estar sesgadas al

alza pues, al introducir estos filtros, anotamos una disminución general de la DMP estimada16.

16 Salvo el atributo “agotamiento” al introducir filtros de dominancia y consistencia fuerte y el atributo “empleo”

cuando se realiza un filtro de dominancia, en la Tabla IV apreciamos que la DMP disminuye al introducir filtros

de consistencia.


19

6. Resultados

Para explicar la DMP de la sociedad gallega por la sustitución parcial de e-FEC por e-

biomasa, estimamos una función de valor eliminando respuestas que contradicen supuestos

fundamentales del proceso de elección. Tal y como hemos visto en el epígrafe anterior,

consideraremos exclusivamente las respuestas de aquellos individuos que superan el test de

consistencia fuerte, pues obtenemos estimaciones más robustas y, a la vez, conservadoras, de

la DMP.

Antes de realizar la estimación hemos de detenernos en analizar más detalladamente los

resultados de DMP obtenidos en el epígrafe anterior (Tabla IV). En fases previas de la

investigación constatamos que una de las ventajas más valoradas de la sustitución de e-FEC

por e-biomasa es la disminución del riesgo de incendios. En la estimación de DMP presentada

en la Tabla IV vemos como este atributo es el menos valorado, contradiciendo el valor

esperado a priori. Ante tal resultado inferimos que alguno de los niveles presentados no ha

sido creíble para los entrevistados, sesgando la estimación de DMP realizada.

Por ello procedemos a desagregar los atributos en cada uno de sus niveles y construimos una

variable para cada nivel y atributo, tomando como referencia el status quo (Tabla V). Tales

variables son introducidas en la estimación de la función de valor, cuyos resultados

detallamos en la Tabla VI. Esta nueva codificación nos permite analizar, para cada uno de los

atributos considerados, la disposición marginal al pago por un cambio de la situación actual a

cada nivel (Tabla VII).

Con esta codificación, las variables INC25 y EMP617 no son significativas en ninguna de las

versiones del cuestionario (Tabla VI), por lo que una reducción del 25% en riesgo de

incendios y la creación de 6.000 empleos en el mundo rural resultan ser variables no

relevantes18. Además, INC25 e INC75 muestran signo negativo, por lo que los individuos

muestran una DMP negativa por estos cambios marginales (Tabla VII). Esto puede ser debido

a que consideran el cambio insuficiente en el primer caso y no creíble en el segundo. Sin 17 Nótese que ninguna de las variables referentes a empleo son significativas en la versión anual. 18 Falta de credibilidad seguramente generada por la falta de aceptación o credibilidad de la magnitud de estos

efectos. No obstante, debemos aclarar que estos niveles de disminución de riesgo de incendios y creación de

empleo en el mundo rural sí resultaron creíbles en los grupos de enfoque previos.


20

embargo, los resultados parecen ajustarse en mayor medida a la percepción de los individuos

sobre ventajas asociadas a la sustitución de e-FEC por e-biomasa obtenidas en fases previas

de la investigación (grupos de enfoque, test de percepción, etc.).

Tabla V. Descripción de variables explicativas

Variable Descripción CONT7 Contaminación del aire: disminución de un 7% de emisiones de CO2 CONT14 Contaminación del aire: disminución de un 14% de emisiones de CO2 AGOT Se contribuye (o no) a disminuir el agotamiento de recursos naturales INC25 Disminución del riesgo de incendios en un 25% INC50 Disminución del riesgo de incendios a la mitad INC75 Disminución del riesgo de incendios en un 75% EMP3 Creación de aproximadamente 3.000 empleos en el mundo rural EMP6 Creación de aproximadamente 6.000 empleos en el mundo rural PGEL* Percepción de gasto eléctrico (anual/bimensual) de la unidad familiar CALEL Hogar con calefacción eléctrica (sistema fijo o móvil) GEL* Gasto eléctrico (anual/bimensual) de la unidad familiar BIOFER Clasificar la biomasa como FER CCFEC El cambio climático es un problema asociado a la producción de e-FEC AGOFEC El agotamiento de recursos naturales es un problema asociado a la producción de e-FEC PRIOFER La e-FER es prioritaria en procesos de sustitución de e-FEC CFER Coste de la e-FER superior a coste de la e-FEC CBIO Coste de la e-biomasa superior a coste de e-FER BIONIN La producción de e-biomasa genera externalidades negativas CO2BIO Disminuir las emisiones de CO2 (y otros GEI) y su impacto en el cambio climático es una

ventaja importante asociada a la sustitución de e-FEC por e-biomasa EMPBIO Generar empleo en el mundo rural es una ventaja asociada a la sustitución de e-FEC por e-

biomasa INCBIO Reducir el riesgo de incendios es una ventaja importante asociada a la sustitución de e-FEC por

e-biomasa EINCBIO Reducir el riesgo de incendios es una ventaja asociada a la sustitución de e-FEC por e-biomasa

(respuesta espontánea) AGOBIO Contribuir a no agotar recursos mundiales limitados es una ventaja importante asociada a la

sustitución de e-FEC por e-biomasa (respuesta espontánea) EDAD Edad del entrevistado superior a la media gallega (43,9 años) ESTUD Estudios universitarios CRURAL Familiaridad con el mundo rural CAMB Conducta ambiental HVERDE Hábitos de consumo verdes RENTA Nivel de renta mensual familiar superior a la media gallega (1.603 euros) SEXO Género femenino * Variable Continua. En caso contrario, variable dummy (0: no; 1: sí).


21

Tabla VI. Estimación MNL de la función de valor MNL MNL extendido

Anual Bimensual Anual Bimensual Coef. t-ratio Coef. t-ratio Coef. t-ratio Coef. t-ratio

CAE 0,135 (0,131) 1,029 0,273**

(0,130) 2,109 0,071 (0,352) 0,203 -1,916*

(0,341) -5,620

CONT7 0,089** (0,041) 2,192 0,097**

(0,038) 2,543 0,094** (0,042) 2,229 0,105*

(0,039) 2,675

CONT14 0,232* (0,040) 5,805 0,248*

(0,037) 6,682 0,233* (0,042) 5,596 0,250*

(0,038) 6,492

AGOT 0,384* (0,029) 13,275 0,388*

(0,027) 14,353 0,392* (0,030) 13,073 0,384*

(0,028) 13,752

INC25 -0,067 (0,055) -1,214 -0,070

(0,050) -1,387 -0,071 (0,057) -1,247 -0,056

(0,052) -1,092

INC50 0,344* (0,058) 5,918 0,405*

(0,057) 7,089 0,362* (0,062) 5,869 0,439*

(0,061) 7,224

INC75 -0,163** (0,066) -2,446 -0,164**

(0,064) -2,557 -0,164** (0,071) -2,324 -0,201*

(0,068) -2,943

EMP3 0,039 (0,037) 1,038 0,066***

(0,035) 1,880 0,047 (0,039) 1,198 0,067***

(0,036) 1,850

EMP6 0,032 (0,046) 0,695 0,048

(0,042) 1,127 0,025 (0,048) 0,532 0,030

(0,044) 0,674

COSTE -0,006* (0,001) -6,837 -0,023*

(0,005) -4,585 -0,007* (0,001) -6,841 -0,024*

(0,005) -4,480

PGEL - - -0,006* (0,001) -4,503

CALEL -0,478* (0,122) -3,912 -0,884*

(0,151) -5,846

GEL - - 0,004*** (0,002) 1,946

BIOFER -1,066* (0,257) -4,148 0,585*

(0,170) 3,446

CCFEC 0,653* (0,141) 4,644 - -

AGOFEC - - 1,185* (0,178) 6,672

PRIOFER - - 1,125* (0,153) 7,337

CFER - - 0,623* (0,139) 4,468

CBIO - - -0,457* (0,154) -2,972

BIONIN 0,506* (0,118) 4,281 0,802*

(0,147) 5,442

CO2BIO - - 0,582* (0,158) 3,676

EMPBIO 0,548* (0,151) 3,621 - -

INCBIO -0,390** (0,181) -2,152 - -

AGOBIO 0,458* (0,143) 3,199 - -

EINCBIO 0,791* (0,137) 5,752 - -

EDAD -0,564* (0,127) -4,447 -0,292***

(0,149) -1,957

ESTUD 0,617* (0,170) 3,629 - -

CRURAL -0,359* (0,123) -2,925 0,653*

(0,154) 4,238

CAMB 0,582* (0,124) 4,703 -0,719*

(0,173) -4,160

HVERDE - - 0,624* (0,166) 3,760

RENTA 0,634* (0,132) 4,820 1,205*

(0,164) 7,358

SEXO 0,237** (0,118) 2,005 - -

N 2.437 2.726 2.285 2.584 LL -2.358,503 -2.469,666 -2.040,167 -2.095,905 LL sin coef. -2.677,318 -2.994,817 -2.510,329 -2.838,814 pseudo-R2 0,1173 0,1738 0,1830 0,2581 % Pred correct. 42,47 46,44 46,48 50,97 ( ) Desviación típica entre paréntesis. * p<0,01; ** p<0,05; *** p<0,10.


22

Los individuos valoran con gran intensidad la menor contribución al agotamiento de los

recursos y la disminución del riesgo de incendios a la mitad, con una DMP en la versión anual

de 60,41 y 54,11 euros/familia/año respectivamente19. Sin embargo, el orden implícito de

estos dos atributos difiere dependiendo de la versión del cuestionario que consideremos. Así,

en la versión bimensual el cambio más valorado se deriva de una disminución de riesgo de

incendios a la mitad, con una DMP de 104,13 €/f/a, seguido de contribuir al no agotamiento

de recursos naturales limitados, con una DMP de 99,58 €/f/a. Igualmente, destaca que las

cuantías estimadas en la versión bimensual representan entre 1,65 y 1,92 veces las

comentadas para la versión anual. Este hecho nos indica la relevancia de la periodicidad del

instrumento de pago, cuestión sobre la que no profundizaremos en este artículo.

Asimismo, la disminución de la contaminación presenta signo positivo20, verificándose una

relación lineal y creciente entre la DMP y la intensidad de la disminución de emisiones de

CO2. En ambas versiones una disminución del 14% estaría refrendada por una DMP 2,6 veces

superior a la correspondiente a una disminución del 7%. Al igual que para INC50 y AGOT, la

DMP de la versión bimensual (24,87 y 63,78 €/f/a) representa casi el doble (x1,7) de la anual

(14,03 y 36,57 €/f/a) para estas dos variables relacionadas con contaminación del aire.

Finalmente, la creación de aproximadamente 3.000 empleos en el mundo rural sólo es

significativa en la versión bimensual, con una DMP de 12,26 €/f/a.

19 En la Tabla VII, además de las estimaciones de la DMP, presentamos los intervalos de confianza para cada

una de ellas con un nivel de significatividad del 95%. Para construir estos intervalos, utilizamos tanto el

procedimiento de Krinsky y Robb (1986) con 2.000 repeticiones como un bootstrap con 1.000 repeticiones.

Nótese que con el primer procedimiento obtenemos unos intervalos más ajustados de la DMP. 20 Independientemente de la versión que consideremos, la contaminación sería el tercer atributo en importancia u

orden.


23

Tabla VII. DMP e intervalos de confianza (MNL)

MNL Anual Bimensual

DMP KR (R=2.000) BST (R=1.000) DMP KR (R=2.000) BST (R=1.000)

CONT7 14,03** (6,739) 1,16; 28,69 -20,43; 21,40

4,14** [24,87] (1,906)

1,00; 9,39 [6,01; 56,36]

-5,09; 1,69 [-30,56; 10,16]

CONT14 36,57* (8,575) 22,18; 57,54 28,71; 91,87

10,63* [63,78] (2,950)

6,26; 20,64 [37,56; 123,85]

5,87; 17,35 [35,22; 104,11]

AGOT 60,41* (9,557) 45,39; 88,03 36,28; 92,99

16,60* [99,58] (3,681)

11,35; 29,24 [68,11; 175,45]

7,87; 19,45 [47,20; 116,72]

INC25 -10,54 (8,657) -28,78; 6,26 -66,92; -3,21

-2,98 [-17,87] (2,170)

-8,04; 1,31 [-48,21; 7,84]

-16,72; -4,04 [-100,33; -24,21]

INC50 54,11* (11,089) 35,58; 81,63 15,10; 71,24

17,35* [104,13] (4,153)

11,16; 30,12 [66,94; 180,73]

4,77; 16,31 [28,63; 97,85]

INC75 -25,59** (10,628) -49,28; -5,42 -31,02; 25,14

-7,03** [-42,17] (2,922)

-14,59; -1,62 [-87,52; -9,74]

-6,23; 3,88 [-37,38; 23,26]

EMP3 6,12 (5,940) -5,16; 18,64 -23,38; 17,20

2,81*** [16,85] (1,586)

-0,06; 6,78 [-0,35; 40,66]

-1,44; 5,71 [-8,67; 34,26]

EMP6 5,03 (7,219) -9,26; 19,47 -19,39; 24,92

2,04 [12,26] (1,852)

-1,54; 6,21 [-9,27; 37,26]

1,72; 10,34 [10,34; 62,04]

MNL extendido

Anual Bimensual DMP KR (R=2.000) BST (R=1.000) DMP KR (R=2.000) BST (R=1.000)

CONT7 14,21** (6,730) 1,82; 29,81 -20,17; 27,36

4,44** [26,65] (1,986)

1,07; 10,10 [6,44; 60,60]

-5,87; 2,06 [-35,24; 12,35]

CONT14 35,13* (8,425) 21,10; 56,86 32,58; 112,69

10,51* [63,08] (3,007)

6,01; 21,20 [36,08; 127,23]

6,18; 22,62 [37,08; 135,72]

AGOT 59,05* (9,359) 44,62; 83,63 37,44; 111,63

16,19* [97,15] (3,687)

10,99; 30,58 [65,96; 183,50]

8,36; 26,80 [50,14; 160,81]

INC25 -10,77 (8,609) -28,31; 7,56 -85,90; -9,76

-2,37 [-14,23] (2,174)

-7,47; 1,82 [-44,84; 10,92]

-21,48; -4,12 [-128,85; -24,72]

INC50 54,54* (11,290) 34,49; 82,72 15,40; 87,11

18,51* [111,08] (4,510)

11,61; 34,73 [69,65; 208,36]

4,81; 21,23 [28,88; 127,39]

INC75 -24,70** (10,789) -48,26; -4,05 -28,23; 35,54

-8,46* [-50,76] (3,181)

-17,41; -2,87 [-104,47; -17,23]

-7,60; 4,09 [-45,58; 24,52]

EMP3 7,04 (5,940) -4,89; 19,93 -23,79; 19,99

2,81*** [16,88] (1,616)

-0,13; 7,02 [-0,78; 42,10]

-1,47; 6,90 [-8,81; 41,37]

EMP6 3,83 (7,186) -10,85; 18,81 -17,36; 33,15

1,25 [7,48] (1,865)

-2,55; 5,55 [-15,30; 33,32]

1,57; 11,25 [9,43; 67,49]

( ) Desviación típica entre paréntesis. [ ] Transformación de DMP bimensual a anual entre corchetes. * p<0,01; ** p<0,05; *** p<0,10.

Como ya adelantamos anteriormente, los resultados del modelo Logit Multinomial están

condicionados al cumplimiento de la hipótesis de IAI. Por ello, aplicamos el test de IAI, -

véase ecuación (5)- rechazando la hipótesis nula de que las diferencias entre los coeficientes


24

estimados del modelo no son estadísticamente significativas21. Para tener en cuenta la

heterogeneidad individual en las elecciones, introducimos en la estimación de la función de

valor variables explicativas individuales (Tabla VI), es decir, variables que no varían entre las

alternativas de elección pero sí entre los individuos.

Si las introducimos directamente en la función de valor y, dado que son variables de tipo

socio-económico y de percepción constantes para los doce conjuntos de elección, se generaría

una matriz Hessiana singular, con lo cual no se podría realizar la estimación de sus

coeficientes. Para solucionar este problema, deben incorporarse interactuando con una

constante alternativa específica (CAE), que diferencia la elección de una alternativa de

cambio versus a la situación actual. Así, los coeficientes estimados de las interacciones entre

esta constante y las variables individuales indican cómo influyen dichas variables sobre la

probabilidad de elección de una alternativa de elección (cambio Vs status quo).

En la Tabla VI presentamos los resultados de la estimación Logit Multinomial incorporando

esta heterogeneidad (MNL extendido). Observamos que los atributos, codificados por niveles

tomando como referencia la situación actual, siguen siendo significativos para la explicación

de las elecciones realizadas y mantienen su signo. El poder explicativo del modelo mejora,

tanto en la versión anual (de 11,73% a 18,30%) como en la bimensual (de 17,38% a

25,81%)22. Asimismo, la capacidad predictiva también mejora, pasando del 42,47% al

46,48% en la versión anual, y del 46,44% al 50,97% en la bimensual. Finalmente, las

estimaciones de DMP son semejantes a las obtenidas cuando no considerábamos

heterogeneidad (Tabla VII).

Los signos de los coeficientes asociados a las variables individuales coinciden con los

esperados a priori. Los individuos que opinan que la valorización eléctrica de la biomasa no

presenta ningún problema (BIONIN) y aquellos con renta familiar superior a la media gallega

(RENTA) estarían más dispuestos a refrendar un programa de sustitución parcial de e-FEC

21 Al estimar un modelo restringido, en el cual se excluye la alternativa B, el estadístico de Hausmann-McFadden

toma un valor de 43,425 en la versión anual y 48,143 en la versión bimensual, frente a un valor crítico al 95% de

18,307 (10 grados de libertad). Por tanto, no se cumple la hipótesis de IAI. 22 Louviere et al. (2000) constata que un rango de 0,2 a 0,4 del estadístico de Hausmann-McFadden equivaldría a

una bondad de ajuste del 70 al 90% en una estimación por mínimos cuadrados ordinarios.


25

por e-biomasa. Los hogares con sistema de calefacción eléctrica (CALEL) estarían menos

dispuestos a financiar el cambio y los individuos jóvenes (EDAD) estarían más dispuestos a

financiar el cambio.

Para algunas variables individuales se anotan diferencias entre las dos versiones del

cuestionario. La influencia de estas BIOFER y CRURAL no tiene a priori ningún signo

esperado, por lo que estas diferencias no conllevarían ningún problema de validez interna. En

la versión anual el signo de CAMB es positivo, quizás debido a que aquellos individuos

clasificados con conducta ambiental no están incurriendo en costes relacionados con el medio

ambiente o están dispuestos a sustituir los bienes y servicios que actualmente consumen y, por

ello, estarían más dispuestos a pagar por el programa de sustitución planteado.

Complementariamente a estas variables comunes, en la versión anual observamos 7 nuevas

variables individuales explicativas (CCFEC, EMPBIO, AGOBIO, EINCBIO, ESTUD y

SEXO con signo positivo e INCBIO con signo negativo). En la versión bimensual

observamos 8 variables explicativas específicas (con influencia positiva GEL, AGOFEC,

PRIOFER, CFER, CO2BIO y HVERDE; mientras que aquellas que influyen negativamente

son PGEL y CBIO). Especialmente relevante para nuestro caso de estudio son las variables

CFER y CBIO.

Los individuos que perciben que el coste de electricidad producida con FER es superior al de

la e-FEC estarían (CFER), en mayor medida, dispuestos a respaldar un programa de

sustitución como el que planteamos. Sin embargo, aquellos que piensan que el coste de la e-

biomasa es superior al de otras tecnologías renovables, estarían menos dispuestos a financiar

el cambio. Este resultado confirma resultados obtenidos en fases previas, donde ya

anotábamos que la intensidad de preferencias en la sustitución de e-FEC por e-FER es

superior para tecnologías diferentes a la biomasa (eólica y minihidráulica), que ocuparía una

situación de segundo orden. Así, la diferencia de signo entre CFER y CBIO indica que una

cuestión relevante para la población gallega en la sustitución de e-FEC por e-FER es el coste


26

de la e-FER, siendo preferible23 que tal sustitución recaiga en mayor medida sobre aquellas

con menor coste privado.

7. Conclusiones

La aplicación presentada en este artículo se centra en el análisis de preferencias sociales por

un programa de sustitución parcial de combustibles fósiles por biomasa forestal en procesos

de generación de electricidad. Comprobamos como se produciría un cambio de bienestar

positivo para la sociedad si tal programa fuese efectivo. Las estimaciones de DMP nos

permiten afirmar que los efectos más valorados por la sociedad española son la disminución

de riesgo de incendios a la mitad, contribuir a no agotar recursos mundiales limitados y la

disminución de emisiones de CO2.

Anotamos diferencias significativas entre los resultados de cambio de bienestar en función de

la periodicidad del pago utilizada. Con pagos más frecuentes, que coinciden con la

periodicidad real del instrumento de pago (bimensual), la cuantía de la DMP para cada uno de

los atributos resulta superior que cuando consideramos pagos anuales. Este hecho nos indica

que la periodicidad del pago afecta a los resultados, cuestión sobre la que se deberá

profundizar en futuras investigaciones.

Además, presentamos un análisis de validez interna novedoso respecto a la literatura

existente, donde las tarjetas de prueba (que permiten a posteriori realizar el test de

consistencia) se sitúan en una posición estática para todos los individuos de la muestra. En

nuestro caso hemos permitido la variación de posición, no observando diferencias respecto a

la aproximación tradicional. Por tanto, nuestro análisis validaría los tests de consistencia

usuales en experimentos de elección.

Mediante este análisis hemos identificado a aquellos individuos que muestran

comportamientos sesgados en el proceso de elección. En media, un 35% de la muestra, con

mayor porcentaje de respuestas consistentes en la muestra que se enfrenta a un pago

bimensual (67%) que en la anual (63%). Comprobamos que estas inconsistencias pueden estar

23 Quizás estas preferencias estén muy condicionadas por una deficiente información sobre la biomasa en

relación con la que, por distintas vías, tienen la hidráulica y la eólica.


27

generando valores extremos, de tal forma que si las incluimos en el análisis se sesgan al alza

las estimaciones de cambio de bienestar.

Referencias bibliográficas

Adamowicz, W., Louviere, J. and Williams, M. (1994). “Combining Revealed and Stated

Preference Methods for Valuing Environmental Amenities”. Journal of Environmental

Economics and Management 26(3): 271-292.

Adamowicz, W., Boxall, P., Williams, M. and Louviere, J. (1998). “Stated Preference

Approaches for Measuring Passive Use Values: Choice Experiments and Contingent

Valuation”. American Journal of Agricultural Economics 80(1): 64-75.

Alpízar, F., Carlsson, F. and Martinsson, P. (2001). “Using Choice Experiments for Non-

Market Valuation”. Economic Issues, 8(1): 83-110.

Ben-Akiva, M. and Lerman, S.R. (1985). Discrete Choice Analysis: Theory and Application

to Travel Demand. The MIT Press, Cambridge.

Bouhier, A. (1979). La Galice : Essai Geographique d'analyse et d'interpretation d'un vieux

Complexe Agraire. Traducción realizada por Casal, B. (2001). Galicia: Ensaio

Xeográfico de Análise e Interpretación dun Vello Complexo Agrario. Consellería de

Agricultura, Gandería e Política Agroalimentaria - Xunta de Galicia, Santiago de

Compostela.

Cameron, T.A. and Englin, J. (1997). “Respondent Experience and Contingent Valuation of

Environmental Goods”. Journal of Environmental Economics and Management 33:

296-313.

Campbell, D., Hutchinson, G. and Scarpa, R. (2005). “Using Choice Experiments to Value

Farm Landscape Improvements: Implications of Inconsistent Preferences”. Agricultural

Economics Society 79th Annual Conference, Nottingham, April.

Campbell, D., Hutchinson, W.G. and Scarpa, R. (2006). “Using Discrete Choice Experiments

to Derive Individual-Specific WTP Estimates for Landscape Improvements under Agri-

Environmental Schemes: Evidence from the Rural Environment Protection Scheme in

Ireland”. Fondazione Eni Enrico Mattei NOTA DI LAVORO 26.

Carlsson, F. and Martinsson, P. (2001). “Do Hypothetical and Actual Marginal Willingness to

Pay Differ in Choice Experiments? Application to the Valuation of the Environment”.

Journal of Environmental Economics and Management 41: 179-192.


28

Comisión Europea (1997). “Energía para el Futuro: Fuentes de Energía Renovables. Libro

Blanco para una Estrategia y un Plan de Acción Comunitarios”. COM(97) 599 final.

Bruselas.

Foster, V. and Mourato, S. (2002). “Testing for Consistency in Contingent Ranking

Experiments”. Journal of Environmental Economics and Management 44: 309-328.

Hanley, N., Mourato, S. and Wright, R.E. (1998). “Choice Modelling Approaches: A Superior

Alternative for Environmental Valuation?”. Journal of Economic Surveys 15(3): 435-

462.

Hausman, J. and McFadden, D. (1984). “Specification Tests for the Multinomial Logit

Model”. Econometrica 52: 1.219-1.240.

Hiselius, L.W. (2005). “Using Choice Experiments to Assess People’s Preferences for

Railway Transports of Hazardous Materials”. Risk Analysis 25(5): 1.199-1.214.

Hougaard, J.L., Tour, T. and Østerdal, L.P. (2006). “Testing Preference Axioms in Discrete

Choice Experiments: A Reappraisal”. Discussion Paper 11, Department of Economics,

University of Copenhagen.

Huber, J. and Zwerina, K. (1996). “The Importance of Utility Balance in Efficient

Choice Designs”. Journal of Marketing Research 33: 307-317.

Johnson, F.R and Mathews, K.B. (2001). “Sources and Effects of Utility-Theoretic

Inconsistency in Stated Preference Surveys”. American Journal of Agricultural

Economics 5: 1328-1333.

Kjær, T. (2005). “A Review of the Discrete Choice Experiment - With Emphasis on its

Application in Health Care”. Health Economics Papers #1, University Of Southern

Denmark.

Krinsky, I. and Robb, A.L. (1986). “On Approximating the Statistical Properties of

Elasticities”. The Review of Economics and Statistics 68: 715-719.

Lancaster, K.J. (1966). “A New Approach to Consumer Theory”. Journal of Political

Economy 74: 132-157.

Lancsar, E. and Louviere, J. (2006). “Deleting ‘Irrational’ Responses from Discrete Choice

Experiments: A Case of Investigating or Imposing Preferences?”. Health Economics 15:

797-811.

Layton, D.F. and Brown, G. (2000). “Heterogeneous Preferences Regarding Global Climate

Change”. The Review of Economics and Statistics 82(4): 616-624.

Louviere, J.J., Hensher, D.A. and Swait, J.D. (2000). Stated Choice Methods: Analysis and

Application. Cambridge University Press, Cambridge, UK.


29

Louviere, J.J. and Hensher, D.A. (1983). “Using Discrete Choice Models with Experimental

Design Data to Forecast Consumer Demand for a Unique Cultural Event”. Journal of

Consumer Research 10(3): 348-361.

Louviere, J.J. and Woodworth, G. (1983). “Design and Analysis of Simulated Consumer

Choice or Allocation Experiments: An Approach based on Aggregate Data”. Journal of

Marketing Research 20: 350-367.

Louviere, J.J. (1988). “Analyzing Individual Decision Making: Metric Conjoint Analysis”.

Sage University Series on Quantitative Applications in the Social Sciences 67. Sage

Publications, Inc. Newbury Park, California.

Luce, R.D. and Tukey, J.W. (1964). “Simultaneous Conjoint Measurement”. Journal of

Mathematical Psychology 1: 1-27.

Mazzotta, M. and Opaluch, J. (1995). “Decision Making when Choices are Complex: A Test

of Heiner’s Hypothesis”. Land Economics 71(4): 500-515.

McFadden, D. (1973). “Conditional Logit Analysis of Qualitative Choice Behaviour”. In:

Zarembka, P. [ed.]. Frontiers in Econometrics. Academic Press, New York. pp. 105-

142.

McFadden, D. (1984) "Econometric Analysis of Qualitative Response Models". In: Griliches,

Z. and Intriligator, M.D. [eds.]. Handbook of Econometrics II. Elsevier, Amsterdam. pp.

1.396-1.457.

Ministerio de Industria-IDAE (2005). Plan de Energías Renovables en España 2005-2010.

Instituto para la Diversificación y Ahorro de la Energía, Madrid.

Opaluch, J.J., Swallow, S.K., Weaver, T., Wessells, C.W. and Wichelns, D. (1993).

“Evaluation Impacts from Noxious Facilities: Including Public Preferences in Current

Siting Mechanisms”. Journal of Environmental Economics and Management 24: 41-59.

Ozdemir, S. and Johnson, F.R. (2005). “Mood, Mistakes and Measurement: Reliability of

Bipolar Patients’ Stated Preferences”. III Workshop Advancing the Methodology of

Discrete Choice Experiments in Health Economics. Las Palmas de Gran Canaria, July

6-7.

Pearmain, D., Swanson, J., Kroes, E. and Bradley, M. (1991). Stated Preference Techniques.

A Guide to Practice. Steer Davies Gleave and Hague Consulting Group, London.

Prada, A. (1991). Montes e Industria: O Circuito da Madeira en Galicia. Fundación Caixa

Galicia, A Coruña.


30

Ryan, M. and San Miguel, F. (2000). “Testing for Consistency in Willingness to Pay

Experiments”. Journal of Economic Psychology 21: 305-317.

Ryan, M. and Bate, A. (2001). “Testing the Assumptions of Rationality, Continuity and

Symmetry when Applying Discrete Choice Experiments in Health Care”. Applied

Economic Letters 8: 59-63.

Ryan, M., Bate, A., Eastmond, C.J. and Ludbrook, A. (2001). “Use of Discrete Choice

Experiments to Elicit Preferences”. Quality in Health Care 10: 55–60.

San Miguel, F., Ryan, M. and Scott, A. (2002). “Are Preferences Stable? The Case of Health

Care”. Journal of Economic Behaviour & Organization 48: 1-14.

San Miguel, F., Ryan, M. and Amaya-Amaya, M. (2005). “‘Irrational’ Stated Preferences: A

Quantitative and Qualitative Investigation”. Health Economics 14: 307-322.

Swait, J. and Adamowicz, W. (1996). “The Effect of Choice Environment and Task Demands

on Consumer Behaviour: Discriminating between Contribution and Confusion”. Staff

Paper 96(9), Department of Rural Economy, University of Alberta, Canada.

Thurstone, L.L. (1927). “A Law of Competitive Judgement”. Psychological Review 4: 273-

286.

Vázquez, M.X. y León. C.J. (2004). “Consistencia en la Elección de Políticas Ambientales

con Efectos en la Salud”. Cuadernos Económicos del ICE 67: 243-261.

consistencia en experimentos de elección: aplicación a la ...mayor penetración de las energías...

Documents