Post on 03-Nov-2018
1
SITUACIÓN DE LA GESTIÓN DE RESIDUOS SÓLIDOS
URBANOS EN ESPAÑA Y GRAN CANARIA
Desarrollo de una propuesta de un modelo econométrico para
determinar y controlar los factores que influyen directamente en
la generación de RSU en Gran Canaria para una óptima
planeación de la gestión de RSU.
Charles Estay Ossandón
Departamento de Análisis Económico Aplicado, Universidad de Las Palmas de Gran Canaria.
Edificio de Ciencias Económicas y Empresariales, Módulo D, Campus Universitario de Tafira,
35017 Las Palmas de Gran Canaria
2008
Trabajo de Investigación
Doctorado en Economía
2
Introducción
El concepto de los residuos sólidos urbanos (RSU) ha sido en el pasado sinónimo de
desperdicio, es decir aquello que deja de tener utilidad y del cual hay que desprenderse. En las
últimas décadas, este concepto ha ido transformándose hasta llegar hoy día a tornarse en una
fuente potencial de recursos. El autor ALEMÁN BRAUN (1986) define los residuos como
“materias primas en un lugar equivocado”. Según la Organización de Cooperación y
Desarrollo Económico (OCDE)1, residuos sólidos “son aquellas materias generadas en las
actividades de producción y consumo que no han alcanzado un valor en el contexto en que
son producidas”. Hasta hace algunos años, la gestión de RSU era ciertamente deficiente,
pasando por ser algo que se recogiera y se amontonaba en vertederos, tendiendo a ocultar el
problema que la explosión demográfica y la sociedad de consumo habían provocado.
La generación de RSU, que es el tema que nos preocupa, es de momento una actividad poco
controlable. Sin embargo, se ejerce un cierto control sobre la generación de los RSU en los
estados donde los objetivos de desviación son establecidos por ley y tienen que ser cumplidos
bajo criterios de sanción económica. Así se ve que también en España sería necesario instalar
un sistema más eficiente para controlar la desviación de RSU. Allá, la reducción en el orígen
no está controlada por gestores de RSU como en otros países más desarrollados, sino está
actualmente contemplada e incluída en las evaluaciones del sistema como un simple método
para limitar las cantidades de generación de RSU. Así se intenta lograr metas considerables en
relación a la recogida de RSU y poder interrelacionar de la mejor manera los elementos
funcionales2.
España inició la gestión de RSU en los años noventa, luego de la entrada en vigencia de la ley
11/1997 de envases y residuos de envases, destacando posteriormente la ley 10/1998 de
residuos y el Plan Nacional de Residuos Urbanos (PNRU), aplicable entre los años 2000 y
2006. No obstante, según el Ministerio de Medio Ambiente de España, actualmente se
eliminan el 94% de los RSU generados a tráves de vertederos y solo un poco más del 6% se
recoge selectivamente para su recuperación.
Debido al incremento en las tasas de generación de RSU y en la dispersión de los núcleos de
población, la recogida de RSU comienza a ser punto fundamental de la gestión de los RSU.
1 OCDE, 31 estados miembros, fundada en 1960, sede Paris, Francia. 2 Generación recogida, transporte, evacuación, manipulación, separación, procesamiento, transformación y almacenamiento de RSU.
3
Cuestiones de investigación y metodología
Justificación del trabajo
El crecimiento poblacional, los estilos de vida de la población y “el consumismo” hacen que
en las ciudades se produzca un volúmen de residuos sólidos muy superior a su capacidad de
recogida y eliminación.
La recogida de residuos sólidos urbanos (RSU) es una tarea bajo la responsabilidad de los
gobiernos municipales de turno, comunidades, regiónes, etc. Hay ciertas limitaciones para su
eficiente desempeño y una de ellas es sin duda el desconocimiento por parte de los encargados
de los sistemas de limpieza o servicios públicos de los métodos de elaboración de rutas de
recolección óptimas, criterios de localización y sobre todo de la cantidad de basura generada
en el municipio o la ciudad.
La generación de RSU es un punto crítico para la gestión integral de residuos sólidos urbanos
(GIRSU). Actualmente existe una serie de lineamientos generales y técnicas específicas para
la selección de las tecnologías necesarias que se basa en el conocimiento de la generación.
La problemática de los RSU es, sin lugar a dudas, la generación y esta a su vez tiene una triple
repercución medioambiental: contaminación, desperdicios de recursos y necesidad de
espacios para su dispocisión final.
Los RSU constituyen además un problema social referente a su aumento, cuya gestión
medioambiental y económica necesita encontrar soluciones urgentes que eviten su
incidencia ambiental negativa referente a la problemática ambiental de los RSU, cabe
señalar tres aspectos importantes: Los riesgos sanitarios aumentan si no se recogen y
eliminan adecuadamente a los RSU (TCHOBANOGLOUS, 1994).
Los depósitos de basuras y los basureros incontrolados producen impactos negativos
sobre los cuerpos de agua del entorno, ya que los líquidos lixiviados3 pueden alcanzar
y contaminar fuentes superficiales o subterráneas de agua potable.
El entorno está deteriorado y contaminado por las grandes acumulaciones de basuras
dispersas de forma incontrolada en el territorio.
3 Son líquidos que se generan en la descomposición de material orgánico de los veretederos o rellenos sanitarios, y se infiltran en el agua subterránea y suelo.
4
Planteamiento del problema
La problemática ambiental en la isla de Gran Canaria sobre la GRSU se concreta en una alta
generación de RSU y asimilables, con un ratio por habitante que alcanza hasta el 2009 más de
un 1,7 kg/hab*día siendo un porcentaje de 80% destinado a vertedero.Además hay un bajo
nivel de recogida selectiva de RSU de aproximadamente un 10%, principalmente de envases
ligeros, papel cartón y vidrio.También hay infraestructuras de Gestión RSU insuficientes para
cumplir los objetivos y requisitos de minimización, reutilización, reciclado, valorización y
eliminación. Por consiguiente, la falta de información al no tener un control estadístico
suficiente de los distintos flujos de RSU y de cumplimiento de la legislación de RSU, así
como de control y fiscalización de dicho cumplimiento.
Existen pocos estudios relacionados al tema de generación de RSU.Solamente hay datos
relativos a estadísticas ambientales en la zona y en la capital de Gran Canaria publicadas en el
año 2008. Existe un déficit de información y estadísticas debido, en algunos casos, a
deficiencias en la legislación o en su aplicación. En otros casos falta la homogeneidad y
actualización de datos en los registros administrativos entre CC.AA. Todo ello dificulta el
conocimiento de la situación actual en cuanto a cantidad generada, causas de la generación,
infraestructuras, gestores, tratamientos y destino de los RSU.
Otros instrumentos que se utilizan en esta investigación son el último censo acaecido, el censo
de población y vivienda, aunque solo existan datos censales relativamente antiguos (2001,
INE). Al no existir datos actualizados e investigaciones anteriores, la investigación se vió
limitada, lo cual llevó a tomar como base de partida datos de proyección de residuos hasta
2016 del Gobierno de Canarias, la generación de RSU.
El modelo permite conocer una aproximación de las relaciones entre la sociedad y la
generación de RSU. La modelización de la generación presenta los mismos problemas de
cualquier parámetro social ya que depende, entre otras cosas, de las estacionalidades, cultura
y los hábitos de consumo de quién los genera.
Un modelo econométrico que permita un acercamiento a determinar la generación de RSU,
puede transformarse en una estimación confiable y útil en la toma de decisiones para la
planeación.
5
Estratégia metodológica
El presente trabajo es un estudio transversal en el tiempo y correlacional para las variables.
Desde el punto de vista positivista4, hay que establecer las variables como cuantitativas y por
lo tanto factibles de medición de tal manera que las operaciones matemáticas desempeñan un
papel fundamental en la verificación de la ó las hipótesis.
El primer paso comienza con el estudio conceptual del tema en cuestión, que consiste en la
búsqueda de información específica, estadística, literaría y periodística en forma de
entrevistas con expertos, encuestas a agentes y gestores involucrados en el tema de RSU ,
todas ellas de carácter relevante y actualizado en lo posible, mediante una investigación
exploratoria que permita crear el marco teórico adecuado. El segundo paso de trabajo consiste
en la preparación de la recopilación de datos en terreno. Esto involucra al diseño, a la
cartografía y a la elaboración y aplicación de cuestionarios a una muestra de la población para
saber y cuantificar la opinión de la población sobre el tema de los RSU. Por último, el tercer
paso de trabajo consiste en procesar, modelar e interpretar los datos recopilados. De tal
manera, se identifican las significancias de las variables socioeconómicas y se evalua sus
niveles de intercorrelación.
Es en este punto, dónde se utiliza el método del análisis-síntesis, desagrupando el problema en
general de los residuos en Gran Canaria para ser estudiados y analizados separadamente (por
municipio). Para ello, en los modelos econométricos se utilizaron unos métodos
automatizados, eligiendo para tal efecto el método backward
5 y stepwise
6. Este método es
similar a la técnica de Data Mining que consiste en usar el mismo conjunto de datos para
estimar varios modelos y así intentar encontrar el modelo más adecuado. El modelo más
adecuado debe relacionar a las variables y presentar alto grado de correlación con la
informacion estadística.
Al final el resultado será un producto cuantificable para ser usado en otros estudios de
carácter similar.
4 El Positivismo es una escuela filosófica afirmando que el único conocimiento auténtico es el conocimiento científico, y que
tal conocimiento solamente puede surgir de la afirmación positiva de las teorías a través del método científico. 5 Método Backward ó Método de Selección Hacía Atrás: Este método parte de la regresión con todas las variables y va
eliminando las no significativas por órden de significancia hasta encontrar un modelo adecuado con todas las variables
suficientemente significativas. 6 Método Stepwise o paso a paso, es uno de los más empleados. En el procedimiento stepwise es posible que la inclusión de una nueva variable haga que otra que ya estaba en el modelo resulte redundante y sea “expulsada” de él.
6
Gestión de residuos sólidos urbanos en España
Antecedentes generales
La mayoría de los estudios sobre la gestión de RSU se centran prinicpalmente en la recogida
de los RSU. Existe una amplia y relativamente minuciosa casuística7 recopilada anualmente
sobre este tema. Diversos estudios procuran determinar factores que explican tanto las tasas
de generación de RSU como su composición. Variables tales como la estacionalidad, las
superficies cubiertas (cantidad de habitantes) o el PPC (sin que se hayan encontrado en estos
análisis e afirmaciones concluyentes sobre relaciones causa–efecto) son algunos de los
elementos que podrían afectar a las tasas de generación de RSU.
En cuanto a la composición de los RSU, no se han encontrado relaciones causales
contrastadas con algún peso estadístico.
Según ZAFRA MEJÍA, SALVATO et al. (2003) y MOSLER et al. (2006), los principales factores
que han dado lugar al aumento de la generación de RSU son el crecimiento demográfico
acelerado, la concentración de la población en centros urbanos, la utilización de bienes
materiales de rápido envejecimiento, y el uso cada vez más frecuente de envases sin retorno
fabricados con materiales poco o nada degradables.
Un estudio realizado por LARA, ARACELI et al. (1994) encuentra una relación de cierta
relevancia estadística entre las tasas de generación de RSU y la cantidad de viviendas, aunque
experimentalmente no se ha pódido contrastar hasta ahora. Así, esta dicha relevancia se puede
afirmar solo como una estimación genérica ya que debería haber una cierta característica
social del grupo medido, nivel socioeconómico, cantidad de habitantes, tipo de vivienda, que
ayuden a explicar las relaciones causa-efecto.
La estimación de las cantidades generadas de RSU normalmente se basa en la cantidad de
RSU producidos por una persona por día. Esta producción específica o per cápita (PPC) en la
mayoría de los casos no refleja la cantidad de RSU generados, o la cantidad de RSU
recolectados. La diferencia entre la cantidad de RSU generados y la cantidad recolectada para
su procesamiento o vertido varía normalmente entre 4% - 15%8. Las diferencias se pueden
7 Se denomina así a el conjunto de los diversos casos partículares que se pueden prever en una determinada matería cuando
se recogen todas y cada una de las materias sobre el tema explorado. 8 Tchobanoglous et ál., 1994, pag. 75. Gestión Integral de Residuos Sólidos
7
justificar por la cantidad de material fermentado, quemado, arrojado a las alcantarillas o a
canalizaciones urbanas, cedido, vendido y recuperado para su reciclaje.
Las tasas de generación tienen una importancia crítica a la hora de aplicar las políticas de
recogida de RSU. La idea es implantar programas efectivos de gestión de RSU. Por lo tanto,
en cualquier estudio acerca de la gestión de RSU debe ponerse extremo cuidado para decidir
exactamente lo que es preciso conocer y para la asignación de fondos destinados a la
recolección de datos.
Estimación de la composición de los residuos sólidos urbanos en España
Se realizó en España hace varios años la segunda evaluación de los diferentes tipos de RSU
generados con colaboración de 8 comunidades autónomas interesadas en ese momento sobre
los tipos de RSU que generaban. El ente organizador fue la Dirección General de Calidad y
Evaluación Ambiental (DGCEA). Los datos obtenidos en ese entonces son extrapolables a la
totalidad del territorio nacional con el fin de obtener la composición de RSU en toda España,
calculándose la media ponderada de cada uno de los datos obtenidos en función del porcentaje
de población que cada comunidad representa dentro del conjunto nacional.
En función de los datos obtenidos por la DGCEA, la estimación de la composición y
caracterización de los RSU fue la siguiente:
Relación de la composición media de RSU en España 2007.
Materiales Media Ponderada sobre el total nacional
Materia orgánica
Papel y cartón
Metales
Vidrio
Plásticos
Otros Materiales
50 %
18 %
4 %
3 %
4 %
21 %
Como se observa la materia orgánica fermentada (incluido papel y cartón) es del 68%.
8
Evolución de los sistemas de gestión de residuos sólidos urbanos en España
Marco legal y adopción a las políticas europeas
Debido al constante desarrollo de los sistemas de gestión de RSU, en los últimos años,
específicamente hace 20 años, se ha producido un cambio considerable en las políticas de
medio ambiente en los municipios de España. La reforma normativa incluida en la Ley
7/1985, reguladora de las bases de régimen local, estableció nuevas competencias a los
municipios y así establecía que los municipios superiores a 5.000 habitantes deben prestar
sevicios de recogida de RSU y aquellos con más de 50.000 debían establecer además políticas
de protección medioambiental9.
Por su parte, el Real Decreto 1163/1986 que modifica la Ley 42/75, previó la realización de
planes directores de gestión de RSU por las comunidades autónomas. Los objetivos de estos
planes son:
1) Mancomunización de municipios para la gestión global de los RSU
2) Aplicación de las técnologías más adecuadas para el tratamiento de los RSU
3) Articulación para programas de inversión
España inició la gestión de los RSU en los años noventa, luego de la entrada en vigencia de la
Ley 11/1997 de Envases y Residuos de Envases. Esta ley regula la producción y gestión de
los envases y sus residuos y además introduce cuotas de reciclaje y revalorización. La
Directiva 91/156/CEE10
se incorpora al derecho español con la Ley de Residuos 10/1998 y el
Plan Nacional de Residuos Urbanos, aplicables entre los años 2000 y 200611
. Esta ley no solo
pretende regular los RSU una vez generados, sino también contempla la fase previa a su
generación, regulando las actividades productoras con la finalidad estricta de aplicar el
principio de “quien contamina paga”. Actualmente, según el Ministerio de Medio Ambiente
de España, el 57% de los RSU generados se eliminan a tráves de vertederos y tan solo un
poco más del 34% se recoge selectivamente para su recuperación (reciclaje). En el año 2008,
9 Ley 42/75 de Recogida y Tratamiento de Residuos Sólidos Urbanos 10 Directiva 91/156/CEE (directiva marco de residuos) establece directrices y obligaciones para los estados miembros de la
Unión Europea de fomentar el desarrollo de tecnologías limpias, póliticas de reutilización y reciclado, y la utilización de
residuos como fuentes de energias. 11 Ley 10/1998 pretende reducir la generación de residuos urbanos en un periódo de 6 años, aumentando las cantidades de residuos compostados, reciclados y valorizados.
9
el Consejo de Ministros de España aprobó el Plan Nacional Integrado de Residuos 2008-2015.
Este plan hace especial hincapié en lo que popularmente se conoce como las “tres erres”
(reducir, reutilizar y reciclar). Además manifiesta la intención de cumplir ciertos objetivos
como son:
Detener el crecimiento en la generación de RSU
Eliminar el vertido ilegal
Reducir el vertido
Fomentar la prevención y la reutilización
Reciclado de los RSU no reutilizables
Otros mecanismos de valorización los RSU no reciclables
Nuevas infraestructuras
Mejoramiento de las instalaciones ya existentes
Evitar que los RSU contribuyan al cambio climático
La finalidad del Plan Nacional Integrado de Residuos 2008-2015 es la de promover una
política apropiada en la gestión de los RSU, disminuyendo su generación e implulsando un
correcto tratamiento de los mismos. También pretende que las administraciones públicas y los
consumidores y usuarios privados se involucren de manera que cada una de las partes asuma
sus respectivas cuotas de responsabilidad.
Dentro de España, las diferentes comunidades comenzaron de manera individual con la
recogida de RSU. También en el caso de la zona de este estudio (municipio de Ingenio, isla de
Gran Canaria): La recogida selectiva comenzó a operar en Canarias a fines de los años
noventa luego de la entrada en vigor de las mencionadas leyes y la aparición de los distintos
sistemas integrados de gestión. Eso posibilitó la implantación generalizada de la recogida
selectiva de vidrio, envases ligeros, papel-cartón y la recuperación de aquellos productos que
pudiésen reintroducirse nuevamente en la cadena de producción. En España operan en este
campo varios sistemas integrados de gestión, los mas conocidos son:
(1) Ecoembes: Trata todos los materiales presentes en los envases
(2) Ecovidrio: Gestiona sólo el vidrio
(3) Sigre: Gestiona los restos de medicamentos y sus envases
10
Otros aspectos a destacar son la puesta en marcha de complejos ambientales, infraestructuras
básicas previstas en la legislación para resolver el probelma del tratamiento de los residuos,
así como la existencia de empresas recuperadoras de materiales residuales en Gran Canaria
para dar un destino al material recuperado. En Gran Canaria, el proceso de recogida se lleva a
cabo en los diferentes municipios de manera individual o mancomunada, implicando a
diversos agentes, tales como los mencionados sistemas integrados de gestión, las plantas de
transferencias, los complejos ambientales, las plantas de recuperación, el Cabildo, las
empresas que gestionan la recogida y el transporte de cada fracción y por último las empresas
recicladoras.
Hoy en día, el espectro se ha visto ampliado ya que se ha empezado en algunas comunidades
como el caso de la Villa de Ingenio en Gran Canaria (zona de estudio) con la recogida
selectiva de aceites comestibles con la incorporación de contenedores especiales para dicho
residuo12
. Además hay que señalar que las instituciones responsables para la gestión de RSU
en Ingenio, realizan periódicamente campañas educativas de información ciudadana con el fin
de incentivar la colaboración de los ciudadanos en la separación de los RSU.
Resumiendo se puede decir que el tratamiento que se le da a los RSU es lo que diferencia un
Sistema de Gestión de Residuos adecuado de otro inadecuado. Para información adicional
sobre este aspecto (véase anexo C, Esquema de la Legislación Europea sobre Residuos).
Resumen del marco jurídico de la legislación europea y española en temas
de RSU.
12 Contenedores soterrados. Véase p. ej. Revista Infoambiente, 2008, pp.23-24. Una apuesta por la gestión de residuos del siglo XXI.
Unión Europea Estrategía comunitaria en materia de
Residuos Sólidos Urbanos directivas específicas
Estatal Ley de Residuos ; Ley de Envases y
Residuos de Envases legislación específica
Autonómico Ley de Residuos de Canarías
Legislación específica
MARCO JURÍDICO
11
La gestión de residuos sólidos urbanos en España y las estadísticas
Bases estadísticas de generación
Según la oficina europea de estadística (Eurostat) y sus “Estadísticas Europeas sobre el Medio
Ambiente”, en el año 2009 se generó en España una media de 547 kg de RSU por persona,
cifra algo superior a los 513 kg que en conjunto generó la UE-27. A pesar de ello, el 52% de
los RSU en España va de manera directa al vertedero, mientras que en la UE sólo lo hace el
38%. El 9% de los RSU españoles se incinera, frente al 20% en conjunto de la UE.
Además, el volúmen de RSU generados varía de forma considerable de un país a otro y oscila
entre los 360 kg/hab*año en la República Checa y los 802 kg/hab*año en Dinamarca. Esta
variación se explica por una diferencia de comportamiento a la hora de consumir y porque en
algunos países estados miembros no se incluyen a las pymes y los establecimientos públicos
en los sistemas de reciclado.
Los países que menos RSU generan son la República Checa, Letonia, Polonia, Rumania y
Eslovaquia. Austria, Alemania y los Países Bajos encabezan la lista de los países con
mayores niveles de reciclado (entre un 60% y un 70%), mientras que Bulgaria, Rumanía y
Malta ocupan las últimas posiciones porque llevan de forma directa al vertedero entre el 97%
y el 100% de las basuras.
En el 2009 en España, la generación de RSU, tanto total como por habitante, estuvo creciendo
a una tasa mayor que el crecimiento del producto interno bruto (PIB). La cantidad generada
de RSU en este periódo fué de 25.569.956 toneladas y experimentó un aumento de la
producción total anual del 1,6% respecto al año anterior. Estos datos reflejan una tendencia
ascendente en la generación de RSU en España y el alejamiento del cumplimiento del
objetivo de prevención establecido en el Plan Nacional Integrado de Residuos (PNIR) 2008 -
2015.
No obstante, en materia de gestión de RSU en España, se han producido progresos
significativos. De acuerdo al PNIR 2008-2015 parece factible cumplir con los objetivos de
eliminación total de vertido incontrolado, el cual ha experimentado una paulatina disminución
desde el año 1990. Con la información obtenida por Eurostat, la tendencia en la generación de
RSU por habitante en España presenta un descenso generalizado convergiendo hacia los
12
valores de la UE.Si se analiza la evolución desde el año 2000, destaca un descenso en la
generación de RSU de España en comparación con el resto de los países de la UE-27.
En el 2008, España ocupó la novena posición en el ranking europeo de países con más
generación de RSU, mejorando la octava posición del año 2007.
RSU generados en España y la UE de 1996 a 2009 [kg/hab*año].
años España UE-15 UE-27
1996 535 522 486
1997 560 538 500
1998 565 537 496
1999 613 549 510
2000 658 563 523
2001 654 563 521
2002 639 566 526
2003 649 553 514
2004 603 550 513
2005 592 546 516
2006 594 553 522
2007 588 557 522
2008 575 554 524
2009 547 540 513
Fuente Eurostat
RSU generados en España y la UE de 1996 a 2009 [kg/hab*año].
13
Los datos absolutos de generación de RSU en España estimados por e Ministerio de Medio
Ambiente y el Ministerio de Medio Rural y Marino de los últimos seis años presentan un
crecimiento relativamente moderado e incluso ligeramente decreciente en los años 2007, 2009
y 2010 respecto a años anteriores. En 2008, las recogidas selectivas representaban cerca del
14,26% de los RSU, frente a la recogida de RSU mezclados que fue del 82,57%. En años
posteriores (2008 a 2010), la recogida selectiva aumentó considerablemente.
Cantidades de residuos sólidos urbanos recogidos según modalidad en España.
en ton/año 2005 2006 2007 2008 2009 2010*
Residuos urbanos
recogidos 22.353.152
23.648.032 +5,79 % craa*
23.562.199 -0,36 % craa*
24.049.826 2,06 % craa*
23.575.435 -1,97% craa*
24.200.000
Población
44.108.530
44.708.964
45.200.737
46.157.820
46.745.807
46.951.532
Crecimiento demográfico
1,7% 1,4% 1,1% 2,1% 1,3% 0,5%
Recogidas selectivas de papel, vidrio envases ligeros,
y fracción orgánica
2.133.435 2.519.340 2.668.897 3.430.066 3.148.523 3.350.500
Residuos mezclados 19.657.827 20.431.260 19.993.461 19.858.348 17.770.790 16.394.510
Otras recogidas selectivas
561.890 697.432 899.841 761.448 821.250 815.132
*craa = con respeto al año anterior
El apartado, otras recogidas selectivas” incluye, entre otros, residuos voluminosos y residuos de aparatos eléctricos y electrónicos e incluso
escombros de obras menores. Fuente: European Recycling Platform, España. 2010* proyección de la generación de RSU
Este aumento de la recolección de RSU de los últimos años debe contextualizarse
adecuadamente en un marco de crecimiento poblacional: en los años 2006, 2008 y 2009, la
población española creció a una tasa del 1,4%, 2,1% y 1,3% respectivamente, circunstancias
que contribuyen a la generación total de RSU y a los ratios derivados13
.
13 Diferentes autores relacionan de manera directa a la generación de residuos con la cantidad de habitantes y la tasa de crecimiento de esta.
14
Residuos sólidos urbanos generados por comunidad autónoma en España.
Residuos mezclados y selectivos recogidos en España 2004-2009
Las cantidades de RSU recogidos selectivamente y mezclados en las comunidades autónomas
de España durante el año 2009, destacándose entre las mayores productoras en toneladas de
residuos la C.A de Andalucia, Cataluña y Madrid con las mas altas tasas en la recogida, factor
RESIDUOS GENERADOS MEZCLADOS Y SELECTIVOS
CC.AA 2004 2005 2006 2007 2008 2009 Promedio
Andalucia 620,7 559,9 551,4 536,6 509,6 512,5 560,5
Aragón 636,9 517,1 537,0 594 521,9 508,2 564,5
Asturias 499,7 493,3 533,6 536,3 522,8 500,1 514,3
Baleares 803,9 722,6 736,0 728,1 665,6 564,9 715,5
Canarias 720,5 657,7 628,9 554,5 588,1 543 615,4
Cantabria 648,6 587,4 621,9 593 636,6 581,3 623,5
Castil la y León 468,8 521,1 519,7 496 481 509,2 511,3
Castil la y la Mancha 589,1 529,8 539,3 532,7 531,9 531,1 554,3
Cataluna 523,6 476,6 498,7 534,2 500,8 464,3 511,7
Valencia 611,0 497,3 525,9 536 519,4 428,4 531,7
Extremadura 454,6 509,2 505,4 499,1 481,5 442,6 494,1
Galicia 467,8 441,2 488,9 466,4 470,5 456,5 477,2
Madrid 619,7 588,7 619,7 619,1 570,9 538,9 604,8
Murcia 521,3 536,8 552,6 563,6 550,2 507,5 550,7
Navarra 654,6 588,8 624,7 604,7 657,2 630,8 638,8
Pais Vasco 644,3 608,8 583,0 585 609,5 556,5 609,8
Rioja 460,6 569,1 560,2 562,7 570,1 499,6 549,1
Ceuta y Melil la 526,7 618,4 649,0 593,9 0 0 410,0
Espana 603,0 592,0 594,0 588,0 575,0 547,0 557,6
kg/hab*año
15
que es influenciado por la variable población ya que cuentan con una demografía mayor al
resto.
Cantidad de residuos sólidos urbanos recogidos selectivamente y mezclados por
comunidades autónomas en España, 2009.
Comunidad Autónoma
Cantidad recogida
selectivamente (ton)
Recogida Selectiva
kg/hab*año
Residuos mezclados
Kg/hab*año
Población al
01/01/2009
Valor Relativo RSU*hab
C.A. Andalucia 344.050 497,25 476,1 8.302.923 0,04
C.A. Aragón 70.105 625,25 458,0 1.345.473 0,05
Principado de Asturias 78.843 871,76 444,1 1.085.289 0,07
C.A. islas Baleares 70.204 769,06 490,1 1.095.426 0,06
C.A.Islas Canarias 77.680 443,04 478,9 2.103.992 0,04
C.A. Cantabria 28.456 579,52 528,4 589.235 0,05
C.A. Castilla y la Mancha
70.621 407,17 484,4 2.081.313 0,03
C.A. Castilla y León 145.471 680,96 455,3 2.563.521 0,06
C.A. Cataluña 1.070.380 1.718,24 396,8 7.475.420 0,14
C.A. Extremadura 61.139 665,51 406,5 1.102.410 0,06
C.A. Galicia 160.541 689,00 404,0 2.796.089 0,06
C.A. La Rioja 21.249 792,62 426,2 321.702 0,07
C.A. De Madrid 394.201 740,64 459,0 6.386.932 0,06
Región de Murcia 52.592 436,29 471,1 1.446.520 0,04
C. Foral de Navarra 80.380 1.529,64 523,2 630.578 0,13
C.A. Pais Vasco 285.040 1.574,68 471,0 2.172.175 0,13
C. Valenciana 214.656 505,60 380,9 5.094.675 0,04
Ciudad Autónoma de Ceuta
5.824 888,32 0,00 78.674 0,07
Ciudad Autónoma de Melilla
2.264 369,83 0,00 73.460 0,03
España 3.233.696 778,13 408,1 46.745.807 1,23
Fuente: Anuario estadístico 2009, Ministerio de Medio Ambiente Rural y Marino
En 2009 se recogieron 23,5 millones de toneladas de RSU, un 1,97% menor que el 2008. De
estos, 17,7 millones de toneladas correspondieron a RSU mezclados y 3,1 millones de
toneladas a la recogida selectiva. En términos per cápita, cada español generó 547 kg de RSU
por año. Por comunidades autónomas, Cantabria y Navarra son las que generaron mayor
cantidad de RSU per cápita. Canarias se ubicó en la 9° posición en la generación de RSU por
debajo de las islas Baleares.
16
Cantidad de Residuos Urbanos según modalidad en España año 2009.
Recogida Porcentaje
Modalidad de la recogida [ton/año] [%]
Cantidad de residuos mezclados 17.770.790 75,4
Cantidad de residuos depositados en puntos limpios 1.018.207 4,3
Cantidad de residuos recogidos selectivamente 3.148.523 13,4
Otros residuos recogidos selectivamente (maderas, ropa y pilas) 85.175 0,4
Residuos recogidos por otras vías 1.552.740 6,6
Residuos de limpieza municipal (limpieza viaria, parques y jardines y otros) 541.249
Residuos de otros flujos (mercados, comercios, voluminosos y otros) 1.011.491
ESPAÑA 23.575.435 100,0
Instalaciones de tratamientos y eliminación.
Instalaciones de tratamientos y eliminación Nº de centros
Entrada
[ton/año]
Instalaciones de clasificación de envases 93 578.392
Instalaciones de compostaje de fracción orgánica recogida selectivamente 38 525.039
Instalaciones de tiraje y compostaje 62 9.108.845
Instalaciones de tiraje, biometanización y compostaje 20 3.393.374
Instalaciones de incineración 10 2.240.224
Vertederos 147 17.437.656
17
Residuos Sólidos Urbanos vertidos en 2009 por CC.AA en España.
Cantidad de residuos vertidos por CC.AA en 2009 [ton]
Residuos Urbanos Vertederos con captación
Comunidad Autónoma N° vertederos vertidos [ton] en % de metano y producción
de energía eléctrica
Andalucia 29 5.756.459 33,0 7
Aragón 14 440.507 2,5 0
Asturias 1 539.122 3,1 1
Islas Baleares 4 432.096 2,5 1
Canarias 7 1.060.954 6,1 1
Cantabria 1 134.400 0,8 1
Castilla y la Mancha 7 729.282 4,2 3
Castilla y León 10 737.388 4,2 0
Cataluña 26 1.777.595 10,2 24
Extremadura 8 335.896 1,9 2
Galicia 2 427.111 2,4 1
La Rioja 2 64.127 0,4 2
Madrid 6 2.205.921 12,6 6
Murcia 5 654.493 3,8 3
Navarra 5 183.862 1,1 3
Pais Vasco 6 552.994 3,2 4
Valencia 14 1.406.450 8,1 8
España 147 17.438.657 100,0 67
Fuente : información proporcionada por las CC.AA
Obs.: Las cantidades de residuos vertidos incluyen rechazos de las plantas de tratamiento.
No se dispone de información en C.A de Aragón sobre el número de veretederos con capatción de metano
18
Evolución demográfica en España de 2005 a 2009
Años
REGIÓN/CCAA 2005 2006 2007 2008 2009
Andalucía 7849799 7975672 8059461 8202220 8302923
Aragón 1269027 1277471 1296655 1326918 1345473
Asturias 1076635 1076896 1074862 1080138 1085289
Balears 983131 1001062 1030650 1072844 1095426
Canarias 1968280 1995833 2025951 2075968 2103992
Cantabria 562309 568091 572824 582138 589235
Castilla y León 2510849 2523020 2528417 2557330 2563521
Castilla-La Mancha 1894667 1932261 1977304 2043100 2081313
Cataluña 6995206 7134697 7210508 7364078 7475420
Valencia 4692449 4806908 4885029 5029601 5094675
Extremadura 1083879 1086373 1089990 1097744 1102410
Galicia 2762198 2767524 2772533 2784169 2796089
Madrid 5964143 6008183 6081689 6271638 6386932
Murcia 1335792 1370306 1392117 1426109 1446520
Navarra 593472 601874 605876 620377 630578
País Vasco 2124846 2133684 2141860 2157112 2172175
Rioja 301084 306377 308968 317501 321702
Ceuta 75276 75861 76603 77389 78674
Melilla 65488 66871 69440 71448 73460
TOTAL: 44.108.530 44.708.964 45.200.737 46.157.822 46.745.807
Fuente: Anuario estadístico 2009, Ministerio de Medio Ambiente Rural y Marin.
Crecimiento de la población en España
19
Cantidades de residuos sólidos urbanos recogidos selectivamente en las comunidades
autónomas de España.
Cantidades de residuos sólidos urbanos recogidos selectivamente en conección con la
cantidad de habitantes en las comunidades autónomas de España.
20
Valor relativo RSU*hab para las comunidades autónomas de España.
Comparativa de producción y tratamiento de residuos sólidos urbanos en España y
Europa
Según la Directiva Marco de Residuos, España se encuentra por encima de la media europea
en materia de RSU. España se centra en la mitad de la tabla, generando 547 kg de RSU por
habitante (2009), un poco más que la media europea (linea horizontal en el gráfico) que fue de
513 kg/hab*año.
Residuos sólidos urbanos generados en UE-27 por habitante en el año 2009
21
En cuanto al vertido , países como Alemania, Holanda, Austria, Suecia, Dinamarca o Bélgica
apenas llevan RSU a vertederos, mientras que los países de nueva incorporación a la UE
llevan casi todos sus RSU al vertedero. España lleva a vertederos un
52 %, es decir más de la mitad de sus RSU generados, situándose así un 12% por encima de la
media Europea que se sitúa en el 40%.
Porcentajes de residuos sólidos urbanos vertidos en UE-27 en el año 2009.
En la incineración vemos que la situación se invierte los países que menos vierten son los que
más incineran, y viceversa, los que más incineran son los que menos vierten. España en el
2009 solo incineró el 9% de los RSU, muy por debajo de la media Europea (20%).
Porcentajes de residuos sólidos urbanos incinerados en UE-27 en el año 2009
22
La tendencia europea en cuanto a vertido e incineración de RSU por habitante se ha
caracterizadio por un decenso del vertido y un aumento de la incineración.
Con los datos obtenidos de Eurostat para España y la UE-27, se observa en las siguientes
gráficas que el vertedero como destino de los RSU alcanzó su valor máximo en 2001, 2003 y
2006, apreciándose un importante descenso en 2007 y 2009. No obstante, la reducción
experimentada en la UE-27 en vertido entre 1995 y 2009 fué de 35,5%, que contrasta con el
decenso final de vertido del 7,5% experimentado por España en el mismo periódo.
23
Por otro lado, la incineración es una operación de eliminación en aumento aunque con
aprovechamiento inferior al de la UE-27. En el periódo 1995-2009 la cantidad de RSU
incinerados por habitantes en España ha crecido un 112,0% mientras que en la UE-27 lo ha
hecho en menor medida, en un 56,9%. Actualmente se incineran alrededor de 2 millones de
toneladas de RSU en la UE-27, proceso que se lleva a cabo integramente con recuperación
energética. En cuanto al estado actual del reciclado, Alemania es el país que más recicla de la
UE (2009). En Alemania, se reciclan un 48% de los RSU14
, 12 puntos porcentuales por
encima de los segundos países en reciclaje como Suecia y Bélgica. España con 15% de
reciclado, está 9 puntos porcentuales por debajo de la media Europea (24%).
Porcentajes de residuos sólidos urbanos reciclados en UE-27 en el año 2009
En temas de compostaje , España sí cumple con 6 puntos porcentuales (24%) por encima de la
media Europea del 18%. Esto es debido a que el compostaje es una de las alternativas que
conlleva a costes más reducidos.
14 Total del material solo reciclado, aunque generalmente el compostaje también se toma como un subtipo de reciclaje.
24
Conclusión de la gestión de RSU en España
En síntesis, España comparada con los países de la Europa de los 27, vierte mucho (57%),
incinera poco (9%), recicla bajo (15%) pero sí está por encima de la media en terminos de
compostaje (20%). La generación de RSU por habitante y año en España está también por
encima de la media europea. Por regla genera, los nuevos países de la UE no disponen de
tecnologías de valorización energética, compostaje o reciclaje, por lo que casi toda la totalidad
de sus RSU acaban en vertederos.
Durante a la crisis (2007-2011)”, la producción de RSU en Europa se ha estabilizado. En
algunos países como España, la producción de RSU hasta ha bajado, es decir, de
575 kg/hab*año en 2008 a 547 kg/hab*año en el 2009, destinando solo a verterdero el 52%,
incinerando el 9%, reciclando el 15% y compostando el 24% de sus RSU. El desacoplamiento
del crecimiento del producto interno bruto (PIB) y la generación de RSU por habitante es algo
que ya estaba presente en los Planes de Residuos de casi todos los países de la UE. Sin
embargo, los expertos afirman que no ha sido la crisis económica que provocó la
desestabilización como hecho real, sino que la relentización general del crecimiento
económico”.
En España, en el año 2009, se ve una ligera disminución en la generación de RSU por
habitante y de RSU que van al vertedero, con ligero aumento de la incineración y una mejora
en la recogida selectiva. En valores absolutos, España depositó en vertederos 285 kg/hab
frente a los 195 kg/hab de la UE-27 e incineró 48 kg/hab frente a los 102 kg/hab de la UE-27.
La recuperación del papel en los últimos años se ha casi duplicado (de 56,8% en el año 2000 a
74% en el año 2008). En el 2009, el volúmen recuperado de papel y cartón alcanzó los 4,6
millones de toneladas, un 7,5% inferior al 2008 (aprox.5 mill.). Por lo que respecta a la tasa
de reciclado de vidrio, en el 2008 se superó el valor del 60% (14,9 kg/hab), objetivo que
estaba establecido por la legislación15
y en el año 2007 ya se alcanzaron los objetivos de
reciclado y valorización de RSU de envases aplicables desde el 2009 (62,1% de tasa de
reciclado y 56,3% de tasa de valorización). No obstante, además se necesitará de alguna
manera que España logre disminuir la utilización y dependencia de los vertederos. Esto se
logra aumentando el reciclaje y la incineración, como se ve en el ejemplo de Alemania que ha
alcanzado a la vez la menor tasa de vertido de la UE (0 %) y la mayor tasa de reciclaje (48 %)
casi en la mitad de sus RSU.
15 Para el 2009 se estimó una tasa de recogida para su reciclaje del 67 %.
25
Gestión de residuos sólidos urbanos en Canarias
En cuanto a la cuestión de los RSU, Canarias, como consecuencia de la insularidad, se
enfrenta a un grave problema para tratarlos. En todas las islas existe riesgo de colmatación de
los vertederos con las consecuencias que esto conlleva. Además hay que tener en cuenta que
debido a la reducida superficie y el alto valor natural del archipiélago por una parte y la
reticencia o falta de confianza de la población por otra parte, los espacios destinados a
vertederos deben cumplir con condicionantes específicos. Por ende es notablemente
complicado encontrar espacios para ubicar vertederos, plantas de transferencias o puntos
limpios.
De la misma manera, un aumento de la población residente y visitante supone un incremento
importante en la generación de RSU. Hay que tener en cuenta que la mayoría de los productos
que se consumen en la isla, tanto por parte de residentes como por los visitantes, proceden del
exterior y tienen una gran cantidad de embalajes, con lo que aumenta considerablemente el
volúmen medio de RSU generados y desechos en comparación con otros núcleos industriales
o residenciales. El desarrollo turístico de las islas supone un problema añadido, ya que se
constata que los complejos turísticos producen mayor cantidad de RSU que los núcleos
poblacionales de residentes. De esta forma se puede constatar que la producción de RSU en
las islas desde el 2000 al 2006 a sido aproximadamente un 9% -10% superior a la media del
país en esos años, cabe constatar que en Gran Canaria cada persona genera aproximadamente
1,7 kg*día (Plan Integral de Residuos en Canarias, 2008).
Una visión de los residuos sólidos urbanos en Canarias
La generación de RSU entre los años 2000 y 2006 ha ido disminuyendo pero no por de bajo
de la media en relación a España. El año 2007 y 2009 experimentaron un 4,9% y 1,1%
respectivamente menor a la media de España, aunque en el 2008 volvió a subir un 1,06%
sobre la media española. La relación de RSU generados tanto en Canarias como España lo en
la cual la curva de RSU se va entrelazando y ajustando a la media de España.
26
Generación de RSU en Canarias y España [kg/hab*año]
Generación de RSU en Canarias en relación a Espana
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
Canarias 788,1 710,2 611,5 695 720,47 657,7 648,9 554,5 588,1 543
Espana 658 654 639 649 603 592 594 583 556 547
Fuentes : INE , Eurostat. 2009
Comparativa de la generación de RSU en Canarias y España [kg/hab*año].
Evolución demográfica en Canarias. Evolución demográfica en Canarias (proyectada 2008-2015)
2004 2005 2006 2007 2008 **2009 **2010 **2011 **2012 **2013 **2014 **2015
Lanzarote 116990 121180 125509 129788 133936 137881 141677 145272 148669 151965 155206 158428
Fuerteventura 79888 83938 87703 91212 94487 97544 100317 102957 105509 108053 110596 113203
Gran Canaria 791970 803800 815677 827452 839085 850369 861041 871303 881231 890869 900183 909229
Tenerife 816622 842853 865641 885999 904529 921452 935918 949629 962647 975181 987201 998881
La Gomera 20935 21552 22106 22650 23215 23804 24228 24665 25110 25568 26050 26474
La Palma 84391 84739 85303 86044 86899 87715 88632 89505 90385 91294 92214 93148
El Hierro 10094 10311 10523 10719 10941 11162 12446 12249 12014 11782 11568 11355
Total Población
Canarias 1920890 1968373 2012462 2053864 2093092 2129927 2164259 2195580 2225565 2254712 2283018 2310718
Fuente ISTAC, insti tuto Canario de Estadís ticas
** proyectados 2009-2015
27
Factores que condicionan la gestión de residuos en Canarias
Hay varios factores que condicionan la gestión de RSU en las islas Canarias, estos son:
Escasez del territorio: Representa una gran dificultad a la hora de intentar ubicar
instalaciones y terrenos destinos a la gestión de los RSU. A este aspecto hay que sumarle
las altas densidades demográficas, la creciente dispersión de asentamientos, además de
otros factores orográficos16
y de riesgo ambiental.
Importancia del sector turístico: El elevado número de turistas que visitan las islas
incide de forma directa e indirecta (cultural) en la generación de RSU y en el
dimensionamiento de equipamientos e instalaciones.
La lejanía: La lejanía insular y la lejanía a los centros de tratamientos provoca altos
costes de gestión, tanto en lo referente al transporte interinsular como del archipiélago al
continente para aquellas fracciones de RSU que no pueden ser tratadas o valorizadas en
las islas.
Los hábitos de consumo y la responsabilidad: La falta de conciencia sobre los riesgos
presentes y futuros y la poca implantación de una cultura avanzada sobre minimización de
RSU.
En Canarias, los sistemas integrados de gestión (SIG) son herramientas creadas por los
fabricantes y distribuidores con el fin de garantizar la recogida y correcta gestión de los RSU.
Se puede encontrar en todo el archipiélago de Canarias diferentes SIG autorizados.
Sistemas integrados de gestión utilizados en Canarias.
Sistema integrado
de gestión Tipo de Residuos Fecha de autorización
Ecovidrio
Ecoembes
Sigre
Sigfito
Signus
Sigaus
Vidrio
Envases
Envases de medicamentos y medicamentos caducados
Fitosanitarios
Neúmaticos
Aceites Minerales
1996*
1999**
2004
2004
2007
2008 * renovado el 2003 ** renovado el 2005
16 Se refieren a la altura de terrenos.
28
La isla de Gran Canaria
En la isla de Gran Canaria, en temas de RSU, uno se encuentra con un sistema parcialmente
mancomunado en la recogida y tratamientos, es decir, los 21 municipios se distribuyen
actualmente en 3 mancomunidades más 4 municipios. Estos últimos no tienen un sistema
mancomunado y concentran el 73% de la población.
Mancomunidad del norte
de Gran Canaria
1. Teror
2. Sta. María de Guía
3. Valleseco
4. Artenara
5. La Aldea de San Nicolás
6. Galda
7. Firgas
8. Moya
9. Agaete
10. Arucas
Solo estos municipios poseen
servicio mancomunado
Mancomunidad de las
medianias de Gran Canaria
1. Valsequillo
2. San Mateo
3. Santa Brigida
4. Tejeda
Todos tienen servicio
mancomunado
Mancomunidad del Sureste
de Gran Canaria
Agüimes
Ingenio
Sta. Lucia de Tirajana
Servicio mancomunado
subcontratado a empresa externa
Núcleo de mayor concentración
Las Palmas
Telde
Mogán
San Bartolomé de Tirajana
Un 73% de concentración de la
población
Gestión de residuos sólidos urbanos en Gran Canaria.
Para posibilitar una mejora en la gestión de los RSU a nivel insular y en función de la
estimación de la generación de RSU, se realizó la tarea de zonificar la isla en 6 partes, tanto
para la recogida, el transporte, el tratamiento y la eliminación final. La idea fundamental de
esta zonificación es la de permitir una recogida más racional, para así optimizar y abaratar
costes de transporte y equipos. Además, se tiene en cuenta los tipos y cantidades de RSU
generados, las actividades en la zona, las instalaciones existentes, la localización de los
procesos de transferencia y de valorización del material en la misma zona de producción del
residuo. Así se intenta dirigir la concentración máxima de RSU a los complejos ambientales.
Los criterios para implantar este nuevo proceso fueron:
29
Que existiesen territorios colindantes entre si y esten bien comunicados por trayectos
en buen estado.
Optimización de las distancias de transporte respecto de la planta de transferencia o
del complejo ambiental más próximo.
En definitiva, la zonificación no afecta la necesidad de modificar las mancomunidades en sus
tareas ya establecidas.
una descripción detallada de cada una de las 6 zonas de gestión de RSU en la isla de Gran
Canaria.
Zonas de gestión de residuos sólidos urbanos en Gran Canaria
Zonas Municipios
Ratio medio
producción
[kg/hab*día]
Actividades
industríales
Actividad
turística
Z1 (norteste)
Las Palmas
Arucas
Santa Brigida
1,5
25% de la
Superficie de
área industrial de
la isla
Baja actividad
Z2 (este)
Ingenio, Agüimes,
Santa Lucía de
Tirajana
1,6
69% superficie
área industrial,
alta expanción
industríal
Baja actividad
Z3 (oeste) La Aldea 1,6
Baja actividad
industrial. 0,5%
de la superficie
industríal
Baja actividad
Z4 (centro) Teror, Tejeda, San
Mateo, Valsequillo
1,0 (excepto
Valsequillo con 2,4)
Baja actividad
industríal. 0,5%
superficie
industríal
Baja actividad
Z5 (noroeste)
Agaete, Galdar,
Santa María de
Guía, Moya, Firgas,
Valleseco, Artenara
1,3 (ratio medio bajo)
Zona de
expanción
comercial y
residencial.
Media baja
actividad
industríal. 5,5%
superficie
industríal insular.
Baja actividad
Z6 (sur) San Bartolomé de
Tirajana, Mogán 2,0 (ratio medio alto)
Baja actividad
industríal. 1,2%
de la superficie
industríal
insular
Alta actividad
31
Evolución y proyección de los RSU en municipios de Gran Canaria
EVOLUCION DE RSU EN MUNICIPIOS DE GRAN CANARIA (fuente: Gobierno de Canarias)
Habitantes Toneladas Proyectados
año 2009 2003 2004 2005 2006 2007 2008 2009 2010 2011 2016
Municipios
Agaete 5.809 2.349 1.954 3.689 3.525 3.330 3.428 3.428 3.428 3.153 3.085
Agüimes 29.431 17.007 17.875 17.805 16.026 16.783 17.853 17.853 17.853 16.425 16.068
Artenara 1.324 568 392 535 526 429 436 436 436 401 393
Arucas 36.745 13.790 13.899 13.377 13.048 13.203 13.906 13.906 13.906 12.793 12.515
Firgas 7.564 3.229 4.946 3.637 4.043 3.829 3.923 3.923 3.923 3.610 3.531
Galdar 24.473 10.529 14.262 10.160 12.303 8.011 8.152 8.152 8.152 7.499 7.336
Ingenio 29.640 15.369 14.597 15.833 15.688 14.035 15.121 15.121 15.121 13.912 13.609
LPG Canaria 383.303 146.655 156.701 169.281 197.188 209.909 218.391 218.391 218.391 200.920 196.552
Mogan 37.725 28.930 31.918 20.634 28.346 23.928 24.945 24.945 24.945 22.949 22.450
Moya 8.098 3.610 2.571 3.685 3.623 3.562 3.752 3.752 3.752 3.452 3.377
S. B. de Tiraj. 106.708 92.598 87.898 87.063 83.344 86.650 88.644 88.644 88.644 81.553 79.780
La Aldea 8.462 4.699 4.598 4.655 4.313 4.963 5.017 5.017 5.017 4.615 4.515
Santa Brigida 19.135 10.372 10.340 10.133 10.111 9.565 10.018 10.018 10.018 9.216 9.016
S.L. de Tiraj. 64.845 28.363 26.497 28.459 35.264 35.709 37.801 37.801 37.801 34.777 34.021
Guia 14.200 5.933 3.871 5.591 5.497 5.405 5.521 5.521 5.521 5.079 4.969
Tejeda 2.282 720 735 741 753 700 714 714 714 657 643
Telde 100.900 45.533 51.837 53.512 53.584 54.569 56.139 56.139 56.139 51.647 50.525
Teror 12.944 5.182 3.535 5.081 4.996 4.912 5.047 5.047 5.047 4.643 4.542
Valleseco 4.030 1.686 1.097 1.471 1.446 1.422 1.522 1.522 1.522 1.401 1.370
Valsequillo 9.099 7.603 6.700 6.192 5.671 7.660 7.789 7.789 7.789 7.166 7.010
San Mateo 7.699 4.353 4.485 4.159 4.050 4.093 4.388 4.388 4.388 4.037 3.949
*Desde el 2010 al 2016 no hay variaciones en las proyecciones
32
Proporción de RSU en miles de toneladas por año generados en Gran Canaria.
los RSU proyectados para los municipios de Gran Canaria difieren unos con otros, esto
debido a factores tanto de población, de turismo y de actividaes industriales. Las Palmas, San
Bartolomé de Tirajana y Telde son los municipios con mayor población, lo cual concuerda
con la teoría de que a mayor población mayor cantidad de RSU generados. Los municipios
pequeños generalmente no se salen del rango que han venido experimentando. Esto es por el
hecho de que sus costumbres y los hábitos de consumo no varían considerablemente al no
contar con una gama variada dec actividad económica de servicios y turismo. Sin embargo, la
proyección en general para todos los municipios que componenen la isla de Gran Canaria es
de un ratio de alrededor del 1,7 % proyectado para el 2010. Los municipios con mayor
población hacen que el ratio de generación de RSU actual y proyectado aumente aunque los
municipios pequeños reflejan otro patrón.
La evolución de la generación de RSU experiementada por la Isla de Gran Canaria en sus
municipios desde el 2005 hasta el 2009, tiene una tasa de generación relativamente menor que
la media de España. Esto demuestra que las propuestas para mejorar el sistema de gestión de
RSU han sido eficientes, particularmente en Gran Canaria. Sin embargo, a nivel de
archipiélago, desde el año 2000 hasta el 2006 han experiementado un aumento en
comparación a la media española. Actualmente, desde el 2007 a 2009 (exceptuando el año
2008) se ve un decrecimiento en la generación de RSU menor a la media de España. Se
piensa que el factor decisivo para ello ha sido y será el problema de la insularidad, ya que se
33
esperan fluctuaciones positivas y negativas durante los próximos años sino se efectúan
mejoramientos continuos en la gestión de los RSU.
Evolución per cápita anual de los residuos sólidos urbanos en Gran Canaria.
2005 2006 2007 2008 2009*** Promedio Valor relativo %
Municipios Habitantes Kg/hab*año Kg/hab*año Kg/hab*año Kg/hab*año Kg/hab*año por Municipio prom/hab. Munic.
Agaete 5.809 635,0 606,8 573,2 590,1 590,1 599,1 1,64
Agüimes 29.431 605,0 544,5 570,2 606,6 606,6 586,6 1,61
Artenara 1.324 404,1 397,3 324,0 329,3 329,3 356,8 0,98
Arucas 36.745 364,0 355,1 359,3 378,4 378,4 367,1 1,01
Firgas 7.564 480,8 534,5 506,2 518,6 518,6 511,8 1,40
Galdar 24.473 415,2 502,7 327,3 333,1 333,1 382,3 1,05
Ingenio 29.640 534,2 529,3 473,5 510,2 510,2 511,5 1,40
LPG Canaria 383.303 441,6 514,4 547,6 569,8 569,8 528,6 1,45
Mogan 37.725 547,0 751,4 634,3 661,2 661,2 651,0 1,78
Moya 8.098 455,1 447,4 439,9 463,3 463,3 453,8 1,24
San Bartolmé de Tirajana 106.708 815,9 781,0 812,0 830,7 830,7 814,1 2,23
La Aldea de San Nicolás 8.462 550,1 509,7 586,5 592,9 592,9 566,4 1,55
Santa Brigida 19.135 529,6 528,4 499,9 523,5 523,5 521,0 1,43
Santa Lucia de Tirajana 64.845 438,9 543,8 550,7 582,9 582,9 539,9 1,48
Guía 14.200 393,7 387,1 380,6 388,8 388,8 387,8 1,06
Tejeda 2.282 324,7 330,0 306,7 312,9 312,9 317,4 0,87
Telde 100.900 530,3 531,1 540,8 556,4 556,4 543,0 1,49
Teror 12.944 392,5 386,0 379,5 389,9 389,9 387,6 1,06
Valleseco 4.030 365,0 358,8 352,9 377,7 377,7 366,4 1,00
San Mateo 9.099 680,5 623,3 841,9 856,0 856,0 771,5 2,11
Valsequillo 7.699 540,2 526,0 531,6 569,3 569,3 547,3 1,50
Prom. GRSU por munic. 497,3 509,0 501,8 521,0 521 proyectado 540,0 1,80
Total Habitantes
Promedio España 914.416 597 599 588 575 547
2009*** proyectado , fuente Cabildo de Gran Canaria, documento de avance
BALANCE Y TIPOS DE RESIDUOS GENERADOS EN CANARIAS ENTRE 2004 y 2009 [en ton]
2004 2005 2006 2007 2008 2009
Total Residuos 1.474.999 1.448.386 1.397.206 1.210.410 1.255.650 1.151.349
Total Residuos Mezclados 1.162.450 1.169.504 1.105.084 992.184 1.045.068 994.498
Residuos domésticos y similares (domésticos y en vías públicas) 1.099.401 1.141.005 1.059.605 950.723 1.015.140 968.176
Residuos domésticos y voluminoso mezclados (enseres domésticos) 63.049 28.499 45.479 41.461 29.928 26.322
Total Residuos Recogidos Selectivamente 312.549 278.882 292.122 218.226 210.582 156.851
Aceites minerales usados ( no incluye los domésticos) 14.286 547 751 10 2.203 0
Medicamentos no utilizados 595 22 35 0 0 0
Residuos sanitarios y biológicos 78.400 23.285 11.580 7.849 1.494 424
Residuos metálicos 24.701 10.146 4.850 1.768 1.362 1.714
Vidrio 18.475 18.237 20.414 20.298 24.266 26.005
Papel y cartón 26.512 60.548 76.863 80.668 72.907 77.579
Caucho (neúmaticos) 6.310 4.340 2.863 5.338 5.096 1.023
Plásticos (excepto embalajes) 7.146 6.051 3.720 3.638 6.604 3.362
Madera 10.175 6.060 6.553 7.902 5.424 643
Ropa y residuos textiles 786 288 59 53 54 0
Vehículos dados de baja 53 79 159 3.646 568 0
Equipos eléctricos desechados (electrodomésticos) 1.080 690 2.665 0 1.104 1.135
Pilas y acumuladores 377 167 115 2 198 100
Componentes de equipos electrónicos desechados (tubos fluorecente, toner) 0 96 47 0 1 0
Residuos animles y vegetales 16.189 21.322 17.612 21.462 6.611 750
Envases mixtos y embalajes mezclados 105.421 64.421 25.627 14.262 58.322 29.450
Lodos comunes 0 11.863 10.935 9.649 781 5.420
Residuos de la construcción y demolición 2.010 49.151 106.046 41.647 23.587 6.695
Otros residuos 33 1.591 1.228 34 0 2.551
Fuente: Estadísticas de la Comunidad Autónoma de Canarias - Gobierno de Canarias, 2009.
0 = no existen datos
Elaboración propia a partir de datos de Gobierno de Canarias
35
Indicadores socio-económicos de los municipios de Gran Canaria.
INDICES DE ACTIVIDADES ECONOMICAS
PIB Per cápita Indice Act. Cantidad Tur. Indice Cuota de Indice Nivel de Nivel de estudios Unidades Unidades
Municipios Habitantes RSU-ton/año Municipal Económica Estabilizada Comercial Mercado Industrial Empleo Sin Estudios Prom. de est. Económicas Viv. Principales
Agaete 5.809 3.428 11.510 3 99 4 10 5 2.953 241 945 352 1.714
Agüimes 29.431 17.853 12.742 56 31 112 64 56 16.808 795 5.727 3.590 6.788
Artenara 1.324 436 9.431 1 24 1 2 0 779 127 793 45 549
Arucas 36.745 13.906 13.327 23 23 1 71 16 18.582 919 8.939 2.525 10.136
Firgas 7.564 3.923 12.797 4 6 4 14 6 3.861 212 2.221 432 2.095
Gáldar 24.473 8.152 11.503 17 25 39 53 12 12.442 1.028 10.760 1.912 6.486
Ingenio 29.640 15.121 11.618 31 6 45 65 21 16.927 800 3.970 2.376 7.116
Mogán 37.725 24.945 14.171 44 19.178 53 58 8 21.933 679 23.593 3.154 4.729
Moya 8.098 3.752 11.422 4 34 6 17 3 4.117 340 3.611 586 2.587
Las Palmas 383.303 218.391 14.576 796 4.123 1323 820 447 196.021 7.283 62.787 39.388 113.384
San Bartolomé de Tirajana 106.708 88.644 14.453 203 57.107 167 157 134 54.250 1.599 7.959 8.894 12.384
La Aldea de S. Nicolas 8.462 5.017 9.574 4 31 10 19 2 4.982 888 2.458 724 2.373
Santa Brigida 19.135 10.018 16.080 13 96 15 35 4 9.677 478 5.066 1.104 5.472
Santa Lucia de Tirajana 64.845 37.801 11.993 52 227 100 128 40 37.033 1.751 6.271 4.939 14.843
Santa Maria de Guia 14.200 5.521 12.158 9 7 16 31 5 7.219 596 6.835 954 4.494
Tejeda 2.282 714 10.529 1 43 1 4 1 1.343 220 655 135 867
Telde 100.900 56.139 12.331 131 34 249 204 130 51.025 2.523 15.463 7.906 26.377
Teror 12.944 5.047 12.407 7 28 14 26 6 6.608 362 1.692 1.008 4.002
Valsequillo 9.099 7.789 12.664 4 11 6 20 3 4.645 255 2.295 575 2.557
Valleseco 4.030 1.522 10.729 1 27 3 8 1 2.057 110 467 235 1.401
Vega de San Mateo 7.699 4.388 11.488 4 38 7 18 3 3.930 216 3.645 631 2.424
GRAN CANARIA 845.671 25.357 12.262 67,04 81.198 103,62 86,85 43 477.195 21.422 8.388 81.465 232.778
36
Modelos que pueden explicar la generación de fresiduos por medio de dos
fuentes
Los RSU y la relación a sociedad – medioambiente
Se puede relacionar a la sociedad con los recursos, las materias primas y la producción a
través de la actividad productiva de bienes y servicios. Eso se conoce en la economía como
“actividades económicas”. El medioambiente a la vez, se le puede relacionar con todo aquello
que los humanos necesitan del entorno para desarrollar su actividad económica sin perjudicar
el medio.
De aquí se derivan dos factores importantes de una misma relación como lo describe la
literatura, los cuales afectan directamente a la generación de RSU. Por una parte hay las
unidades económicas17
y por otra las unidades habitacionales18
o de viviendas. Ambos son
considerados parámetros sociales de un sistema. Estos factores son muy importantes ya que
cada uno de ellos puede influir sobre la generación de RSU.
Para el presente estudio se parte de la base que existen 2 corrientes de generación: Por un lado
las anteriormente mencionadas unidades económicas (UE), y por otra las unidades de
viviendas (UV). El fin de esta caracterización es simplificar lo que del modelo se conoce. Eso
es porque se sabe que un modelo debe ser lo más claro y sencillo posible, ya que un modelo
que incluya todas y cada una de las variables, en la práctica es inadecuado.
En diversos trabajos (TCHOBANOGLOUS, 1994; BUENROSTRO, BOCCO y VENJE, 2000) está
propuesta la hipótesis de que se puede estimar la generación de RSU considerando la división
de los RSU en dos subsistemas (UE y UV). Así se puede suponer que esta forma sería la más
apropiada de calcular, estimar y explicar la generación de RSU. un esquema del modelo de
generación propuesto es el siguiente:
17 Unidades económicas, una UE esta definida en función del flujo de recursos y capital que por ella circulan, generando
bienes y servicios. 18 Unidad de vivienda, aunque sean un servicio generado por las unidades económicas, para estudios socieconómicos se les considera como un punto donde se aglutinan los parámetros sociales.
37
IGUE
IGUV
Residuos sólidos urbanos en la relación sociedad – medioambiente (elaboración propia).
Este gráfico se explica de la siguiente manera: Se puede relacionar los RSU generados por
cada fuente, asignándoles a las viviendas la variable RSGV y a las unidades económicas
RSGUE. La suma de ambos dará el total de RSU generados. A su vez, los RSU generados por
las viviendas y unidades económicas se relacionan directamente con los llamados índices de
generación con las siglas IGUE e IGUV respectivamente, generados por los propios
subsistemas. La siguiente figura especifíca más detalladamente a los índices y subvariables.
Índices de generación de RSU. elaboración propia apartir de modelo de M. Rodríguez Salinas 2004.
Unidades
Viviendas
RSU
RSU generados
en Unidades
Económicas
RSU generados
en Unidades de
Viviendas
Materias primas
Entrada Salida
Subvariables UE
Nivel de Producción
PIB, Cuota de mercado,
Cantidad de empresas, etc.
Subvariables UV
Cantidad de habitantes Nivel de escolaridad, renta
per cápita, hábitos de
consumo, etc
Obtención de los
vectores índices de
generación
La Sociedad Compuesta por
Subsistemas
Proceso
Unidades
Económicas
38
Con esto se puede derivar las siguientes ecuaciones que relacionan a los RSU con los índices
de generación en cada fuente:
RSUGV = IGUV *V, donde IGUV es el índice de generación por vivienda y V es la cantidad
de viviendas.
RSUGUE = IGUE*UE, donde IGUE es el índice de generación por unidad económica y UE
es la canitad de unidades económicas.
La ecuación 1 quedaría:
RSUG = IGUV*V + IGUE*UE (ecuación modelo aportado por la literatura)
Este es el primer modelo teniendo en cuenta 2 fuentes generadoras. Este modelo ofrece una
aproximación a la explicación de la generación de RSU. Por ende, este modelo se toma como
base para la definición del sistema de generación y los modelos siguientes.
Se sabe que los subsistemas con sus índices de generación por unidades económicas están
relacionados linealmente con las unidades económicas totales de cada municipio, con el
personal empleado, más índices totales de actividades industriales o en su defecto con la
producción bruta total por municipios.
A su vez, el índice de generación por viviendas esta linealmente relacionado con variables
como la cantidad de viviendas, el PIB, y la media de la población con educación, etc.
Se ve ahora que la integración o el agrupamiento de las subvariables que definen al IGUV y
IGUE para el modelo propuesto por la literatura y que los datos de esta tésis aportan, permiten
la aplicación del modelo a un muestreo de viviendas y unidades económicas sin conocer la
cantidad generada total de RSU para de esta manera poder estimar un valor para los índices de
generación. Utilizando nuestras variables e introduciéndolas en la ecuación quedaría:
IGUV =
IGUE =
RSU =
39
Esta ecuación en síntesis sirve para calcular los 2 índices de generación y estimar una posible
generación de RSU extrapolable a una comunidad. Para poder contrastar los resultados del
valor de estos indicadores (IGUE e IGUV), como opción, se puede tomar una muestra
aleatoria de la población del caso en estudio y aplicarles un experimento en el cual se
determina o estima diariamente durante un periódo de 30 ó más días la cantidad de RSU
generados. El método de experimentación más común de todos consiste en pesar sus RSU e ir
apuntando diariamente o cada “xs” días la cantidad generada o simplemente tomar estadísticas
anteriores de generación e introducirlas en la ecuación y contrastar con los datos actuales. Con
ello se puede ver si los resultados son similares y por lo tanto significativos, o por el contrario
no existiría relación del valor extrapolable de los índices con la realidad obtenida por el
muesteo.
Tomando en cuenta los datos de generación de RSU reportados desde un año base cualquiera,
valores obtenidos por el muestreo y los valores arrojados en la determinación de los índices de
generación, se puede ver si existe una diferencia significativa o en su defecto los datos
obtenidos se aproximan a la realidad. En el caso positivo, se puede tomar como válida la
ecuación para estimar la generación, ya que cumple con la hipótesis planteada en uno de los
objetivo del trabajo. En caso contrario, es decir si resulta que entre los índices de generación,
el resultado de la muestra y los datos reportados no existe homogeneidad o valores
demasiados dispersos, hay que reformular la ecuación, talvez incluir otras variables o
agrandar la muestra o en su defecto esta manera de obtener la cantidad generada no seria la
más apropiada para este caso, pero sí serviría de base para futuros modelos como se mencionó
antes.
Sin embargo, el presente estudio se basa en variables similares a las que la literatura entrega.
Los datos de estas variables fueron recopiladas en fuentes tales como el INE, ISTAC,
encuestas a la población y gestores de RSU, además del Cabildo de Gran Canaria y otras
fuentes oficiales.
Para realizar el contraste de la ecuación y obtener los índices de generación para la UV y la
UE y ver si es factible de aplicar esta formula, aún dependiendo de sus mismas propiedades,
debemos buscar que propiedad las componen, por ejemplo:
40
El IGUV está linealemente correlacionado o depende de subsistemas de variables tales como:
Habitantes19
, Nivel de Estudios, Renta Per Cápita o PIB Per Cápita, Cuota de Mercado
(hábitos de consumo) y en ocaciones de la Cantidad deTuristas y Cantidad de Viviendas.
El IGUE va a depender de subsistemas de variables tales como: Producción Bruta, Índice
Industrial, Indice Comercial, Personal Empleado, Índice de Actividad Económica y Cantidad
de Empresas.
Para nuestro estudio solo tomaremos algunas de las variables más representativas a nivel
operativo y teórico para estimar cada índice (según la definición de modelo). Una vez
seleccionadas, podremos incluirlas en la ecuación y así obtener el resultado para cada índice y
ver si existe alguna relación entre lo que los datos nos aportaron sobre la cantidad generada de
RSU en un periódo y el valor de los parámetros obtenidos por la ecuación. Con ello podremos
o no extrapolar la fórmula algebraíca a otros estudios de caso o poblaciones.
19 Se ha tomado un valor estimado de 4 habitntes por vivienda.
41
Desarrollo y estimación del posible modelo de regresión
Las variables para estimar los modelos aplicados en esta tésis, se puede describir y abreviar de
la siguente manera:
a) Variable dependiente:
b) Variables independientes:
Hab
RentPerc
Iaecon
CantTur
Itur
Icom
Cuotmer
Iindust
Nivemp
SEst
Neduc1
Neduc2
Neduc3
Uecon
Uviv
42
Los postulados de la forma funcional del modelo son los siguentes:
a) Primera ecuación utilizando todas las variables
P (GRSU=1) = f ( 0 + 1*Hab + 2*RenPerc + 3*Iaecon + 4*CantTur + 5*Icom
+ 7*Coutmer + 8*Iindust + 9*Nivemp + 10*Sestud + 11*Neduc1 + 12*Neduc2
+ 13*Neduc3 + 14*Uecon + 15*Uviv) + μj
b) Nueva específicación de variables:
P (GRSU=1) = f ( 0 + 1*Hab + 2*RenPerc + 3*Iaecon + 4*Canttur + 5*Icom
+ 7*Coutmer + 8*Iindust + 9*Nivemp + 10*Sestud + 11*Gradeduc
+ 14*Uecon + 15*Uviv) + μj
La definición operativa de estas variables es como sigue:
o Generación de Residuos Sólidos Urbanos = Cantidad de residuos sólidos urbanos
generados en una comunidad en un periódo determinado, generalmente esta se mide
en kg/hab*día, mes, o año.
o Habitantes: Incluye a cada uno de los habitantes de una comunidad, no exceptuando
edades ni estados.
o Renta Per Cápita: Utilizamos la media percápita de cada uno de los municipios de la
isla.
o Índice de actividad económica: Índice de participación de la actividad económica de
cada municipio.
o Índice de turismo: Índice de la importancia del turismo de cada municipio.
o Cantidad de turistas: Cantidad estabilizada de turístas por municipios en un año.
o Índice comercial: Índice comparativo de la actividad comercial referida a un periódo.
o Cuota de mercado: Capacidad de compra o de consumo que tiene cada municipio.
o Índice industríal: Índice sobre datos de la importancia de las industrias en cada
municipio
o Nivel de empleo: Cantidad de personas por municipio laborando actualmente o en el
periódo.
43
Hab GRSU PIBPcM Iaecon Itur CantTur Icom Cuotmer Iind Nivemp SEst Neduc1 Neduc2 Neduc3 Uecon Uviv
5.809 3.428 11.510 3 4 99 4 10 5 2.953 241 1.644 1.167 874 352 1.714
29.431 17.853 12.742 56 4 31 112 64 56 16.808 795 10.536 4.827 3.414 3.590 6.788
1.324 436 9.431 1 0 24 1 2 0 779 127 466 64 93 45 549
36.745 13.906 13.327 23 3 23 1 71 16 18.582 919 11.464 7.900 8.157 2.525 10.136
7.564 3.923 12.797 4 0 6 4 14 6 3.861 212 1.967 1.309 1.384 432 2.095
24.473 8.152 11.503 17 3 25 39 53 12 12.442 1.028 6.999 4.968 3.720 1.912 6.486
29.640 15.121 11.618 31 4 6 45 65 21 16.927 800 10.611 4.861 3.438 2.376 7.116
37.725 24.945 14.171 44 829 19.178 53 58 8 21.933 679 8.897 4.256 3.735 3.154 4.729
8.098 3.752 11.422 4 0 34 6 17 3 4.117 340 2.316 1.644 1.231 586 2.587
383.303 218.391 14.576 796 721 4.123 1323 820 447 196.021 7.283 111.924 90.460 95.442 39.388 113.384
106.708 88.644 14.453 203 2910 57.107 167 157 134 54.250 1.599 20.942 10.018 8.793 8.894 12.384
8.462 5.017 9.574 4 2 31 10 19 2 4.982 888 3.268 448 655 724 2.373
19.135 10.018 16.080 13 7 96 15 35 4 9.677 478 5.970 4.114 4.248 1.104 5.472
64.845 37.801 11.993 52 44 227 100 128 40 37.033 1.751 23.215 10.635 7.522 4.939 14.843
14.200 5.521 12.158 9 1 7 16 31 5 7.219 596 4.061 2.883 2.158 954 4.494
2.282 714 10.529 1 1 43 1 4 1 1.343 220 808 111 162 135 867
100.900 56.139 12.331 131 11 34 249 204 130 51.025 2.523 31.481 21.694 22.400 7.906 26.377
12.944 5.047 12.407 7 0 28 14 26 6 6.608 362 3.365 2.239 2.369 1.008 4.002
9.099 7.789 12.664 4 0 11 6 20 3 4.645 255 2.366 1.574 1.665 575 2.557
4.030 1.522 10.729 1 0 27 3 8 1 2.057 110 1.023 681 720 235 1.401
7.699 4.388 11.488 4 2 38 7 18 3 3.930 216 2.002 1.332 1.409 631 2.424
o Sin Estudios: Cantidad de personas analfabetas por municpio.
o Niveles de educación: cantidad de personas que han cursado el grado 1, bachiller o
secundario, grado formación superior y universitarios.
o Unidades económicas: Cantidad de empresas por municipios que producen bienes de
consumo y servicios.
o Unidades de viviendas: Cantidad de viviendas de uso principal en cada municipio.
Especificación del modelo
Con todo esto se puede dar inicio a la primera aproximación del modelo. Para encontrar el
mejor modelo ajustado, se utilizan dos de los tres métodos generalmente utilizados para
desarrollar modelos econométricos más óptimos20
. Estos método se llaman Método Backward
y Método Stepwise.
Primeramente se intenta generar un modelo incluyendo todas las variables que estén en la
tabla original. A modo de información, esta primera aproximación sirve de guía para saber
qué se necesita para que el modelo tenga una forma funcional adecuada. Una vez generado
este modelo inicial, se explican los pasos que se debe seguir para su ajuste.
Variables originales del modelo aplicado en esta tésis.
20 Método Foreward, Método Backward, Método Stepwise.
44
Como se ve, la tabla original contiene las 16 variables independientes, incluída la variable
dependiente GRSU. Como se sabe, un modelo debe ser lo más sencillo posible y como
mencionado anteriormente, un modelo que incluya muchas variables no es apropiado. Pero
como es la primera aproximación y se desea saber cuáles de las 16 variables son relevantes, se
empieza por generar una matríz de correlaciones y, como mencionado anteriormente, luego se
da paso a agrupar variables que se cree explican lo el modelo de manera apropiada. El SPSS
entrega una matríz de correlaciones (véase también ¡Error! No se encuentra el origen de la
referencia.) con 3 datos de importancia, el nivel de correlación, la significancia y la cantidad
de datos, la cual se presenta en el anexo A.
Matríz de correlaciones
Salida del 1º modelo de regresión por método MCO
GRSU CANTTUR CUOTMER HAB IAECON ICOM IIND ITUR NEDUC1 NEDUC2 NEDUC3 NIVEMP PIBPCM SEST UECON UVIV
GRSU 1.000.000 0.346269 0.976378 0.991040 0.984760 0.961405 0.986750 0.498760 0.973047 0.956282 0.949649 0.990722 0.474179 0.965358 0.983550 0.954210
CANTTUR 0.346269 1.000.000 0.141941 0.226966 0.228832 0.103120 0.238211 0.984077 0.129678 0.068911 0.056423 0.226748 0.404536 0.129663 0.190350 0.059468
CUOTMER 0.976378 0.141941 1.000.000 0.995996 0.989510 0.992701 0.985774 0.305839 0.998022 0.996106 0.992306 0.995613 0.414445 0.990419 0.997128 0.995737
HAB 0.991040 0.226966 0.995996 1.000.000 0.991300 0.983455 0.990360 0.386269 0.994060 0.985587 0.980437 0.999659 0.448054 0.987066 0.996371 0.984263
IAECON 0.984760 0.228832 0.989510 0.991300 1.000.000 0.990633 0.990015 0.391905 0.980735 0.981703 0.979918 0.989679 0.422099 0.968250 0.996854 0.980903
ICOM 0.961405 0.103120 0.992701 0.983455 0.990633 1.000.000 0.981183 0.269973 0.986261 0.993599 0.992796 0.982390 0.375191 0.974848 0.993631 0.993723
IIND 0.986750 0.238211 0.985774 0.990360 0.990015 0.981183 1.000.000 0.398056 0.981291 0.974722 0.971196 0.988283 0.414752 0.974499 0.989267 0.973009
ITUR 0.498760 0.984077 0.305839 0.386269 0.391905 0.269973 0.398056 1.000.000 0.291775 0.235406 0.223374 0.385337 0.445521 0.289304 0.353444 0.226996
NEDUC1 0.973047 0.129678 0.998022 0.994060 0.980735 0.986261 0.981291 0.291775 1.000.000 0.993018 0.987395 0.994734 0.415641 0.993741 0.992325 0.992796
NEDUC2 0.956282 0.068911 0.996106 0.985587 0.981703 0.993599 0.974722 0.235406 0.993018 1.000.000 0.998915 0.984325 0.396760 0.983723 0.990309 0.999701
NEDUC3 0.949649 0.056423 0.992306 0.980437 0.979918 0.992796 0.971196 0.223374 0.987395 0.998915 1.000.000 0.978323 0.390768 0.977234 0.986807 0.998446
NIVEMP 0.990722 0.226748 0.995613 0.999659 0.989679 0.982390 0.988283 0.385337 0.994734 0.984325 0.978323 1.000.000 0.448329 0.987518 0.995927 0.983191
PIBPCM 0.474179 0.404536 0.414445 0.448054 0.422099 0.375191 0.414752 0.445521 0.415641 0.396760 0.390768 0.448329 1.000.000 0.381441 0.423778 0.387114
SEST 0.965358 0.129663 0.990419 0.987066 0.968250 0.974848 0.974499 0.289304 0.993741 0.983723 0.977234 0.987518 0.381441 1.000.000 0.982073 0.983812
UECON 0.983550 0.190350 0.997128 0.996371 0.996854 0.993631 0.989267 0.353444 0.992325 0.990309 0.986807 0.995927 0.423778 0.982073 1.000.000 0.989819
UVIV 0.954210 0.059468 0.995737 0.984263 0.980903 0.993723 0.973009 0.226996 0.992796 0.999701 0.998446 0.983191 0.387114 0.983812 0.989819 1.000.000
Variable Coefficient Std. Error t-Statistic Prob.
CANTTUR -8.589.319 2.613.825 -3.286.111 0.0218
CUOTMER 7.686.326 3.368.302 2.281.959 0.0714
HAB -6.670.659 3.034.743 -2.198.097 0.0793
IAECON -7.401.534 3.153.708 -2.346.931 0.0658
ICOM 1.262.519 5.833.844 2.164.129 0.0828
IIND 4.492.431 2.053.505 2.187.689 0.0803
ITUR 2.537.610 8.054.641 3.150.495 0.0254
NEDUC1 1.489.545 2.349.882 0.633881 0.5540
NEDUC2 2.183.441 2.492.749 0.875917 0.4212
NEDUC3 4.967.486 1.503.177 3.304.659 0.0214
NIVEMP 7.946.238 3.936.910 2.018.395 0.0996
PIBPCM 0.842343 0.333451 2.526.137 0.0528
SEST 2.020.888 4.117.012 0.490863 0.6443
UECON -2.951.537 2.826.835 -1.044.114 0.3443
UVIV -0.710629 1.850.277 -0.384066 0.7167
C -7.369.999 3.772.682 -1.953.517 0.1082
R-squared 0.999861 25357.48
Adjusted R-squared 0.999442 49175.68
S.E. of regression 1.161.370 1.704.131
Sum squared resid 6743899. 1.783.714
Log likelihood -1.629.338 2.390.220
Durbin-Watson stat 1.817.510 0.000000
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Dependent Variable: GRSU
Method: Least Squares
Date: 04/26/07 Time: 01:32
Sample: 1 21
Included observations: 21
Mean dependent var
45
Viendo la matríz de correlaciones se puede apreciar a simple vista que las variables
CANTTUR, ITUR, PIBPCM no tienen una correlación lineal según lo esperado y de acuerdo
a lo que la teoría económica dice al respecto en relación con la variable dependiente GRSU.
Aplicando una posible regresión por el método de MCO , se obtiene la salida del 1º modelo.
A continuación, se lo explica y hace inferencia sobre sus componentes.Mirando esta salida
con todas las variables originales, se puede apreciar que existe un R2 significativo al 99% y
que solo 4 variables presentan una probabilidad significativa entre el 5%. Lo difícil de aceptar
es que aunque las variables arriba mencionadas CANTTUR, ITUR, PIBPCP, no presentaban
correlación con la variable dependiente en la matríz de correlaciones, esto parece decir lo
contrario, es decir, un R2 alto. El valor DURBIN-WATSON es de < 2, y aunque se aproxima a 2,
nos esta diciendo que este modelo pudiera presentar problemas de autocorrelación. El F-
statistic es bajo o casi nulo, lo cual significa que se acepta que todos los estimadores en
conjunto son iguales a cero excepto el término constante y que se está cumpliendo uno de los
supuestos del modelo de regresión visto. Haciendo los test pertinentes (test de WHITE), los
resultados dicen que el modelo presenta problemas de heterocedasticidad y multicolinealidad,
además posiblemente presente autocorrelación positiva. Eso se ve en la gráfica de normalidad
donde el estadístico de prueba de JARQUE- BERA es 3.2505 (<5.99), con una probabilidad
asociada del 19% mayor al 5%. Eso significa que los RSU se distribuyen normalmente, por
ende se puede aceptar la Ho. Se sabe que el análisis de los RSU contiene evidencia útil sobre
el modelo si las hipótesis realizadas en su especificación son correctas. Por lo tanto, con todo
esto y por el hecho de ser demasiadas las variables y dejar pocos grados de libertad, se
demuestra que el modelo no es consistente con la teoría conocida (un modelo que incluya
muchas variables no es el más adecuado). Así se puede decir que el modelo inicial presenta
mala especificación en su diseño y formulación y no es necesario hacer más inferencia sobre
él. En cambio, lo que se debe hacer es corregir y reformular el modelo inicial. Para ello, se
propone los siguientes pasos:
1.) Agrupar algunas variables por motivo de que explican lo mismo y darle otro nombre.
2.) Dejar mayor grado de libertad, sabiendo que en la literatura se recomienda como mínimo
entre [10-15].
3.) Eliminar según la matríz de correlación las variables que no correlacionan con la GRSU.
4.) Estandarizar las variables. Como todas están medidas en diferentes magnitudes, hay que
estandarizar los coeficientes obtenidos en la regresión.
5.) Hacer los contrastes respectivos y medidas de bondad del modelo.
46
Antes que nada se puede reagrupar las variables que expresan niveles de estudios en una sola,
la cual se llamará “grado de educación“, expresada como “Gradeduc”. Esta variable recogerá
la media de los tres grupos que se observan en la tabla. Además, se elimina la variable “índice
de turismo” y se deja solamente la variable “cantidad de turistas” (CANTTUR), ya que ésta
expresa en la misma y en mejor magnitud (es decir, unidad de medida) a esta variable. Como
último, la variable “índice comercial” está de más, ya que según su definición textual esta
inserta dentro de lo que se conoce como “índice actividad económica representativo de cada
municipio”.
Con todo esto se puede ver que los grados de libertad del modelo están más desahogados. Con
21 observaciones menos 11 variables se tiene 10 grados de libertad, los cuales son los justos
para empezar a especificar el modelo. La estandarización de los coeficientes obtenidos se hará
al final, una vez que se haya logrado un modelo más ajustado.
Tabla de variables corregidas
GRSU Hab PIBPcM Iaecon CantTur Cuotmer Iind Nivemp Promest Uecon Uviv
3.428 5.809 11.510 3 99 10 5 2.953 945 352 1.714
17.853 29.431 12.742 56 31 64 56 16.808 5.727 3.590 6.788
436 1.324 9.431 1 24 2 0 779 793 45 549
13.906 36.745 13.327 23 23 71 16 18.582 8.939 2.525 10.136
3.923 7.564 12.797 4 6 14 6 3.861 2.221 432 2.095
8.152 24.473 11.503 17 25 53 12 12.442 10.760 1.912 6.486
15.121 29.640 11.618 31 6 65 21 16.927 3.970 2.376 7.116
24.945 37.725 14.171 44 19.178 58 8 21.933 23.593 3.154 4.729
3.752 8.098 11.422 4 34 17 3 4.117 3.611 586 2.587
218.391 383.303 14.576 796 4.123 820 447 196.021 62.787 39.388 113.384
88.644 106.708 14.453 203 57.107 157 134 54.250 7.959 8.894 12.384
5.017 8.462 9.574 4 31 19 2 4.982 2.458 724 2.373
10.018 19.135 16.080 13 96 35 4 9.677 5.066 1.104 5.472
37.801 64.845 11.993 52 227 128 40 37.033 6.271 4.939 14.843
5.521 14.200 12.158 9 7 31 5 7.219 6.835 954 4.494
714 2.282 10.529 1 43 4 1 1.343 655 135 867
56.139 100.900 12.331 131 34 204 130 51.025 15.463 7.906 26.377
5.047 12.944 12.407 7 28 26 6 6.608 1.692 1.008 4.002
7.789 9.099 12.664 4 11 20 3 4.645 2.295 575 2.557
1.522 4.030 10.729 1 27 8 1 2.057 467 235 1.401
4.388 7.699 11.488 4 38 18 3 3.930 3.645 631 2.424
47
La nueva especificación de la ecuación reagrupando algunas variables es como sigue:
P (GRSU=1) = f ( 0 + 1*Hab + 2*PibPcM + 3*Iaecon + 4*CantTur + 7*Coutmer +
8*Iind+ 9*Nivemp + 11*Promest + 14*Uecon + 15*Uviv) + μj
De esto sale la siguente matríz de correlaciones con las 11 variables reagrupadas.
Matríz 2 de correlaciones
Se ve que existen 2 variables que no correlacionan muy bien con la GRSU, estas son
CANTUR y PIBPCP.
GRSU CANTTUR CUOTMER HAB IAECON IIND NIVEMP PIBPCM PROMEST UECON UVIV
GRSU 1.000.000 0.346269 0.976378 0.991040 0.984760 0.986750 0.990722 0.474179 0.907843 0.983550 0.954210
CANTTUR 0.346269 1.000.000 0.141941 0.226966 0.228832 0.238211 0.226748 0.404536 0.138607 0.190350 0.059468
CUOTMER 0.976378 0.141941 1.000.000 0.995996 0.989510 0.985774 0.995613 0.414445 0.941572 0.997128 0.995737
HAB 0.991040 0.226966 0.995996 1.000.000 0.991300 0.990360 0.999659 0.448054 0.936343 0.996371 0.984263
IAECON 0.984760 0.228832 0.989510 0.991300 1.000.000 0.990015 0.989679 0.422099 0.928987 0.996854 0.980903
IIND 0.986750 0.238211 0.985774 0.990360 0.990015 1.000.000 0.988283 0.414752 0.904648 0.989267 0.973009
NIVEMP 0.990722 0.226748 0.995613 0.999659 0.989679 0.988283 1.000.000 0.448329 0.937691 0.995927 0.983191
PIBPCM 0.474179 0.404536 0.414445 0.448054 0.422099 0.414752 0.448329 1.000.000 0.474529 0.423778 0.387114
PROMEST 0.907843 0.138607 0.941572 0.936343 0.928987 0.904648 0.937691 0.474529 1.000.000 0.941122 0.939682
UECON 0.983550 0.190350 0.997128 0.996371 0.996854 0.989267 0.995927 0.423778 0.941122 1.000.000 0.989819
UVIV 0.954210 0.059468 0.995737 0.984263 0.980903 0.973009 0.983191 0.387114 0.939682 0.989819 1.000.000
48
Modelo final ajustado: Validación del modelo de regresión
Para este modelo , se han eliminado las variables IAECON y NIVEMP, la segunda por ser
considerada de poca significancia (variable confusora), entregando no suficiente información
al modelo. La eliminación de la variable IAECON (índice de actividad económica) es debido
a que se piensa que puede ser una subvariable de las UECON (unidades económicas), ya que
tienen una fuerte correlación lineal y se puede pensar que podría generar la multicolinealidad.
En la salidas resultan una vez eliminadas las variables que menor significancia entregaban en
relación a la variable dependiente. A continuación, se ve la tabla con las variables finales que
se utilizarán para la estimación, seguida por la matríz de correlaciones y el gráfico de
variables independientes en relación a GRSU.
Tabla de variables corregidas (modelo final)
Municipios GRSU Hab Promest Uecon Uviv
Agaete 3.428 5.809 945 352 1.714
Agüimes 17.853 29.431 5.727 3.590 6.788
Artenara 436 1.324 793 45 549
Arucas 13.906 36.745 8.939 2.525 10.136
Firgas 3.923 7.564 2.221 432 2.095
Gáldar 8.152 24.473 10.760 1.912 6.486
Ingenio 15.121 29.640 3.970 2.376 7.116
Mogán 24.945 37.725 23.593 3.154 4.729
Moya 3.752 8.098 3.611 586 2.587
Las Palmas 218.391 383.303 62.787 39.388 113.384
San Bartolomé de Tirajana 88.644 106.708 7.959 8.894 12.384
La Aldea de S. Nicolas 5.017 8.462 2.458 724 2.373
Santa Brigida 10.018 19.135 5.066 1.104 5.472
Santa Lucia de Tirajana 37.801 64.845 6.271 4.939 14.843
Santa Maria de Guia 5.521 14.200 6.835 954 4.494
Tejeda 714 2.282 655 135 867
Telde 56.139 100.900 15.463 7.906 26.377
Teror 5.047 12.944 1.692 1.008 4.002
Valsequillo 7.789 9.099 2.295 575 2.557
Valleseco 1.522 4.030 467 235 1.401
Vega de San Mateo 4.388 7.699 3.645 631 2.424
49
Matríz de correlaciones
GRSU HAB PROMEST UECON UVIV
GRSU 1.000000 0.991040 0.907843 0.983550 0.954210
HAB 0.991040 1.000000 0.936343 0.996371 0.984263
PROMEST 0.907843 0.936343 1.000000 0.941122 0.939682
UECON 0.983550 0.996371 0.941122 1.000000 0.989819
UVIV 0.954210 0.984263 0.939682 0.989819 1.000000
Se ve que existe una fuerte correlación lineal entre las variables independientes y la variable
dependiente.
Gráfico de varibles independientes en relación a GRSU (modelo final).
Los gráficos corroboran la correlación entre las variables. Si se dibujase una línea de
tendencia, se vería más aún su dependencia.
A continuación, se ve la sálida final del modelo ajustado con las pruebas y/o contrastes
estadísticos correspondientes.
0
100000
200000
300000
400000
0 50000 100000 200000
GRSU
HA
B
0
10000
20000
30000
40000
50000
60000
70000
0 50000 100000 200000
GRSU
PR
OM
ES
T
0
10000
20000
30000
40000
0 50000 100000 200000
GRSU
UE
CO
N
0
20000
40000
60000
80000
100000
120000
0 50000 100000 200000
GRSU
UV
IV
50
Salida del modelo de regresión por método MCO.
Dependent Variable: GRSU
Method: Least Squares
Date: 04/26/07 Time: 02:05
Sample: 1 21
Included observations: 21
Variable Coefficient Std. Error t-Statistic Prob.
HAB 0.763623 0.066941 11.40735 0.0000
PROMEST -0.301325 0.103100 -2.922649 0.0100
UECON 3.231921 0.822007 3.931742 0.0012
UVIV -1.615429 0.139850 -11.55112 0.0000
C 3.022979 685.2062 0.004412 0.9965
R-squared 0.998546 Mean dependent var 25357.48
Adjusted R-squared 0.998182 S.D. dependent var 49175.68
S.E. of regression 2096.785 Akaike info criterion 18.33845
Sum squared resid 70344110 Schwarz criterion 18.58715
Log likelihood -187.5538 F-statistic 2746.192
Durbin-Watson stat 2.282722 Prob(F-statistic) 0.000000
Análisis preliminar de los Signos
Observando la sálida del quinto y último modelo se puede comprobar que la estimación se ha
realizado con solo 5 variables explicativas. Para esto, se cuenta con 16 grados de libertad.
El primer análisis se hará sobre los signos de las variables. La idea es analizar si estos signos
de los parámetros asociados a cada variable poseen una relación directa o inversa entre las
explicativas y la dependiente. Eso es, serán correctos o no según los conocimientos teóricos
que se tiene sobre el suceso a lo largo del transcurso de la especificación del modelo.
Analizando la columna Prob, se observa que todas las variables son significativas al 5%, esto
quiere decir que todas y cada una de ellas tienen fuerte poder de explicación sobre la variable
dependiente, tanto individualmente como conjuntamente. S ve que el F-Statictic es casi nulo y
51
por ende existe un alta probabilidad que las variables en conjunto expliquen favorablememnte
al modelo. Además se observa un estadístico DURBIN-WATSON superior a 2, lo cual establece
que el modelo no presenta autocorrelación. Sin embargo, esto no limita a que pueda presentar
heterocedasticidad y multicolinealidad. De todos modos, se harán las pruebas o contrastes
estadísticos pertinentes.
Los parámetros ofrecidos por la salida del E-Views de la columna coefficient no permiten
conocer con exactitud la importancia relativa de cada variable. Con ello, no se pude decir qué
coeficientes mayores identifiquen a variables de mayor importancia y viceversa. Esto se
produce por usar variables medidas en diferentes escalas. Así, cuando se usan variables
explicativas medidas en escalas distintas, los parámetros toman inevitablemente tamaños
distintos. Esto lleva a transformar los coeficientes inicialmente obtenidos y transformarlos a
coeficientes estandarizados. Para ello se debe primeramente obtener el cálculo de las
desviaciones típicas de las variables independientes y de la dependiente. Su expresión de
cálculo es la siguiente:
j*= j , dónde j* representa un parámetro estandarizado. j es el valor no
estandarizado de ese mismo parámetro. DT( ) y DT( ) son las desviaciones típicas de la
variable exógena cuyo parámetro se está estandarizando y de la variable dependiente.
Vista estadística de las variables del modelo final. : Estadística modelo final.
GRSU HAB PROMEST UECON UVIV
Mean 25357.48 43543.62 8.388.032 3.879.286 11084.67
Median 7.789.000 14200.00 3.970.146 1.008.000 4.494.000
Maximum 218391.0 383303.0 62786.81 39388.00 113384.0
Minimum 4.360.000 1.324.000 4.670.350 4.500.000 5.490.000
Std. Dev. 49175.68 83403.31 13651.44 8.500.089 24197.32
Skewness 3.167.501 3.453.616 3.256.629 3.712.466 3.853.718
Kurtosis 1.264.139 1.450.966 1.335.466 1.601.308 1.679.194
Jarque-Bera 1.164.526 1.576.594 1.309.363 1.964.111 2.184.193
Probability 0.000000 0.000000 0.000000 0.000000 0.000000
Sum 532507.0 914416.0 176148.7 81465.00 232778.0
Sum Sq. Dev. 4.84E+10 1.39E+11 3.73E+09 1.45E+09 1.17E+10
Observations 21 21 21 21 21
Utilizando el valor de la desviación típica, se puede calcular el valor de los parámetros
estandarizados mediante las siguentes formulas:
52
Hab* = Hab = 0.763623 = 1.295125
Promest* = Promest = - 0.301325 = - 0.083650
Uecon* = Uecon = 3.231921 = 0.558642
Uviv* = Uviv = - 1.615420 = - 0.794881
Resúmen de las 4 variables independientes del modelo final, juntos con sus coeficientes no
estandarizados y estandarizados respectivamente.
Variables y coeficientes del modelo final.
Variables
Coeficientes no
Estandarizados o
coeficientes beta
Coeficientes
Estandarizados
Hab
Promest
Uecon
Uviv
0.763623
- 0.301325
3.231921
- 1.615429
1.295125
- 0.083650
0.558642
- 0.794881
Se aprecia que no hay mucha diferencia entre los coeficientes antes y después de la
estandarización. Sin embargo, en las unidades económicas existe una diferencia significativa.
Pero esta afecta de nínguna manera a la estimación del modelo.
Gráficos de análisis de errores para detectar autocorrelaciones
-4000
-2000
0
2000
4000 0
50000
100000
150000
200000
250000
2 4 6 8 10 12 14 16 18 20
Residual Actual Fitted
-4000
-3000
-2000
-1000
0
1000
2000
3000
4000
2 4 6 8 10 12 14 16 18 20
GRSU Residuals
53
Analizando los RSU para detectar autocorrelación y heterocedasticidad
El eje de ordenadas de la izquierda representa los valores de los RSU y el eje de ordenadas de
la derecha representa los valores de la variable dependiente observados y estimados. Sobre
ellos se ven los valores de la variable endógena o dependiente observados y estimados que
coinciden lo más posible y junto a las bandas 2S. En la parte inferior, se observa el gráfico de
corrobora que el modelo no presenta autocorrelación.
Análisis de las observaciones de RSU para detectar autocorrelación y heterocedasticidad.
Analizando los RSU para detectar autocorrelación y heterocedasticidad ,se aprecia que existen
varios observaciones de RSU distintos de cero, pero no se exceden mucho de las bandas 2S, lo
cual no genera muchos problemas.
Analizando el correlograma para detectar posible heterocedasticidad condicional.
Correlograma de los RSU (modelo final)
54
Como se ve en la columna Prob, no se observan coeficientes significativos en los retardos, es
decir < 5%. Eso significa que el modelo final no presenta heterocedasticidad condicional.
En la tabla se ve los resultados del test de WHITE para detectar heterocedasticidad en los
datos de RSU.
Test de heterocedasticidad (modelo final).
F-statistic 1.528394 Probability 0.244764
Obs*R-squared 10.59845 Probability 0.225506
Nuevamente se ve que los p-valores de F y de los términos cruzados son mayores al 5%. Esto
lleva aceptar que el modelo final no presenta heterocedasticidad. Las siguientes figuras
representan la comprobación gráfica de la ausencia de heterocedasticidad.
Gráfico de varibles independientes en relación a GRSU (modelo final).
Se ve a simple vista que todos los gráficos que presentan una estructura aleatoria en sus
puntos lo que está indicando la ausencia de heterocedasticidad y de linealidad.
Si el modelo presentase problemas de heterocedasticidad, se tendría que corregir la regresión
entre el logarítmo de la variable dependiente y las independientes, estimandóse primero la
matríz de varianza y covarianza para luego insertar la ecuación nuevamente y generar otra
salida, o en su defecto realizar la estimación por medio de mínimos cuadrados generalizados
0
40000
80000
120000
160000
200000
240000
-4000 -2000 0 2000 4000
RESID
GR
SU
0
100000
200000
300000
400000
-4000 -2000 0 2000 4000
RESID
HA
B
0
10000
20000
30000
40000
50000
60000
70000
-4000 -2000 0 2000 4000
RESID
PR
OM
ES
T
0
10000
20000
30000
40000
-4000 -2000 0 2000 4000
RESID
UE
CO
N
0
20000
40000
60000
80000
100000
120000
-4000 -2000 0 2000 4000
RESID
UV
IV
55
(MCG) o suprimir las variables que estén causando la heterocedasticidad. Generando gráficos
de RSU contra variables, se puede detectar presencia hetereocedasticidad a través de los
contrastes de WHITE o GOLDFEN-QUAND. A continuación se encuentra una vista extraída de la
matríz de Varianza-Covarianza con los valores asociados a la diagonal que representa la
varianza de cada regresor y la covarianza representada por los valores que están fuera de la
diagonal.
Matríz de Varianza-Covarianza (modelo final).
GRSU HAB PROMEST UECON UVIV
GRSU 2.30E+09 3.87E+09 5.80E+08 3.92E+08 1.08E+09
HAB 3.87E+09 6.62E+09 1.02E+09 6.73E+08 1.89E+09
PROMEST 5.80E+08 1.02E+09 1.77E+08 1.04E+08 2.96E+08
UECON 3.92E+08 6.73E+08 1.04E+08 68810964 1.94E+08
UVIV 1.08E+09 1.89E+09 2.96E+08 1.94E+08 5.58E+08
Mediciones del error o normalidad en los RSU.
0
2
4
6
8
10
12
14
-4000 -2000 0 2000 4000
Series: Residuals
Sample 1 21
Observations 21
Mean -4.14e-12
Median 689.2322
Maximum 3801.481
Minimum -3535.678
Std. Dev. 1875.421
Skewness -0.425762
Kurtosis 2.722452
Jarque-Bera 0.701861
Probability 0.704033
Se ve que el estadístico JARQUE-BERA es signicativo con un 70%. Esto indica que los errores
se distribuyen normalmente. Otra manera de contrastar es ver si el valor (aquí 0,70) es menor
al valor que por defecto se utiliza asociado al JARQUE-BERA (5.99), por lo que no se estaría
rechazando la hipótesis nula de normalidad. Además existe un 70% de alta probabilidad
56
(>5%) de no rechazar la Ho. El valor de la kurtosis tiende a tres y el coeficiente de asimetría
tiende a cero, lo cual también da indicios de normalidad.
Como paso final hay que controlar la presencia de multicolinealidad e intentar, si la hay, hacer
las correcciones pertinentes, porque se sabe que en datos de corte transversal es común que
aparezca. Con el software E-Views, se puede analizar la multicolinealidad.
Para el análisis de la multicolinealidad, hay que seguir varios pasos. Primeramente hay que
generar una ecuación utilizando solo las variables independientes entre si. Puede ser una con
una o una con varias. En el caso de este estudio, se hizo una contra una. Es decir, por ejemplo:
HAB con PROMEST, UECON con UVIV, etc.Los resultados de la estimación arrojó varios
modelos, los cuales mostraron un R2 alto y las pruebas F y t muy significativas. Eso significa
que la regresión estaba muy ajustada y probablemente con problemas de multicolinealidad
entre las variables independientes. Para detectarla y ver el grado de multicolinealidad, se
calculará en primer lugar el Número de Condición (NC) que es una medida muy aceptada en
estos casos. Este número por lo general se considera problematico si es > 30. Otra manera de
detectarla es calculando el Factor Inflación de la Varianza (FIV) y el Índice de Tolerancia
(IT). Así se ve qué variables y en qué grado están inmersas en el problema de colinealidad.
Para calcular el NC, se ingresa en E-views la siguiente secuencia de datos para luego obtener
los valores propios y realizar el cálculo del NC.
group grp 1 hab promest uecon uviv
sym xx=@inner(grp)
sym m=@sqr(xx)
vector a=@getmaindiagonal(m)
sym b=@makediagonal(a)
sym s=@inverse(b)
sym xxn=s*xx*s
vector vp=@eigenvalues(xxn)
57
Visualisando vp, se observa el máximo y mínimo valor propio, dónde el NC vendrá dado por :
NC = ( VP max / VP min)1/2
Los valores propios obtenidos en cada variable de este estudio son los siguentes:
R1 0.002275
R2 0.013451
R3 0.062467
R4 0.743268
R5 4.178539
Reemplazando en formula :
NC = ( VP max / VP min)^1/2
NC = (4.178539/0.002275) ^1/2
NC =(1836.7204) ^1/2
NC = 42.8569 (regla: NC > 30 = problema)
Se ve que existe una multicolinealidad elevada (> 30) en las variables independientes. Pero se
aconseja en este caso despreciar la multicolinealidad en el modelo, ya que las variables
poseen gran capacidad a la hora de explicar a la variable dependiente con una significancia
individual y conjunta muy buena. Según el F casi nulo, la bondad de ajuste del modelo es de
un R2 = 99%.
En la siguiente tabla se ve los resultados FIV e IT, obtenidos haciendo la regresión entre las
variables independientes con el fin de obtener dichos valores. Esa es otra manera efectiva de
detectar las variables culpables de la presencia de colinealidad.
Resultados Factor Inflación de la Varianza (FIV) y el Índice de Tolerancia (IT).
Regresor R2
Índice de
tolerancia
IT = 1-R2
Factor Inflación de
Varianza
FIV = 1/(1- R2)
Estadístico Durbin-
Watson Observaciones
HAB 0.99 0.01 100 2.2 Solo UECON
significativa al 5%
PROMEST 0.89 0.11 9.01 2.2 Nínguna sig.al 5%
58
UECON 0.99 0.01 100 1.8 Solo PROMEST no
significativa al 5%
UVIV 0.98 0.02 50 2.0 Solo UECON
significativa al 5%
Según los valores de los IT de este cuadro se tiene como variables candidatas a provocar
multicolinealidad HAB, UECON y UVIV, ya que están muy alejadas de la unidad
(se considera un IT cercano a 1.0) y sus FIV son todos mayores a 10 (se considera
problemático un FIV > 10).
La variable PROMEST no está inmersa en problemas de colinealidad por tener un IT
cercano a la unidad y un FIV < 10.
Se podría tratar de estimar nuevamente el modelo eliminando las variables que sobrepasan los
índices siempre y cuando sean suprimidas bajo justificaciones estadísticas y económicas o
sustituir las variables independientes por sus componentes principales más significativos en
puntuaciones.
Por tanto, reuniendo todos los antecedentes obtenidos en los contrastes realizados y
justificados teórica, estadística y económicamente y sabiendo que se eliminan del modelo
variables redundantes y se deja en stand by las variables confusoras, se puede presentar la
ecuación del modelo final:
Representación de la ecuación por E-Views:
LS GRSU HAB PROMEST UECON UVIV C
Estimación de la ecuación:
GRSU = C (1)*HAB + C (2)*PROMEST + C (3)*UECON + C (4)*UVIV + C (5)
Sustituyendo los coeficientes, se obtiene la ecuación final:
GRSU = 0.7636233137*HAB - 0.3013245428*PROMEST + 3.231920558*UECON -
1.615429083*UVIV + 3.022978519
Al igual que en los modelos anteriores se puede confirmar los contrastes utilizando otras
herramientas estadísticas. Visualizando un modelo en una salida de GRETL, las variables
presentan una gran similitud al igual que en el test de normalidad y en cuanto a la
heterocedasticidad y la autocorrelación.
59
Representción gráfica de normalidad en los datos de RSU del modelo final.
Contraste de normalidad de los RSU:
o Hipótesis nula: El error se distribuye normalmente
o Estadístico de contraste: Chi-cuadrado (2) = 0,958443 con valor p = 0,619265
Contraste de heterocedasticidad de WHITE:
o Hipótesis nula: No hay heterocedasticidad
o Estadístico de contraste: TR2 = 14,5168
o Con valor p = P (Chi-Square (14) > 14, 5168) = 0,411962
Detectando multicolinealidad en el modelo:
o Factores de inflación de varianza (VIF)
o Mínimo valor posible = 1.0
o Valores mayores que 10.0 pueden indicar un problema de colinealidad
(1) HAB 141,800
(8) PROMEST 9,011
(9) UECON 222,086
(10) UVIV 52,094
60
VIF (j) = 1/(1 - R (j)^2), donde R (j) es el coeficiente de correlación múltiple entre la
variable j y las demás variables independientes.
o Las propiedades de la matriz X'X son:
Norma-1 = 2,754703e+011
Determinante = 2,9224948e+036
Número de condición recíproca = 3,3967434e-011
Como conclusión de los modelos desarrollados se puede resaltar que aunque se haya
incorporado durante todo el proceso variables que para este caso de estudio se cree
significativas (caso variables confusoras) y por su significancia se debían de eliminar, no
quiere decir que ellas no son importantes para este caso de estudios. Se sabe que la variable
CUOTMER (= cuota de mercado) es un indicador muy importante sobre la capacidad de
consumo de cada municipio. Otro punto es la variable CANTUR (= cantidad de turistas). Esta
variable recoge generalmente la cantidad de turistas que se mueven por una region o ciudad.
Lógicamente, esta variable puede ser muy significativa para la generación de RSU si la zona
de estudio es un lugar de vacaciones o de turismo de sol y playa.
Otra variable que debería siempre ser considerada es la PIBPERC (= PIB per cápita) o
RENTPERC (= renta per cápita), ya que como la generación de RSU está teoricamente
relacionada con los hábitos de consumo, estos a su vez están relacionados con el ingreso que
percibe cada persona y sus preferencias a la hora de consumir. Igualmente, la variable
NIVEMP (= nivel de empleo) refleja generalmente a las unidades económicas, ya que se
puede deducir que la producción es proporcional a la cantidad de gente empleada por la
empresa. Factores de una misma relación en este caso englobando o formando relaciones con
las unidades económicas son la producción bruta, la cuota de mercado, el índice industrial, el
índice comercial, el producto interno bruto y el nivel per cápita.
A su vez, las variables como habitantes, nivel de estudios y renta per cápita, condicionan
generalmente los hábitos de consumo, siendo estos el principal generador de RSU. De esto se
puede afirmar con cierto grado de certeza que estas variables pertenecen a factores netamente
sociales.
En relación a la ecuación final obtenida, cabría hacer una exploración, esta vez en otra zona
de estudio, pero en función de los datos y condiciones de los lugares donde serán aplicados.
61
Habría que recopilar la información pertinente e intentar incorporar no solo las variables
netamente significativas sino también intentar con las variables que fueron consideradas
confusoras y que podrían de alguna manera tener mayor influencia y precisión en la
información que explique la generación de los RSU.
62
Conclusión
La generación de RSU es uno de los problemas mas abordados en el campo ambiental. Los
estudios destinados a conocer y poder estimar la generación son la base fundamental para
obtener información que permita de manera óptima poder planificar y gestionar los RSU.
En esta investigación se propusieron algunos modelos teóricos que los investigadores
generalmente aplican. Estos modelos toman como punto inicial los factores estructurales
compuestos por las variables socio-económicas y los factores institucionales compuesto por
variables de gestión interna de RSU de cada municipio, comunidad o país. En algunos
estudios se aplican modelos simples que relacionan la generación de RSU en función de las
viviendas y unidades económicas, sabiendo para tal efecto que cada una de las variables esta
compuesta a su vez por subvariables.
Uno de los punto principales de esta investigación a parte de conocer la situación actual de
los residuos en España y en particular en Gran Canaria, fue determinar las variables que
influyen en la generación de RSU en Gran Canaria como caso de estudio, separándolas en
variables socio-económicas y variables de gestión interna (estas últimas solo aportan
información cualitativa). Para identificar las variables estructurales de mayor peso, se revizó
un amplio espectro literario y se ratificó la información entrevistando a expertos en el tema.
En la misma linea, una limitación fue no poder contar con los datos actualizados de algunas
ciudades y municipios y por las entidades encargadas de las cifras estadísticas. Para
solucionar ello, se utilizó en gran parte datos proyectados obtenidos por el Gobierno de
Canarías en su Plan de Gestión Integral de Residuos y datos obtenidos in situ, como
cartografía, localización de la ubicación de contenedores, datos de viviendas y actividades
económicas entregados por los municipios y datos socio-económicos otorgados por
instituciones financieras.
Referente al modelo econométrico, la selección del conjunto de variables que se relacionan
directamente con la generación de RSU se realizó utilizando modelos econométricos (análisis
de regresión) con el método backward, es decir, ir eliminando las variables menos
significativas, no sin antes utilizar el método stepwise para comprobar en cada paso no solo la
significancia de los nuevos coeficientes sino también las variables incorporadas en los pasos
anteriores, con el fin de no eliminar rotundamente una variable que podría ser significativa en
pasos posteriores. Estas herramientas llegan desde una estimación teórica de la generación de
63
RSU hasta la generación de una expresión matemática como lo muestra la ecuación que
relaciona a la generación de RSU con las unidades de viviendas y las unidades económicas.
Con respecto específicmente a Gran Canaria y sus municipios se puede decir que la
interacción entre los municipios y los SIG no es la óptima, ya que en muchos casos los
primeros no manejan la información que instituciones como Ecoembes, Ecovidrio y otras si
disponen. Esto solo puede mejorar si se logra una sinergía total entre ambos.
El trabajo municipal en materia de residuos se dedica solo hoy en día a conocer la propia
realidad local, desconociendo antecedentes de otros municipios esto sinlugar a dudas
obstaculiza el buen desempeño de las autoridades en este campo , pués restringe la visisón y
las perspectivas de desarrollo al no posibilitar la cooperación y comparación de la realidad
entre un municipio y otro. Por otra parte la gestión y operación actual de los complejos
ambientales, las plantas de tranferencias como los puntos limpios son mejorables como por
ejemplo extender su cobertura a otros muchos municipios no limitando la derivación de los
residuos.
En la etapa de disposición final, los residuos que no se recuperan como la fracción resto,
convendría implementar mejoras. Específicamente en los dos vertederos de Gran Canaria ya
que tienen falencias en lo relativo a la impermeabilización del suelo , control de gases y están
al borde de colapsar.
Sin embargo queda abierta la posibilidad de ampliar la investigación a una tesis doctoral. De
este modo, las comunidades que cuenten con un Sistema de Gestión de RSU podrán ajustar él
o los modelos de gestión prestando mayor importancia a la necesidad de contar con mayor
cantidad de información estadística para desarrollar un correcto manejo de la gestión de RSU.
Según LAKATOS y CHALMERS (siglo XXI) „los programas de investigación científica no
tienen un final, son permanentes en el tiempo.“
A
Bibliografía
Acurio, Guido; Rossin, Arturo; Fernández Texeira, Paulo; Zepeda, Francisco (1998).
Diagnóstico de la situación del manejo de residuos sólidos municipales en América Latina y
el Caribe. Publicación conjunta del Banco Interamericano de Desarrollo y la Organización
Panamericana de la Salud. Serie ambiental nº 18. http/:www.cepis.org.pe
Alonzo Marrufo, Emma Rosa (2009). Modelo de planeación y participación ciudadana para el
manejo ecológico de residuos sólidos en localidades costeras y otras áreas vulnerables. pp 1-9.
Alvarez Villa, María Teresa (1999). El Tratamiento Económico de los Residuos Sólidos
Urbanos. VI Encuentro de Economía Pública.
André, Francisco; Cerdá, Emilio (2006). Gestión de Residuos Sólidos Urbanos: Análisis
Económico y Políticas Públicas. Cuadernos Económicos de ICE nº 71. pp 72 - 88.
Arraez, Freddy (1995). La Planificación como Proceso. Universidad Ezequiel Zamora.
Programa de Planificación Regional, Venezuela.
Atri, S.; Schellberg, T. (1995). Efficient Management of Household Solid Waste: A General
Equilibrium Model, Public Finance Quarterly, 23: 3-39.
Barradas Rebolledo, Alejandro (2009). Planificación de la Gestión Integral de Residuos
Sólidos Municipales: Guía Metodológica para Países en Desarrollo. Tesis Doctoral. Ingeniería
Ambiental del Instituto Técnologico de Minititlán, México.
Binder, Claudia R.; Mosler, Hans Joachim (2005). Waste resourse flows of short lives goods
in households of santiago de Cuba. Elsevier, Kidlington, Royaume – UNI.
Blight G.(2000). Solid Waste Management. Critical Issue for Developing Countries.
University Press of West Indies. Klingston.
Cabildo De Gran Canaria (2010). Plan Territorial de Residuos en Gran Canaria, consejería de
Medio Ambiente.
Capó Parrilla, Javier (2009). Curva de Kuznets Ambiental : Evidencia para
Europa.Departamento de Economía Aplicada de la Universidad de Illes Balears. Documents
de Treball 2009/3. Pgs 1 - 12.
B
CONAMA 9 Grupo de trabajo (2007). Armonización en la Obtención de Datos sobre
Residuos, Documento Final. Congreso Nacional del Medio Ambiente. Pgs 1 - 35.
CONAMA – RM (2001). Boletín informativo. La Basura que Nadie Quiere. Extraído 11-2010
htpp//www.conama.cl/rm/568/>. 7 pgs.
Cointreau-Levine, S. (1994). Private Sector Participacion in Municipal Solid Waste Service in
developing Countries. Washington, D.C. Banco Mundial.
Correa Restrepo, Francisco (2004). Crecimiento Económico y Medio Ambiente : Una
Revisión Análitica de la Hipótesis de la Curva Ambiental de Kuznets. Universidad de
Medellín, semestre económico vol 7 nª 14. Pgs 73 - 104. Extraido
de:http://redalyc.uaemex.mx/src/inicio/ArtPdfRed.jsp?iCve=165013658003
Daphnia (1996). Dossier Residuos Sólidos Urbanos, boletín informativo nº 5. Pgs 7 - 10.
Del Moral Avila, María José.; Tapia García, Juan Miguel (2006). Técnicas Estadísticas
Aplicadas. Grupo Editorial Universitario.
Díaz Villavicencio, Guillermo Javier (2009). Factores determinantes de la gestión
ecoeficiente de los residuos sólidos urbanos en Cataluña : Una aproximación institucional.
Facultad de Ciencias Económicas y Empresariales, Tesis Doctoral , Universitat de Barcelona.
Pgs 243.
Dinan, T. M. (1993). Economic Efficiency Effects of Alternative Policies for Reducing Waste
Disposal. Journal of Environmental Economics and Management, 25: 242-256.
Donella H. Meadows, Dennis L.Meadows, Jorgen Randers,. Behrens III, William W.(1972).
Los Límites del Crecimiento 30 años después (The Limits to Growth), Galaxia Gutenberg,
ISBN: 84-8109-601-61.
ENT Medi Ambient i Gestión (2004). El modelo de recogida puerta a puerta. Enviroment and
Management, Barcelona. Pgs 1 a 4.
Eurostat Newsrelease. Municipal Waste Generated (2007-2010).
FACUA (2009). Gestión de Residuos Domésticos y Reciclaje : Las formas de producción y
consumo de hoy en día están convirtiendo el planeta en un auténtico basurero. Extraído 02-
2011 de http://www.facua.org
C
Fair, L. (2002). Generating Public Sector Resourses to Finance Sustainable Development :
Revenue and Incentive Effects. Washington, D.C. Banco Mundial.
Fernández Gallastegui, Alonso (2005). Econometría. Universidad País Vasco, Pearson
Education S.A Madrid, España.
Final Report to Directorate General Enviroment, european Commission (2008). Costs for
Municipal Waste Management in the EU. On behalf of ECOTEC Research & Consulting
Ltd.; EUNOMIA Reserch & Consulting. Pgs 31 - 64.
Fullerton, D. Y; Kinnaman, T. C. (1995). Garbage, Recycling and Illicit Burning or
Dumping. Journal of Environmental Economics and Management, 29: 78-91.
Germá Bel, Universitat de Barcelona y Cornell University (2005). Un análisis de los gastos
municipales por el servicio de residuos sólidos urbanos. Revista de Economía Aplicada EA,
nº 38 vol. XIII.
Huhtala, A.(1999): «Optimizing Production Technology Choices: Conventional Production
vs. Recycling, Resource and Energy Economics, 21: 1-18.
INE, Instituto Nacional de Estadísticas. Notas de prensa 2006-2010. Encuestas sobre la
Generación de Residuos en España.
Ibarrarán Viniegra, María Eugenia.; Islas Cortés, Iván.; Mayett Cuevas, Eréndira (2003).
Valoración económica del impacto ambiental del manejo de residuos sólidos municipales :
Estudio de caso. Instituto Nacional de Ecología, México. Gaceta Ecológica nº 067 pgs 69 -
82.
ISTAC, Instituto Canario de Estadísticas (2010). Cantidad per cápita de residuos recogidos
según tipo de residuos en Canarias por años. Extraído en 01-2011.
http://www2.gobiernodecanarias.org/istac/jaxi-web/tabla.do
Jacobs, T. L. Y Everett, J. W. (1992). Optimal Scheduling of Consecutive Landfill Operations
with Recycling. Journal of Environmental Engineering, 118: 420-429.
Keeler, A. G. Y Renkow, M. (1994): «Haul Trash or Haul Ash: Energy Recovery as a
Component of Local Solid Waste Management», Journal of Environmental Economics and
Management, 27: 205-217.
D
La Caixa (2010). Indicadores Representativos de la Actividad Económica, Anuario
Económico de España 2010. pgs 1 - 29.
Lara V. Araceli et ál (1994). Análisis Estadístico de la Generación de Residuos Sólidos
Urbanos. Departamento de Energía, Universidad Autónoma Metropolitana, México D.F
Lozano Medina, Alexis (2009). Estudio sobre la Identificación, Cuantificación y Propuestas
para la Gestión Integrada de los Residuos Industriales en el Polígono Industríal de Arinaga.
Universidad de las Palmas de Gran Canaria y Cabildo de Gran Canaria, Industria y Comercio.
Pg 1 - 82.
Lund, J. R. (1990). Least-Cost Scheduling of Solid Waste Recycling. Journal of
Environmental Engineering, 116: 182-197.
Ministerio de Medio Ambiente de Chile (2001). Indicadores para la gestión de residuos
sólidos. Extraído 10-2010. Pgs 1 - 11. http://www.conama.cl
M.D. Bovea, V. Ibañez, A. Gallardo, F.J. Colomer, M. Carlos (2009). Evaluación Ambiental
de Alternativas de Gestión de Residuos : Aplicación a Castellón de la Plana, España. II
Simposio Iberoamericano de Ingeniería de Residuos, Barranquilla.
Muñoz Cabanes, Alberto.; Parra Rodríguez, Francisco (2009). Econometría Aplicada.
Ediciones Académicas S.A. Madrid, España.
Morris, G. E. Y Holthausen, D. M, Jr. (1994). The Economics of Household Solid Waste
Generation and Disposal, Journal of Environmental Economics and Management, 26: 215-
234.
Miró i Martínez, Pau.; Debón Aucejo, Ana.; Crespo Abril, Fortunato (2006). Métodos
Estadísticos en Economía. Universidad Politécnica de Valencia. Editorial UPV, Departamento
de Estadística e Investigación Operativa Aplicada y Calidad.
Muñoz Velásquez, Karen Tatiana.; Bedoya Osorio, Anderson de Jesus (2009). El Papel de los
Residuos Sólidos, en la Solución de Problemas Ambientales. Facultad de Economía de la
Universidad Autonóma Latinoamericana (UNAULA).
http://www.eumed.net/rev/ea/03/mvbo.htm
E
Martínez Nava, Alejandro.; Martínez González, Pablo.; Rangel Martínez, Francisco Javier
(2010). La Gestión de Residuos Urbanos , Tres Recursos Metodológicos para su Análisis.
Revista Académica de Investigación nº 2, pgs 1 - 10.
Orccosupa Rivera, Javier ; Arellano Vaganay, José ; Figueroa Benavides, Eugenio (2002).
Relación entre la producción per cápita de residuos sólidos domésticos y factores
socieconómicos. XXVIII Congreso Interamericano de Ingeniería Sanitaria y Ambiental,
Cancún-México, octubre 2002, pg 1-7.
Ortega, Rodríguez (1994). Manual de Gestión del Medio Ambiente. Madrid , pg 6-7.
Pere Riera, Loli García (1997). Análisis Económico de la Gestión de Residuos Urbanos,
Depto de Economía Aplicada Universidad Autónoma de Barcelona, Depto de Economía y
Empresa , Universitat de les Balears. XXII reunión de estudios regionales , Valencia. pgs 1 -
14.
Perfil Ambiental de España (2009 y 2010). Residuos. Informe Basado en Indicadores.
Gobierno de España Ministerio de Medioambiente Rural y Marino. Nipo: 770-11-221-7. Pgs
124 – 137.
Puig Ventosa, Ignasi (2002). Incentivos económicos para avanzar hacía la reducción y el
reciclaje de residuos sólidos urbanos. Grupo de Económia Ecológica de la Universidad
Autónoma de Barcelona, Revista interdisciplinaria de gestión ambiental, 48, pgs 22 - 32.
Rodríguez Salinas, Marcos Arturo (2004). Diseño de un modelo matemático de la generación
de residuos sólidos municipales en Nicolás Romero, Mexico. Instituto Politécnico Nacional,
Centro Interdisciplinario de Investigaciones y Estudios sobre Medio Ambiente y Desarrollo.
Rojas Aguilera, Juan Pablo.; Salazar Salazar, Raúl.; Sepúlveda Ahumada, Miguel Angel.;
Sepúlveda Conejeros, Moises.; Santelices Malfanti, Iván (2006). Domestic Waste, The
Logistic as a Modern Tool Face this Old Problem”. Revista ingeniería industríal,
Departamento de Ingeniería Industríal, Universidad del Bío-Bío, Concepción-Chile.año 5,
nº1.
Rueda, Salvador (2005). La Generación de Residuos sigue una curva ascendente en toda
España. Revista Ambienta, pg 14 - 21.
F
Runfola Medrano, José.; Gallardo, Antonio (2008). Análisis de los factores que influyen en la
Generación y Composición de los Residuos Sólidos Urbanos a considerar para el diseño de un
modelo de caracterización. Simposio Iberoamericano de Ingeniería de Residuos.
Ruggerio, Carlos A (2010). Planificación y Organización de la Información Estadística
Vinculada a los Residuos Sólidos Urbanos:
www.ambiente.gov.ar/archivos/web/ObservaRSU/file/Unidad%2010.pdf
Salvato, J.(2003); Mosler, H.(2006).; Zafra Mejía, Carlos A. (2009). Metodología para el
diseño para la recogida de residuos sólidos urbanos. Ingeniería e Investigación vol.29 nº 2, pg
119-126.
Sociedad Pública de Gestión Ambiental dependiente del departamento de Medio Ambiente y
Ordenación del terriotorio del PV, Bilbao 2008. Directríces para la Planificación y Gestión de
Residuos Sólidos Urbanos en la CAPV.
Soria, María E.; Zeballos, Dario.; Lisa, Mauricio (2008). Gestión Integral de Residuos
Sólidos Urbanos. Documento aportes para la gestión ambiental local, pg 5 - 30.
Salgado Rodríguez, Javier (2006). La Gestión de Residuos Sólidos Urbanos en la Ciudad
Histórica y Sostenible : El ejemplo de Andalucia. Escuela Técnica Superior de Arquitectura
de Sevilla.
Tchobanoglous G., Theisen H., Virgil S. (1994). Gestión Integral de Residuos Sólidos .
McGraw Hill, Madrid.
Velázquez Patiño, Ana Carolina (2007). La Gestión de los Residuos Urbanos en la Ciudad de
Hannover : Un Modelo Exitoso. Anales de geografía 2008, vol 28, nº 1 pgs 163-177.
Wehenpohl G, Hernádez BCP (2002). Guía para la elaboración de planes maestros para la
Gestión Integral de Residuos Sólidos Urbanos, Secretaria de Ecología, México.
Zafra Mejía, Carlos Alfonso (2008). A Methodology for Designing Urban Solid Waste
Collection by means of extreme generation factors : fixed box system. Universidad de
Cantabria. Ingeniería e investigación, vol. 29 nº 2, pgs 119 - 126.
G
Siglas y acrónimos
AEMA : Agencia Europea de Medio Ambiente
CC.AA : Comunidades Autónomas de España
EUROSTAT : Estadísticas Europeas
FIV : Factor Inflación de Varianza
GIRSU : Gestión Integral de Residuos Sólidos Urbanos
GIZ : Sociedad para la Colaboración Técnica (Gesellschaft für
Internationale Zusamenarbeit)
INE : Instituto Nacional de Estadísticas
ISTAC : Instituto Canario de Estadísticas
IGUV : Índice Generación por Uniddaes de Viviendas
IGUE : Índice Generación por Unidades Económicas
IGPERC : Índice Generación Per cápita
MARM : Ministerio de Medio Ambiente Rural y Marino, España
MCO : Mínimos Cuadrado Ordinario
MCG : Mínimo Cuadrado Generalizado
NC : Número de Condición
OCDE : Organización para la Cooperación y Desarrollo Económico
PPC : Producción Per cápita
PNRU : Plan Nacional de Residuos Urbanos
PIRCAN : Plan Integral de Residuos en Canarias
PIB : Producto Interno Bruto
PNIR : Plan Integral de Resiudos
H
RSU : Residuos Sólidos Urbanos
RdO : Reducción en el Orígen
SIG : Sistema Integrado de Gestión
UV : Unidades de Viviendas
UE : Unidades Económicas