3.1 Definición de las variables

Para estimar el modelo se utilizó, como variable independiente, el ingreso anual municipal per cápita (en dólares PPC) (en adelante IMPPC) como medida macroeconómica de ingreso en lugar del PIB municipal. Hay que señalar que en México no existen cifras oficiales de PIB municipal.

El IMPPC se define como el ingreso anual per cápita por municipio medido en dólares en paridad de poder de compra PPC, tomado de la base de datos del Informe de Desarrollo Humano Municipal 2010-2015, desarrollado por el Programa de las Naciones Unidas para el Desarrollo (^{PNUD, 2021}).

Si bien las unidades se encuentran en dólares americanos, (la PNUD publica sus indicadores en dólares para poder realizar comparaciones con otros países), se decidió no convertirla a pesos mexicanos, ya que para la metodología de estimación de los modelos no era necesaria y se puede entender igualmente.

De esta forma, el IMPPC cumple con las características de indicador de ingreso para contrastar la hipótesis de desacoplamiento y CAK. Dicha medida de ingreso no se deflacta, dado que proviene de la fórmula 1/PUS = E/PMX en donde PUS representa los niveles de precios extranjeros y PMX el nivel de precios nacional a un determinado año promedio y E el tipo de cambio. Al respecto, puede decirse que la medida del IMPCC ya se encuentra deflactada (^{Gómez, 2009}).

La metodología de la obtención de ingreso se detalla en ^{PNUD (2019)}, para los años 2010 y 2015. Los datos utilizados por ^{PNUD (2019)} provienen de CONEVAL y además emplea información de la Encuesta Nacional Ingreso Gasto de los Hogares (MCS-ENIGH) y la Encuesta Intercensal 2015 del INEGI.

También se emplearon como variables control: la densidad poblacional, la población y la escolaridad, las tres a nivel municipal.

La densidad poblacional municipal (DPM) se empleó como indicador del nivel de urbanización municipal, así como de concentración de población y actividades económicas. La variable población municipal se obtuvo con información del Censo de Población 2010 del INEGI y la Encuesta Intercensal 2015 del INEGI (^{INEGI, 2010}; ²⁰¹⁵). En el caso de la densidad, esta se estimó dividiendo la población municipal entre la superficie territorial medida en kilómetros cuadrados. La superficie municipal se obtuvo de las estadísticas reportadas por ^{Pérez (2014)}. La escolaridad municipal (en adelante EM) se define como años promedio de escolaridad a nivel municipal y que son reportados por ^{PNUD (2019}; ²⁰²¹).

Por último, las cifras de la variable dependiente, es decir los residuos sólidos urbanos (RSU) de los 186 municipios de importancia turística, se obtuvieron de los Censos Nacionales de Gobiernos Municipales y Demarcaciones Territoriales de la Ciudad de México para los años 2010, 2012, 2014 y 2016 (^{INEGI, 2021b}). Para la obtención de la cantidad de RSU 2015 se empleó una media geométrica para estimar la tasa de crecimiento para el periodo 2010-2016 de tipo (t₁*t₂*…t_j)^^1/j (^{Ayala, 2020}). Una vez obtenida dicha tasa se anualizó, dado que estas tasas eran bianuales, y se aplicó a 2014 con el fin de obtener el valor de 2015 tal como lo realizan ^{Kisbye y Levstein (2010)}.

Es importante señalar que las cifras del ^{INEGI (2021b)}, reportadas para cada municipio, son un promedio diario en kilogramos y comprende los RSU recolectados por los municipios a nivel de hogares, vía pública y establecimientos del sector servicios (incluyendo turismo), excluyendo residuos hospitalarios y peligrosos (^{INEGI, 2013}).

Como en las investigaciones de CAK mencionadas en la Tabla 1, en este trabajo los RSU se estimaron para cada año y posteriormente se dividieron por la población municipal. De tal forma, en esta investigación se empleó como variable dependiente los RSU municipales en kilogramos anuales per cápita para los años 2010 y 2015 (^{INEGI, 2010}; ²⁰¹⁵). Lo anterior permite relacionar incrementos o decrementos en la generación de RSU en términos per cápita con cambios en términos per cápita del ingreso.

Las variables anteriores se resumen en la Tabla 4.

Es necesario señalar que no pudieron incluirse otras variables en este estudio por la falta de información. Entre dichas variables están: a) la cantidad de residuos que generan los turistas. Algunos estudios separan la generación de residuos sólidos emitidos por los residentes de las localidades o municipios, de los residuos emitidos por los turistas (^{Gnonlonfin et al., 2017}). b) Tampoco se incluyó la variable de turistas visitantes anuales en los municipios seleccionados y su origen. Futuras investigaciones podrían considerar dichas variables, lo cual permitiría realizar investigaciones de econometría espacial, considerando el origen-destino de los visitantes en las municipalidades y la cantidad promedio de RSU per cápita que pudieran estar generando. Sin embargo, es necesario que las autoridades del gobierno generen información al respecto.

No obstante, en este estudio se consideraron los residuos sólidos urbanos de los municipios turísticos como tal y en estudios previos se ha observado una mayor generación en comparación con otros municipios (^{Gnonlonfin et al., 2017}). Para cada variable se estimaron promedios, desviación estándar, valor mínimo y máximo.

3.2 Construcción de los modelos

Una vez se contó con la información de las variables para cada uno de los municipios, los modelos econométricos se estimaron en una primera etapa empleando las variables sin transformar con logaritmos. Esto porque el uso de logaritmos no ha mostrado ventaja estadística en algunas investigaciones (^{Jaligot y Chenal, 2018}). Sin embargo, en una segunda etapa los modelos se estimaron considerando las mismas variables, pero transformando con logaritmos a las variables RSU e IMPPC (empleando también su término cuadrático en logaritmo). Lo anterior permite comparar los resultados mediante criterios como el signo de las variables de ingreso, significancia del modelo, significancia de las variables y prueba de especificación del modelo (Test Reset de Ramsey), tal como se explica posteriormente.

Para mantener la parsimonia de los modelos se optó por estimar una forma cuadrática. En la ecuación 1 se presenta el modelo general, siendo β cada parámetro estimado, en donde i=municipalidad y t=tiempo (años 2010 y 2015):

En donde:

a) α: es el intercepto en la ecuación general. Para el modelo de efectos fijos α = α _i es una estimación que contiene efectos de las variables inobservables que se mantienen constantes en el tiempo (para cada unidad de N) y se correlaciona con las variables independientes. Mientras que en efectos aleatorios está incorrelacionada.

b) RSU_it: es la variable dependiente denominada residuos sólidos urbanos municipales en las unidades señaladas (Tabla 2).

c) Como variables independientes:

d) u _it : para efectos fijos es un error aleatorio para cada municipio y que puede variar en el tiempo. Para efectos aleatorios u _it = u _i +ε _it , en donde u _i es el error aleatorio que caracteriza a la i-ésima observación y es constante en el tiempo, mientras que ε _it es el componente restante del error para cada observación i en el tiempo t.

Finalmente, para el análisis de resultados de los modelos cuadráticos estimados, tiene que tomarse en cuenta que, bajo el enfoque teórico de desacoplamiento y curva de Kuznets, según ^{Ghosh (2020)} y ^{Jaligot y Chenal (2018)}, las hipótesis a contrastar con los resultados de la estimación del modelo planteado en la ecuación 1, serían:

El punto de inflexión de la curva se determina empleando la razón (-β₁/2 β₂). La explicación económico-ambiental detallada de las hipótesis se encuentra en ^{Ghosh (2020)}.

3.3 Estimación de los modelos de regresión

De acuerdo con el trabajo de ^{Jaligot y Chenal (2018)} y por el tipo de información, se estimó en una primera etapa: un modelo de efectos aleatorios (EA) y un modelo de efectos fijos (EF) empleando las variables sin transformar con logaritmos de la ecuación 1. Para efectos aleatorios se estimó la prueba estadística de Multiplicadores de Lagrange de Breush-Pagan (Test ML de BP) para seleccionar entre un modelo de EA y un modelo de mínimos cuadrados ordinarios agrupados (MCOA), bajo una hipótesis nula que favorece la elección de MCOA.

Para seleccionar entre los resultados de EF y EA, se aplicó al modelo de EA un test robusto ante heterocedasticidad dentro de los paneles, basado en el estadístico de Sargan-Hansen, de acuerdo a lo recomendado por ^{Arellano (1993)} y ^{Wooldridge (2010)}, bajo la hipótesis nula que favorece la elección de EA. Los resultados, como se verá posteriormente favorecieron los resultados de EF.

Si bien las estimaciones por EF permiten considerar la heterogeneidad de efectos inobservables, de acuerdo con ^{Jaligot y Chenal (2018)}, es importante considerar si se violan algunos supuestos que pudieran sesgar los resultados de las ecuaciones estimadas. Por lo anterior, considerando los datos por municipio (N=186), en dos períodos de tiempo (2010 y 2015) (considerado panel corto), se realizó una prueba de Wald modificada para heterocedasticidad grupal (Test W), con el fin de contrastar la hipótesis nula de homocedasticidad en los residuales (^{Breush y Pagan, 1980}; ^{Greene, 2012}) para el modelo de EF⁵.

Dado que los resultados de las pruebas estadísticas revelaron presencia de heteroscedasticidad en el modelo de efectos fijos, se estimó finalmente el modelo de efectos fijos con errores estándar de clúster robustos ante heterocedasticidad (en adelante EERC) (^{Beck y Katz, 1995}; ^{Wooldridge, 2010}; ^{Jaligot y Chenal, 2018}).

Todo el proceso que se acaba de describir se repitió paso a paso en una segunda etapa, pero ahora considerando las variables RSU, IMPPC_it e IMPPC_it ² en logaritmos y el resto sin transformar.

Para el análisis de los modelos se tomaron en cuenta: la significancia de todo el modelo junto los signos y la significancia de los parámetros estimados para IMPPC_it e IMPPC_it ² (β₁ y β₂ respectivamente) (ver ecuación 1). Finalmente, para poder comparar entre los modelos con y sin logaritmos, se aplicó a cada modelo el test de especificación Reset de Ramsey robusto ante heterocedasticidad, que junto con los criterios de significancia y signos permitieron analizar la robustez de los resultados de los modelos (^{Wooldridge, 2010}). Todas las estimaciones se realizaron en Stata versión 18.

4.1 Estimación de Modelos sin logaritmos

En cuanto a los resultados de los modelos, en la Tabla 6 se presentan los resultados de los modelos estimados con variables sin transformar con logaritmos.

Para la selección entre el modelo de EF y de EA, se realizó primeramente una prueba de Multiplicadores de Lagrange de Breusch-Pagan (ML de BP) (^{Greene, 2012}; ^{Wooldridge, 2010}). Los resultados obtenidos en esta primera prueba (Tabla 6) rechazan la hipótesis nula de que no hay efecto de panel (preferencia por un modelo estimado por mínimos cuadrados ordinarios agrupados), por lo que se sustenta la hipótesis de seleccionar un modelo de efectos aleatorios. Los resultados del test de Wald indican que el modelo tiene un nivel de significancia (NS) de al menos 0,01. Mientras que los signos asociados al ingreso (NS=0,05) y su término cuadrático (NS=0,1) sustentan significativamente la existencia de desacoplamiento y por tanto de una posible CAK. El estadístico Rho (de correlación intraclase) señala que en EA el 42% de la varianza es debida a diferencias a través de los paneles.

Sin embargo, los resultados del Test Robusto, basado en Sargan-Hansen (^{Arellano, 1993}; ^{Wooldridge, 2010}), rechazan significativamente la hipótesis nula de preferir electos aleatorios al 0,01 de nivel de significancia, por lo que el modelo que mejor se ajusta a los datos es EF (Tabla 6). Con respecto a este modelo de efectos fijos, el test de Wald indica que el modelo no es significativo ni al 0.1 de NS.

Además, el resultado de la prueba de homocedasticidad (Test W), aplicada al modelo de EF, rechaza la hipótesis nula (Tabla 6). Esto indica la existencia de heterocedasticidad, considerando un nivel de significancia de 0,01. Por tal motivo, se decidió ajustar el modelo de efectos fijos con errores estándar robustos de clúster (modelo EERC), tal como lo recomienda ^{Wooldridge (2010)} para modelos de efectos fijos con heterocedasticidad.

Bajo los resultados de EERC y comparando los parámetros asociados a IMPPC_it e IMPPC_it ² y sus signos, considerando las hipótesis planteadas por ^{Ghosh (2020)} y ^{Jaligot y Chenal (2018)}, se observa que los parámetros estimados para este modelo de RSU (Tabla 6) sustentan la hipótesis 1 dónde β₁=0 y β₂=0. Esta hipótesis supone que no hay relación significativa entre el contaminante y el ingreso y, por lo tanto, se puede concluir que no existe evidencia estadística significativa de desacoplamiento económico. Los resultados del Test Reset no rechazan la hipótesis nula, por lo que indican que el modelo EF está correctamente especificado con las variables que lo integran. Mientras que el estadístico Rho señala que en EF el 98.8 % de la varianza es explicada por diferencias entre los paneles.

Con respecto a las variables control, el modelo EERC (Tabla 6) muestra significativamente (NS=0,05) que incrementos en la densidad se relacionan con decrementos en la generación de RSU. Dicho resultado indica que a mayor nivel de urbanización y concentración económica (vistas como resultado de la densidad poblacional territorial) se presentan decrementos en la generación de residuos sólidos urbanos.

Al respecto, ^{Jaligot y Chenal (2018)} señalan que la relación entre RSU y densidad poblacional, en otras investigaciones sobre el tema, puede ser negativa si se considera que la concentración poblacional se asocia a mejores y mayores niveles de provisión de servicios asociados a la recolección y tecnologías de reciclaje de los RSU. Pero pudiera ser positiva si se considera que incrementar la densidad poblacional podría disminuir los lugares disponibles en los hogares, oficinas y otros espacios públicos para separar y clasificar la basura de acuerdo con su potencial reciclaje. Igualmente, puede ser que una mejora en los servicios de recolección no necesariamente se acompañe o asocie a servicios de reciclaje, los cuales pueden no existir para las poblaciones que habitan los municipios y sus turistas visitantes.

En consecuencia, en futuras investigaciones se podrán analizar otras variables que pudieran contribuir a la urbanización de los municipios. Variables como la infraestructura, la pertenencia a zonas metropolitanas, si cuentan o no con rellenos sanitarios en la municipalidad, la calidad del servicio público de recolección y la presencia de reciclaje, entre otros.

Sobre la variable poblacional (Tabla 6), el modelo EERC señala una relación significativa (NS=0,05) en donde mayores niveles de población se relacionan con incrementos en la generación de RSU en municipios de importancia turística, tal como se observa en los resultados encontrados en Croacia por ^{Mance et al. (2020}). Sin embargo, ^{Mance et al. (2020)} contrasta la hipótesis de CAK en un horizonte temporal más amplio y contando además como variable el número de turistas que visitan los sitios de estudios. Aspectos de los que adolece esta investigación, por lo que futuras investigaciones en México podrían contemplar dichos aspectos.

En cuanto a la escolaridad promedio, la variable no fue significativa en el modelo EERC. Este resultado difiere de lo encontrado en otras investigaciones de desacoplamiento y generación de RSU, los cuales obtienen una relación positiva con la generación de RSU (^{Johnstone y Labonne, 2004}). Por lo mismo, los resultados de esta investigación no apoyan ni contradicen la hipótesis que establece que a medida que mejoran los niveles de educación, la conciencia ambiental se incrementa y, por lo tanto, disminuyen las emisiones contaminantes debido al desarrollo de tecnologías limpias y eficientes (reciclaje), lo cual anularía una parte de las emisiones (^{Williamson, 2017}). O, por el contrario, si niveles educativos más altos podrían relacionarse con niveles de ingreso más altos y, por lo tanto, resultar en niveles mayores de consumo y mayor generación de RSU, sin que necesariamente haya la generación de políticas públicas locales y tecnología relacionadas con el reciclaje en las municipalidades (^{Johnstone y Labonne, 2004}).

Empero, otras investigaciones han encontrado que no hay una relación estadística significativa entre un mayor nivel de educación y la presencia de una CAK (^{Balaguer y Cantavella, 2018}), tal como ocurre en este trabajo. Sin embargo, es opinión de los autores de esta investigación que la educación y capacitación en materia de reciclaje y economía circular debe realizarse en los municipios, considerando que la variable poblacional es positivamente significativa (^{Pinilla, 2015}; ^{Plastinina et al., 2019}).

4.2 Estimación de Modelos con logaritmos

Como se señaló previamente, para comparar y verificar los resultados de los modelos anteriores, se ajustaron dichos modelos transformando con logaritmos la variable dependiente y el ingreso (estimando así su término cuadrático) y cuyos resultados se encuentran en la Tabla 7.

De la Tabla 7, se observa nuevamente que los resultados de EA indican una posible CAK, en donde el ingreso y su término cuadrático tienen un NS=0,1. Siendo también significativo el modelo (NS=0,01) y estando correctamente especificado de acuerdo con el Test Reset. No obstante, el Test Robusto de Sargan-Hansen vuelve a rechazar la hipótesis nula, por lo que se favorece la elección del modelo de EF.

Considerando los resultados del modelo de EF (Tabla 7), el resultado del Test W vuelve a rechazar la hipótesis nula de homocedasticidad (NS=0,01), por lo que se vuelve a ajustar el modelo de EF con errores estándar robustos de clúster. De esta forma, los resultados del modelo EERC obtienen valores de significancia y signos de variables semejantes al modelo EERC, que emplea variables sin transformar con logaritmos. Igualmente, el resultado del Test Reset indica una correcta especificación del modelo y se observa que el modelo EERC es significativo al 0.1 de NS, con un Rho=96,7% un poco menor al 98,8% del modelo EERC sin logaritmos. La significancia y signos de la densidad (DPM) (NS=0,05) y de la población (POM) (NS=0,1) son semejantes al resultado del modelo sin logaritmos, al igual que la no significancia de la variable educación (EM).

Consecuentemente, los resultados obtenidos empleando variables transformadas con logaritmos y sin transformar son semejantes y coinciden en sustentar la hipótesis 1 del marco teórico de desacoplamiento y CAK. Por lo que los resultados de este trabajo sustentan que no existe relación significativa entre la generación de RSU anuales per cápita y el indicador de ingreso municipal per cápita aquí empleado. Sin embargo, el intercepto no es estadísticamente significativo en los modelos de EF y EERC que emplean variables transformadas con logaritmos (Tabla 7). Mientras que en los modelos de EF y EERC con variables sin transformar el intercepto es significativo al 0,01 y 0,05 respectivamente (Tabla 6).

4.3 Implicaciones en política pública y turismo

De acuerdo con los resultados obtenidos, la falta de evidencia estadística de desacoplamiento entre la generación de RSU y CAK parece indicar que cada variable sigue su propia senda de crecimiento. Sin embargo, aunque estos resultados necesitan ser corroborados con modelos que tengan un horizonte temporal más amplio: es necesario que los diferentes niveles de gobierno impulsen el desarrollo de tecnologías y actividades relacionadas con el reciclaje y la valoración de los RSU.

Lo anterior, permitiría aplicar principios de economía circular en la gestión de RSU. Esto implica la necesidad de generar estrategias locales, basadas en una política pública, orientadas hacia un turismo amable con el ambiente. Contemplando no solo una mayor eficiencia en el manejo de RSU, sino especialmente buscando su reducción mediante la reutilización y el reciclaje, entre otras estrategias. Estas se pueden implementar y de hecho ya se están realizando en municipalidades de otros países (^{Costa et al., 2020}; ^{Khan et al., 2021}; ^{Palacios-Florencio et al., 2021}).

Es opinión de los autores de este trabajo que la economía circular (EC)⁶ es un concepto directamente vinculado con la sustentabilidad, vista esta como un modelo de acciones sociales, económicas y ambientales dirigidas a minimizar el impacto negativo de los RSU sobre los ecosistemas (^{Velenturf y Purnell, 2021}). Tal enfoque de sustentabilidad tendría que considerar que, de acuerdo con esta investigación, la población muestra una probable relación positiva significativa en la generación de RSU. Por lo que el comportamiento de la variable poblacional apoya la generación de políticas de EC.

De esta forma, un enfoque teórico-pragmático de EC podría incentivar la aparición de prácticas que generen beneficios sociales, económicos y ambientales. Ya sea mediante el aprovechamiento de residuos, la recuperación de materiales, el ahorro de energía y la reducción de costos, entre otras (^{Prieto-Sandoval et al., 2017}).

Medidas como las anteriores es necesario ponderarlas, considerando que la actividad turística en el país representa una parte importante del PIB mexicano. México se encuentra entre los primeros 15 países más visitados del mundo, lo cual podría indicar que es un país con vocación turística. De ahí que las políticas públicas y económicas del sector se enfocan principalmente en el fomento y la promoción del turismo (^{Oviedo et al., 2009}). A lo anterior se agrega que algunas acciones de política pública como la certificación turística en cuestión ambiental con el “Distintivo S” y playas “Blue Flag” (para hoteles, restaurantes, playas, parques, etcétera) son incipientes ya que quienes cuentan con dicha certificación son todavía un porcentaje muy pequeño de todas las unidades económicas del sector (^{SECTUR, 2023}).

En este análisis político económico, hay que contextualizar también el hecho de que los resultados señalan que probablemente existe una relación negativa entre la densidad con la generación de RSU. Como se mencionó anteriormente, ^{Jaligot y Chenal (2018)} manejan la hipótesis de que la densificación puede ser un indicador de eficiencia en la provisión de servicios, incluyendo la instrumentación de políticas de reciclaje en hogares, oficinas y otros espacios públicos. Lo cual explicaría el signo negativo.

Por lo anterior, es necesario estudiar si existen dichas políticas o incentivos que promuevan el reciclaje en los municipios. O bien, considerar el impacto que pudiera tener el valor de uso de suelo (rentas) de espacios para reciclaje y su relación con la densidad poblacional, ya que el manejo, la separación y el reciclaje requieren espacios a nivel hogar, oficinas y espacio público. Por lo que si el costo de oportunidad asociado a usos comerciales, industriales y de servicios no ambientales (por ejemplo, estacionamientos) es alto, esto podría desfavorecer el uso de suelo en materia ambiental (como centros de acopio y reciclaje). Esta relación entre el valor de uso de suelo, el costo de oportunidad y la densidad ha sido considerada en otros estudios de CAK en ámbitos urbanos (^{Chen y Wang, 2013}; ^{Zhu y Zhang, 2006}). Por lo tanto, futuros estudios podrían incorporar en sus modelos de CAK el valor de uso de suelo asociado a las actividades de acopio y reciclaje.

Finalmente, puede desprenderse de todo este trabajo que el turismo en México no ha puesto debida atención al impacto negativo que genera la actividad turística sobre la calidad ambiental y, en específico, como emisora de residuos sólidos municipales (^{Secretaría de Medio Ambiente y Recursos Naturales, 2023}). De esta forma, los impactos pueden redituar negativamente en la economía del sector turismo y de los municipios mismos, ya que los turistas podrían preferir otros destinos con mayor calidad ambiental que aquellos que no cuenten con ella o que entren en un proceso de degradación ambiental (^{Zhang et al., 2015}).