Desastres, Desarrollo, y Vulnerabilidad: un análisis de Costa Rica Federico Castillo f.castillo@berkeley.edu Universidad de California, Berkeley
Co-autores Marcos Adamson-Univ. of Costa Rica Róger Ortega-Univ. of Costa Rica J. K. Gilless-Univ. of California, Berkeley Adamson y Ortega agradecen financiamiento de la Oficina del Vicepresidente de Investigación de la Universidad de Costa Rica. (Beca No.223B2249 - Riesgos, Impactos y Preparación Económica ante los Desastres ) Castillo y Gilless agradecen financiamiento de la Fundación Nacional de la Ciencia (National Science Foundation), proyecto No. 1243102 - Avanzando el Análisis sobre el Valor Extremo de Eventos Climáticos ) Los autores agradecen comentarios y consejos de Michael Wehner (Laboratorio Nacional Lawrence de Berkeley), Adolfo Rodriguez (Banco Central de Costa Rica) y Juan Robalino (Universidad de Costa Rica)
Esquema Motivación Antecedentes Fuentes de datos Modelos Resultados Conclusiones y recomendaciones de politicas
Motivación La literatura ya ha tratado la relación entre el desarrollo económico y el impacto de los desastres utilizando el PIB como medida del desarrollo económico y el número de muertes como un indicador de daños causados por un desastre. Se usa un indicador diferente para el desarrollo económico HDI (Índice de Desarrollo Humano) También utilizamos un indicador diferente para los daños causados por desastres: costos de repuesto o reemplazo. Dado que utilizamos una variable más representativa para indicar el desarrollo económico, sentimos que el análisis es más preciso y más conductivo para la aplicación y el análisis de políticas ambientales y de planeamiento regional.
Antecedentes: Contexto Geográfico 85 0'0"W 84 0'0"W 83 0'0"W Nicaragua La Cruz 11 0'0"N 11 0'0"N Upala Los Chiles Liberia Guatuso San Carlos ALAJUELA Bagaces Sarapiquí Tilarán Carrillo GUANACASTE Pococí Cañas HEREDIA Grecia Abangares Santa Cruz Alfaro Ruiz Nicoya Valverde Vega Guácimo San Ramón Heredia LIMÓN Puntarenas Montes de Oro Siquirres Naranjo Poás Grecia Santa BárbaraBarva San Rafael Palmares San Isidro Oreamuno MoraviaVázquez de Coronado Alajuela Flores 10 0'0"N Esparza Hojancha Matina 10 0'0"N San Pablo Belén Heredia Santo Domingo Atenas Goicoechea Tibás Montes de Oca San José Santa Ana Escazú CurridabatLa Unión San Mateo Nandayure Orotina Mora Alvarado Alajuelita Turrialba Puntarenas PUNTARENAS CARTAGO Cartago Jiménez Limón Aserrí Turrubares Puriscal Desamparados Acosta El Guarco Paraiso Garabito León Cortés SAN JOSÉ Tarrazú Dota Parrita Talamanca Aguirre Pérez Zeledón Buenos Aires 9 0'0"N 9 0'0"N Coto Brus Panamá Osa PUNTARENAS Golfito Corredores Golfito 8 0'0"N 8 0'0"N 85 0'0"W 84 0'0"W 83 0'0"W
Datos Los desastres son declarados como tales por la Comisión Nacional de Emergencias (CND). Un total de 33 eventos están incluidos en el análisis. Hay 25 eventos por los cuales existe información completa. Se han excluido algunos acontecimientos importantes como el terremoto de Limón en 1991
Continuación de Datos Medida de los costos de reemplazo: el daño total para cada desastre ha sido ajustado por el factor de inflación del PIB (2006) Por qué no otra variable? Costos totales de reemplazo consisten de: Infraestructura Las actividades y producción de la agricultura La cría de ganado Los costos de respuesta inmediata para cada desastre Los costos de infraestructura incluyen: carreteras, puentes, acueductos, diques, edificios utilizados en las actividades de salud y educación, viviendas, y otros
Continuación de Datos La variable utilizada para el desarrollo económico: Índice de Desarrollo Humano (HDIC) para cada cantón Componentes de la HDIC son: Índice de esperanza de vida Índice de la educación Índice del bienestar material Los valores oscilan entre 0 y 100. Hay 81 cantones en Costa Rica. El análisis utiliza datos para el período 1991-2010.
Desastres: Ocurrencia Geográfica En promedio, hubo 4 desastres por cantón para el período de 1991 a 2010. Los cantones con el mayor número de desastres se encuentran en la región de Caribe, provincia de Limón El desastre más grande: el huracán Mitch afecto a 70% de los cantones En promedio, 26 cantones son afectados por ocurrencia por los huracanes y las tormentas tropicales Las inundaciones afectan, en promedio, 8 cantones por ocurrencia
Impacto económico de los desastres en Costa Rica (costos de reemplazo) Derrumbe s 0.20% Terremotos 41.40% Inundaciones 28.70% Tormentas 17.70% Huracanes 11.90% Los costos de reemplazo para este período se estiman en US $1.6 mil millones. Los terremotos y las inundaciones constituyen aproximadamente 70% de los costos de reemplazo. Los terremotos y las inundaciones causaron aproximadamente 60% de las pérdidas de la vida humana.
Economic impact by type of event and by province, Costa Rica (1993-2010) Las provincias mas impactadas por eventos hidrometeorológicos son Puntarenas y Limón, ambas provincias costeras. Las inundaciones impactan a la provincia de Limón mas que a cualquier otra provincia.
Análisis de vulnerabilidad: Dos modelos 1- Un modelo de conteo (Distribución Poisson) con especificación de errores robustos es usado para explorar la relación entre el numero acumulativo de desastres y el perfil socio económico de los cantones. Se hipotetiza que a manera que el índice de desarrollo se incrementa la vulnerabilidad de un cantón se reduce y que se impacta por un numero menor de eventos declarados desastres. Nótese que no estamos modelando el numero de desastres propiamente. Lo que se explora es si el perfil socio económico particular de un cantón esta relacionado con un incremento en la probabilidad de que dicho cantón sea impactado por un desastre que es declarado como tal. 2- Un modelo Tobit que explora la relación entre la vulnerabilidad de cada cantón y su respectivo indicador socio económico.
Vulnerabilidad: cont. Modelo de conteo: Especificación 1 NE f HDI km D 2 i i 11 c 12 j Especificación 2 NE f Qu int km D 2 i 2 21 HDIc 12 j Donde: NE i HDI c D,, j Numero de eventos acumulados por cantón. Índice de Desarrollo Humano para cada cantón. un vector 5x1 indicando si un cantón pertenece o no a una región j, donde j=1,2,3,4,5 Coeficientes a estimar.
Análisis de vulnerabilidad: resultados Variable Table 1Estimation results: Poisson Model Numero total de eventos (1) (2) (3) (4) HDIc -0.0274*** 0.3535*** [0.009] [0.103] 2 HDIc -0.0028*** [0.001] 2 Area ( Km ) 0.0001 0.0002*** 0.0002*** 0.0001* [0.000] [0.000] [0.000] [0.000] HDIc quintiles -0.1859*** -0.1730*** [0.040] [0.039] Constant 2.9380*** -9.7456*** 1.6990*** 1.5669*** [0.622] [3.405] [0.138] [0.130] Dummies Yes Yes No Yes No. 81 81 81 81 Observations R2 McFadden 0.150 0.175 0.126 0.160 Wald-Chi2 75.35 160.6 80.29 105.9 Prob > Chi2 0.000 0.000 0.000 0.000 Robust standard errors in parenthesis *** p < 0.01, ** p < 0.05, * p < 0.1 Modelos (3), (4) usan una distribución quintil que visualiza la probabilidad de ser impactado por un numero especifico de desastres para un cantón promedio En los modelos (1) y (2) los signos de los parámetros son los esperados pero la variable area no es significativa Modelos (1) y (2) soportan la tesis de que la relación no es linear.
Resultados: cont. (Modelo 3) Quintil de alto HDIc Quintil de bajo HDIc
Resultados: Formulación Tobit Variables Cuadro 2: Resultados del Modelo Tobit Log of total costs (1) (2) (3) (4) HDIc 0.0072 0.0239 0.3732** 0.3949** [0.018] [0.018] [0.190] [0.189] (HDIc) 2-0.0027* -0.0027** [0.001] [0.001] Km 2 0.0013*** 0.0007** 0.0013*** 0.0007** [0.000] [0.000] [0.000] [0.000] Dummies No Yes Yes Yes No. of 1296 1296 1296 1296 observations Censored 995 995 995 995 observations Censored 0.243 0.240 0.242 0.239 Prob. Wald test 42.06 62.49 45.15 65.61 Prob > F 0.000 0.000 0.000 0.000 Switch value a 70.34*** 73.68*** a Significant values according to the non-linear Wald statistic. Standard errors in parenthesis *** p < 0.01, ** p < 0.05, * p < 0.1 Note: The coefficients indicate marginal effects for the observed variable (to the possibility of being censored) and evaluated at the mean values. En los modelos (1), (2) no se obtiene el signo esperado para HDIc, pero el parámetro obtenido no es significativo. En los modelos (3), (4) se confirma una relación de U invertida entre el nivel de vulnerabilidad y el indicador de desarrollo económico.
Vulnerabilidad-resultados: cont. Análisis que usa los resultados del modelo (4) pero separando la muestra en dos grupos. Valor típico para un cantón de alto ingreso en Costa Rica en el Valle Central del país (ej. Moravia o Goicochea). La semi-elasticidad de costos de reemplazo c.r. a HDIc incrementa para el grupo A y decrece para el grupo B.
Conclusions El análisis de vulnerabilidad demuestra que cantones con un índice de desarrollo bajo tienen una probabilidad mas grande de ser impactados por un desastre natural que aquellos cantones con un índice alto de desarrollo. El análisis se complementa con la estimación de un umbral para el índice de Desarrollo Humano (HDIc) y se demuestra que cantones cuyo índice esta por debajo del umbral experimentan costos de reemplazo incrementales mientras que aquellos que están por encima del umbral experimentan costos de reemplazo decrecientes. Para el caso particular de Costa Rica, el valor del umbral es de 73.68. El análisis presentado puede replicarse fácilmente en otros países y regiones tanto en países en vías de desarrollo como países de alto ingreso. El análisis demuestra la necesidad de desarrollar e implementar políticas específicamente diseñadas para regiones de alta vulnerabilidad donde el beneficio marginal es mas alto.
Thank you! F. Castillo-f.castillo@berkeley.edu Marcos Adamson- marcos.adamson@ucr.ac.cr J.K. Gilless-gilless@berkeley.edu Róger Ortega-roger.ortega@ucr.ac.cr
Vulnerability: Tobit model Model : In our case: The marginal effect: Estimation method (ramdom effects), the estructural equation is: