104522

Master Thesis Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg Universidad de Salzburg

Prospectiva del valor del suelo en el modelo de crecimiento urbano de Cuenca-Ecuador mediante Geosimulación Prospective of Land Value in the Urban Growth Model of Cuenca-Ecuador through Geosimulation by/por

Archt. Edison Román Sinchi Tenesaca 01524650

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc

Cuenca - Ecuador, 16/07/2018

Dedicatoria

A Dios, por las infinitas razones que tengo para agradecerle, especialmente por aquella bendición a la que llamo familia: Jamás Me Sentiré en la Batalla Rendido, Jamás

A todas las personas que sienten que vinieron a este mundo por algo más que sufrir y quejarse: les aseguro que un futuro maravilloso nos espera

Agradecimientos

A Dios, por el milagro de esta vida que, ya sea corta o larga, cada momento me enseña lo grandiosa y mágica que es.

A mi madre, hermanos y mis pequeños ruidosos, por mantener su paciencia, comprensión y amor pese a robarles el tiempo que ellos se lo merecen

A la Municipalidad de Cuenca y la Facultad de Arquitectura y Urbanismo de la Universidad de Cuenca por la información que muy oportunamente me facilitaron para el desarrollo de este trabajo

A todas las personas que mantienen depositada su confianza en mí

A Las Torres sobre las que me apoyo para alcanzar hasta lo imposible…

Compromiso de Ciencia Por medio del presente documento, incluyendo mi ďŹ rma personal cerďż˝ďŹ co y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Cuenca, 16 de julio de 2018 (Lugar, Fecha)

(Firma)

RESUMEN En Cuenca se ha experimentado en los últimos años un crecimiento descontrolado de su mancha urbana como resultado de procesos especulativos del mercado capitalista generando marcados desequilibrios socio-espaciales. Por ello es necesario incluir en los PDOT’s, herramientas de anticipación a la toma de decisiones para una equitativa y ordenada distribución del suelo. Aquí se aborda la geosimulación como una herramienta predictiva del precio de suelo mediante el análisis tendencial de su comportamiento actual.

Se emplean Modelos de Regresión para identificar las variables que favorecen el establecimiento de un determinado tipo de precio de suelo en una determinada localización. Se hace uso también de algoritmos de proyección espacio-temporal, debidamente validados antes de su aplicación, para la creación de mapas ráster de tipos de precio de suelo proyectados al año 2025.

Los resultados señalan que en la conformación de los tipos de precio de suelo no siempre intervienen las mismas variables, pues la presencia de unas u otras genera un comportamiento diferente del fenómeno estudiado. Se ha podido asimismo establecer las características que un suelo adquiere cuando en él tiene lugar un cambio de precio ya sea de apreciación o devaluación.

Siendo el precio del suelo un fenómeno altamente dinámico debido a sus múltiples fluctuaciones espacio-temporales se dificulta su predicción mediante el uso de algoritmos diseñados para simular fenómenos tendenciales que no experimentan cambios bruscos en el espacio-tiempo, lo cual es muy difícil de conseguir para el fenómeno estudiado. Por lo tanto, aunque el precio del suelo le aporta singulares características a las áreas donde se asienta, su simulación, lejos de aportar información para predecir el crecimiento de la mancha urbana, permite establecer las áreas que experimentarán fluctuaciones diferenciales de precio lo cual puede convertirse en un instrumento destinado a lograr el equilibrio en la accesibilidad social del suelo.

PALABRAS CLAVE: Crecimiento urbano, Cuenca-Ecuador, Geosimulación, Precio de suelo, Regresión Logística.

5

ABSTRACT In the last years, the city of Cuenca, Ecuador, has had an uncontrolled urban sprawl due to speculative process of the market capitalism. This phenomenon can cause serious sociospatial imbalances. Thus, it is necessary to include in land use plans tools to support decision making for an organized and rightful land use distribution. This research applies geosimulation as predictive tool of the land value through trend analysis of land use current dynamics.

Regression Models were applied to identify variables that influence land value type in a certain location. Additionally, spatio-temporal projection algorithms were applied and validated in order to create raster maps that represent land value types for the year 2025.

The results point out the existence of different variables in the conformation of different land value types since the use of different variables on the models generate different outcomes of the studied phenomenon. Likewise, it has been possible to establish the characteristics that a land acquires when there is a change in the price either the prices is related to appreciation or to devaluation.

The land value is a highly dynamic phenomenon due to its multiple spatio-temporal fluctuations, and its prediction can be difficult through the use of algorithms designed to simulate phenomena with a specific trend and without market changes in the space-time.

Land value provides information to predict not only urban sprawl, but also to identify areas that experience differential value fluctuations. This information can be a useful instrument to construct balances in the social accessibility of the land.

KEYWORDS: Cuenca-Ecuador, Geosimulation, Land Value, Logistic Regression, Urban Growing.

6

CONTENIDO RESUMEN ........................................................................................................................................... 5 ABSTRACT ........................................................................................................................................... 6 CAPITULO 1 ...................................................................................................................................... 18 1.

INTRODUCCION ........................................................................................................................ 18 1.1.

ANTECEDENTES DEL PROBLEMA .................................................................................. 18

1.2.

OBJETIVOS .................................................................................................................... 21

1.3.

PREGUNTAS DE INVESTIGACIÓN .................................................................................. 21

1.4.

HIPÓTESIS ..................................................................................................................... 22

1.5.

JUSTIFICACIÓN.............................................................................................................. 22

1.6.

ALCANCES ..................................................................................................................... 25

CAPITULO 2 ...................................................................................................................................... 27 2.

DISCUSIÓN DEL MARCO TEÓRICO ............................................................................................ 27 2.1.

EL PRECIO DEL SUELO DESDE EL CRECIMIENTO DE LA CIUDAD ................................... 28

2.2.

FACTORES QUE INFLUYEN EN EL PRECIO DEL SUELO................................................... 29

2.3.

FACTORES QUE INFLUYEN EN LA VALORIZACIÓN DE LA PLUSVALÍA ........................... 33

2.4.

MARCO METODOLÓGICO............................................................................................. 34

2.4.1.

La regresión logística para la identificación de probabilidades en base a múltiples

variables 34 2.4.2.

El uso de la geosimulación en la proyección futura de fenómenos sociales ............... 34

2.4.3.

Técnicas de geosimulación ........................................................................................... 35

2.4.3.1. Redes Neuronales Artificiales....................................................................................... 35 2.4.3.2. Geometría fractal ......................................................................................................... 37 2.4.3.3. Modelamiento a través de la teoría del Caos y Catástrofe .......................................... 37 2.4.3.4. Modelos basados en agentes ....................................................................................... 38 2.4.3.5. Regresiones Lineales/Logisticas ................................................................................... 39 2.4.3.6. Autómatas celulares (AC): ............................................................................................ 40 CAPÍTULO 3 ...................................................................................................................................... 44 3.

METODOLOGÍA......................................................................................................................... 44 3.1.

DESCRIPCIÓN DEL ÁREA DE ESTUDIO ........................................................................... 44

7

8

3.2.

DESCRIPCIÓN DE LA METODOLOGÍA............................................................................ 46

3.2.1.

Etapa A: Elaboración de mapas de tipos de precio de suelo ....................................... 49

3.2.1.1. Periodos de investigación............................................................................................. 49 3.2.1.2. Obtención de los precios de suelo ............................................................................... 50 3.2.1.3. Estimación de la muestra ............................................................................................. 51 3.2.1.4. Interpolación de las muestras ...................................................................................... 51 3.2.1.5. Obtención de tipos de precios de suelo ....................................................................... 52 3.2.2.

Etapa B: Elaboración de mapas de probabilidad de tipos de precio de suelo empleando

modelos de Regresión Logística ................................................................................................... 53 3.2.2.1. Determinación de las variables para los modelos de regresión .................................. 55 a)

Variable dependiente ................................................................................................... 55

b)

Variables independientes ............................................................................................. 56

3.2.2.2. Dicotomización de las variables para su aplicación en los modelos de regresión ....... 60 3.2.2.3. Regresión Logística Binomial Bivariante (RLBB) ........................................................... 62 3.2.2.4. Regresión Logística Binomial Multivariante (RLBM) .................................................... 62 3.2.2.5. Mapas de probabilidad de los tipos de precio de suelo............................................... 63 3.2.2.6. Validación de los mapas de idoneidad mediante la curva ROC ................................... 64 3.2.3.

ETAPA C: Modelamiento y validación de los tipos de precio de suelo para el 2017 ... 65

3.2.3.1. Modelo de simulación de los tipos de precio de suelo al 2017 ................................... 66 3.2.3.2. Validación del modelo de simulación del 2017 ............................................................ 67 3.2.4.

ETAPA D: Simulación de tipos de precio de suelo ........................................................ 69

3.2.5.

Influencia del precio del suelo en el desarrollo espacial urbano ................................. 70

3.2.6.

Modelo de crecimiento urbano en función del precio del suelo ................................. 71

CAPÍTULO 4 ...................................................................................................................................... 72 4.

RESULTADOS Y DISCUSIÓN....................................................................................................... 72 4.1.

RESULTADOS ................................................................................................................ 72

4.1.1.

Etapa A: Elaboración de mapas de tipos de precio de suelo ....................................... 72

4.1.1.1. Estimación de la muestra ............................................................................................. 72 4.1.1.2. Interpolación de las muestras ...................................................................................... 73 4.1.1.3. Obtención de tipos de precios de suelo ....................................................................... 75 4.1.2.

Etapa B: Elaboración de mapas de probabilidad de tipos de precio de suelo empleando

modelos de Regresión Logística ................................................................................................... 75

9

4.1.2.1. Regresión Logística Binomial Bivariante (RLBB) ........................................................... 75 4.1.2.2. Regresión Logística Binomial Multivariante (RLBM) .................................................... 77 4.1.2.2.1. Modelo de regresión para el tipo de precio de suelo bajo .......................................... 77 4.1.2.2.2. Modelo de regresión para el tipo de precio de suelo medio ....................................... 78 4.1.2.2.3. Modelo de regresión para el tipo de precio de suelo alto ........................................... 79 4.1.2.3. Mapas de probabilidad de los tipos de precio de suelo............................................... 79 4.1.2.3.1. Mapa de probabilidad para el tipo de precio de suelo bajo ........................................ 80 4.1.2.3.2. Mapa de probabilidad para el tipo de precio de suelo medio ..................................... 81 4.1.2.3.3. Mapa de probabilidad para el tipo de precio de suelo alto ......................................... 82 4.1.2.4. Validación de los mapas de idoneidad mediante la curva ROC ................................... 83 4.1.3.

ETAPA C: Modelamiento y validación de los tipos de precio de suelo para el 2017 ... 84

4.1.3.1. Modelo de simulación de los tipos de precio de suelo al 2017 ................................... 84 4.1.3.2. Validación del modelo de simulación del 2017 ............................................................ 86 4.1.4.

ETAPA D: Simulación de tipos de precio de suelo ........................................................ 87

4.1.5.

Influencia del precio del suelo en el espacio................................................................ 88

a)

Apreciación de precio de suelo: Nivel 1 ....................................................................... 90

b)

Apreciación de precio de suelo: Nivel 2 ....................................................................... 91

c)

Depreciación de precio de suelo: Nivel 1 ..................................................................... 92

d)

Depreciación de precio de suelo: Nivel 2 ..................................................................... 93

4.1.6.

Modelo de crecimiento urbano en función del precio del suelo ................................. 94

4.2.

DISCUSIÓN DE RESULTADOS ........................................................................................ 98

4.2.1.

Mapas de tipos de precio de suelo .............................................................................. 98

4.2.1.1. Estimación de la muestra ............................................................................................. 98 4.2.1.2. Interpolación de las muestras ...................................................................................... 98 4.2.2.

Análisis de los modelos de regresión para la construcción de los mapas de probabilidad

de tipos de precio de suelo .......................................................................................................... 99 4.2.3.

Análisis comparativo de los mapas de simulación ..................................................... 100

a)

Mapa de simulación al año 2017 ............................................................................... 100

b)

Mapas de simulación a los años 2025 y 2030 ............................................................ 100

4.2.4.

Caracterización de los precios de suelo ..................................................................... 103

4.2.4.1. Variables que definen los precios de suelo en Cuenca .............................................. 103 4.2.4.2. Caracterización del tipo de precio bajo...................................................................... 105 4.2.4.3. Caracterización del tipo de precio medio .................................................................. 106 4.2.4.4. Caracterización del tipo de precio alto ...................................................................... 107

10

4.2.5.

Análisis de la influencia que ejerce el valor del suelo en el desarrollo espacial de Cuenca 109

a)

Apreciación de tipo de precio: Nivel 1 ....................................................................... 109

b)

Apreciación de tipo de precio: Nivel 2 ....................................................................... 111

c)

Depreciación de tipo de precio: Nivel 1 ..................................................................... 112

d)

Depreciación de tipo de precio: Nivel 2 ..................................................................... 113

4.2.6.

Análisis del modelo de crecimiento de Cuenca en función del precio del suelo ....... 115

4.2.7.

Escenarios de crecimiento de Cuenca al 2025 según los modelos tendenciales del

precio de suelo ........................................................................................................................... 119 CAPITULO 5 .................................................................................................................................... 122 5.

CONCLUSIONES ...................................................................................................................... 122

6.

BIBLIOGRAFÍA ......................................................................................................................... 127

7.

ANEXO .................................................................................................................................... 136 7.1.

Variables consideradas en la etapa de regresión logística......................................... 136

GLOSARIO ACRÓNIMOS AC: Autómatas Celulares AHP: Analytic Hierarchy Process AII: Área de Influencia Inmediata ANN: Artificial Neural Networks AUC: Area Under the Curve BID: Banco Interamericano de Desarrollo Camicon: Cámera de la Industria de la Construcción (Quito) EMC: Evaluación Multi-Criterio ESRI: Environmental Systems Research Institute GAD: Gobierno Autónomo Descentralizado IBM: International Business Machines IDE: Infraestructura de Datos Espaciales IDW: Inverse Distance Weighting INEC: Instituto Ecuatoriano de Estadísticas y Censos LCLU: land-cover land-change LTM: Land Transformation Model MAGAP: Ministerio de Agricultura, Ganadería, Acuacultura y Pesca

11

12

MCE: Multi-Criteria Evaluation MDT: Modelo Digital de Terreno MOLA: Multi-Objective Land Allocation m.s.n.m.: metros sobre el nivel del mar ONU: Organización de las Naciones Unidas PDOT: Plan de Desarrollo y Ordenamiento Territorial RBF: Radial Basis Functions RLBB: Regresión Logística Binomial Bivariante RLBM: Regresión Logística Binomial Multivariante RLMM: Regresión Logística Multinomial Multivariante ROC: Relative Operating Characteristics RS: Remote Sensing SIG: Sistema de Información Geográfica SLEUTH: Slope – Land use – Exclusion – Urban extent – Transportation – Hillshade SPV: Support Vector Machines

TÉRMINOS TÉCNICOS Algoritmo: Conjunto ordenado de operaciones sistemáticas que permite hacer un cálculo y hallar la solución de un tipo de problemas.

Apreciación: Aumento del valor de un bien en el mercado.

Depreciación: Disminución del valor de un bien en el mercado.

Discretización: operación que permite separar en clases una serie de "variables cualitativas» o de «variables cuantitativas». Esta operación simplifica la información agrupando los objetos geográficos que presentan las mismas características en distintas clases.

Geoestadistica: conjunto de técnicas para el análisis y predicción de valores distribuidos en el espacio y/o en el tiempo, dichos valores se asumen correlacionados entre sí.

Geosimulación: representación predictiva de un fenómeno dentro de su entorno geográfico como resultado del análisis de la interacción dinámica de múltiples agentes y factores influyentes.

Interpolación: obtención de nuevos puntos partiendo del conocimiento de un conjunto discreto de puntos.

Interpolación determinística: técnicas aplicadas en la creación de superficies a partir de puntos medidos sin involucrar el factor del azar o incertidumbre. Un modelo determinista producirá siempre la misma salida a partir de las mismas condiciones de partida o el estado inicial.

Kriginig: Método de interpolación del valor medio ponderado donde los pesos asignados a las muestras minimizan la varianza del error, la que se calcula como una función del modelo de variograma y localizaciones de las muestras relacionadas unas con las otras, y del punto o bloque que está siendo estimado.

13

14

Minusvalía: Disminución del valor de una cosa, especialmente un bien inmueble, por circunstancias extrínsecas.

Muestreo probabilístico: técnica de muestreo en virtud de la cual las muestras son recogidas en un proceso que brinda a todos los individuos de la población las mismas oportunidades de ser seleccionados.

Plusvalía: aumento del valor de una cosa, especialmente un bien inmueble, por circunstancias extrínsecas e independientes de cualquier mejora realizada en ella.

Porcentaje de especificidad: capacidad del estimador para dar como casos negativos los casos realmente sanos; proporción de sanos correctamente identificados. Es decir, la especificidad caracteriza la capacidad de la prueba para detectar la ausencia de la enfermedad en sujetos sanos.

Porcentaje de sensibilidad: capacidad del estimador para dar como casos positivos los casos realmente enfermos; proporción de enfermos correctamente identificados. Es decir, la sensibilidad caracteriza la capacidad de la prueba para detectar la enfermedad en sujetos enfermos.

Prospectiva: ciencia que se dedica al estudio de las causas técnicas, científicas, económicas y sociales que aceleran la evolución del mundo moderno, y la previsión de las situaciones que podrían derivarse de sus influencias conjugadas.

Regresión logística: técnica estadística multivariante que permite estimar la relación existente entre una variable dependiente no métrica, en particular dicotómica y un conjunto de variables independientes métricas o no métricas.

Shapefile: formato de representación vectorial desarrollado por ESRI (Enviromental Systems Research Institute). Consta de un número variable de archivos, en los que se almacena digitalmente la localización de los elementos geográficos (archivo shape *.shp) junto con sus atributos o características (tabla dBase *.dbf).

15

LISTA DE FIGURAS Figura 1: Factores que determinan el precio de la tierra ................................................................. 30 Figura 2: Localización del área de estudio (Cuenca - Ecuador) ........................................................ 44 Figura 3: Área de estudio: área urbana con su área de influencia................................................... 45 Figura 4: Esquema metodológico para obtener los modelos de simulación prospectiva ............... 46 Figura 5: Metodología para la elaboración de mapas de tipos de precio ........................................ 49 Figura 6: Metodología para la elaboración de mapas de probabilidad de tipo de precio de suelo 54 Figura 7: Presencias y ausencias de los tres tipos de precio de suelo del año 2010 obtenidos mediante la reclasificación ............................................................................................................... 56 Figura 8: Diferentes estados de una variable dentro de un mismo sector censal ........................... 58 Figura 9: Metodología para la simulación al año 2017 y su validación............................................ 66 Figura 10: Mapas de probabilidad reescalados a valores entre 0 y 255 .......................................... 68 Figura 11: Indices de acuerdo y desacuerdo para un modelo ideal de concordancias ................... 69 Figura 12: Metodología para los mapas de simulación prospectivos .............................................. 70 Figura 13: Distribución de los puntos muestrales para las tres etapas analizadas .......................... 72 Figura 14: Interpolación de precios de suelo mediante Kriging ordinario ...................................... 73 Figura 15: Rasterización de las interpolaciones a las muestras de los precios de suelo ................. 74 Figura 16: Mapa de probabilidad de tipo de precio bajo ................................................................. 80 Figura 17: Mapa de probabilidad de tipo de precio medio ............................................................. 81 Figura 18: Mapa de probabilidad de tipo de precio alto ................................................................. 82 Figura 19: Mapas de tipo de precio de suelo considerados para el calculo de áreas de transición con el modulo Markov ..................................................................................................................... 84 Figura 20: Mapa de simulación de tipo de precio hacia el año 2017 ............................................... 85 Figura 21: Índices de acuerdo y desacuerdo entre el mapa de tipos de precio 2017: simulado vs. real ................................................................................................................................................... 86 Figura 22: Prospectiva del tipo de suelo al año 2025_A a partir del 2010....................................... 87 Figura 23: Prospectiva del tipo de suelo al año 2025_B a partir del 2000 ....................................... 87 Figura 24: Prospectiva del tipo de suelo al año 2030_A a partir del 2010....................................... 88 Figura 25: Prospectiva del tipo de suelo al año 2030_B a partir del 2000 ....................................... 88 Figura 26: Cambios en los tipos de precio de suelo ......................................................................... 89 Figura 27: Coberturas principales de suelo del año 2002 ................................................................ 89 Figura 28: Coberturas principales de suelo del año 2010 ................................................................ 90 Figura 29: Cobertura de suelo 2002 en zona de Apreciación nivel 1 (Precio bajo a medio) ........... 90

16

Figura 30: Cobertura de suelo 2010 en zona de Apreciación nivel 1 (Precio bajo a medio) ........... 91 Figura 31: Cobertura de suelo 2002 en zona de Apreciación nivel 2 (Precio medio a alto) ............ 91 Figura 32: Cobertura de suelo 2010 en zona de Apreciación nivel 2 (Precio medio a alto) ............ 92 Figura 33: Cobertura de suelo 2002 en zona de Depreciación nivel 1 (Precio alto a medio) .......... 92 Figura 34: Cobertura de suelo 2010 en zona de Depreciación nivel 1 (Precio alto a medio) .......... 93 Figura 35: Cobertura de suelo 2002 en zona de Depreciación nivel 2 (Precio medio a bajo) ......... 93 Figura 36: Cobertura de suelo 2010 en zona de Depreciación nivel 2 (Precio medio a bajo) ......... 94 Figura 37: Mapa de crecimiento de Cuenca en el año 2002 ............................................................ 94 Figura 38: Mapa de crecimiento de Cuenca en el año 2010 ............................................................ 95 Figura 39: Mapa de crecimiento de Cuenca en el año 2015 ............................................................ 95 Figura 40: Areas de crecimiento urbano entre el 2000 y 2010, sobrepuestas a los tipos de precios de suelo de 2000 (arriba) y 2010 (abajo) ......................................................................................... 96 Figura 41: Areas de crecimiento urbano entre el 2010 y 2015, sobrepuestas a los tipos de precios de suelo de 2010 (arriba) y 2017 (abajo) ......................................................................................... 97 Figura 42: Área ocupada (%) por cada tipo de precio según el año de simulación ....................... 101 Figura 43: Comparación entre simulaciones del 2025_B y 2030_B a partir del año 2000 ............ 101 Figura 44: Comparación entre simulaciones del 2025_A y 2030_A a partir del año 2010 ............ 102 Figura 45: Valor crítico de densidad para la presencia de precios altos (18.77 hab/ha) ............... 108 Figura 46: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 1 de apreciación ................. 109 Figura 47: Diagrama de cambios en la cobertura de suelo por el nivel 1 de apreciación ............. 110 Figura 48: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 2 de apreciación ................. 111 Figura 49: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 1 de depreciación ............... 112 Figura 50: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 2 de depreciación ............... 113 Figura 51: Diagrama de cambios en la cobertura de suelo por el nivel 2 de depreciación ........... 114 Figura 52: Crecimiento histórico del área urbana de Cuenca ........................................................ 116 Figura 53: Ritmo de crecimiento urbano de la ciudad de Cuenca ................................................. 117 Figura 54: Áreas que experimentan cambios de precio de suelo en el periodo 2017-2025 ......... 119 Figura 55: Crecimiento urbano de Cuenca hacia zonas de aumento de precio de suelo .............. 120 Figura 56: Crecimiento urbano de Cuenca hacia zonas de disminución de precio de suelo ......... 120

LISTA DE TABLAS Tabla 1: Distribución de superficies de las parroquias que conforman el área de estudio ............. 46 Tabla 2: Categorización de los tipos de precio de suelo .................................................................. 52 Tabla 3: Variables explicativas del precio del suelo empleadas en la investigación ........................ 57 Tabla 4: Codificación municipal de los usos de suelo a un dígito de especificidad ......................... 59 Tabla 5: Proceso de dicotomización de una variable continua ........................................................ 61 Tabla 6: Parámetros considerados para la simulación de modelos prospectivos ........................... 69 Tabla 7: Porcentaje de precisión alcanzado con el número de muestras obtenidas ....................... 72 Tabla 8: Rangos de precio comprendidos dentro de cada tipo de precio ....................................... 75 Tabla 9: P-values de las relaciones bivariantes obtenidas de la RLBB ............................................. 76 Tabla 10: Resumen del modelo de la RLBM del tipo de precio bajo ............................................... 77 Tabla 11: Tabla de Clasificación de la RLBM del tipo de precio bajo ............................................... 78 Tabla 12: Resumen del modelo de la RLBM del tipo de precio medio ............................................ 78 Tabla 13: Tabla de Clasificación de la RLBM del tipo de precio medio ............................................ 78 Tabla 14: Resumen del modelo de la RLBM del tipo de precio alto ................................................ 79 Tabla 15: Tabla de Clasificación de la RLBM del tipo de precio alto ................................................ 79 Tabla 16: Variables en la ecuación de la RLBM del tipo de precio bajo ........................................... 80 Tabla 17: Variables en la ecuación de la RLBM del tipo de precio medio........................................ 81 Tabla 18: Variables en la ecuación de la RLBM del tipo de precio alto............................................ 82 Tabla 19: Puntuaciones del AUC para los tres mapas de probabilidad ........................................... 83 Tabla 20: Areas de transición obtenidas del modulo Markov para el año 2017 ............................. 85 Tabla 21: Modelo RLBM para el tipo de precio bajo ...................................................................... 105 Tabla 22: Modelo RLBM para el tipo de precio medio................................................................... 106 Tabla 23: Modelo RLBM para el tipo de precio alto....................................................................... 107 Tabla 24: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 1 de apreciación ................ 109 Tabla 25: Ganancias y pérdidas de coberturas de suelo (%) por parroquias en el nivel 1 de apreciación de suelo ...................................................................................................................... 110 Tabla 26: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 2 de apreciación ................ 111 Tabla 27: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 1 de depreciación ............. 112 Tabla 28: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 2 de depreciación ............. 113 Tabla 29: Ganancias y pérdidas de coberturas de suelo (%) por parroquias en el nivel 2 de depreciación de suelo .................................................................................................................... 114 Tabla 30: Áreas del crecimiento urbano (has) del periodo 2000-2010 según tipos de precio ...... 118 Tabla 31: Áreas del crecimiento urbano (has) del periodo 2010-2015 según tipos de precio ...... 118

17

PROSPECTIVA DEL VALOR DEL SUELO EN EL MODELO DE CRECIMIENTO URBANO DE CUENCA-ECUADOR MEDIANTE GEOSIMULACIÓN CAPITULO 1 1. INTRODUCCION 1.1. ANTECEDENTES DEL PROBLEMA Latinoamérica se ha caracterizado por un acelerado y no planificado patrón de urbanización1. Actualmente en la región la mayoría de países son más urbanos que rurales2, siendo la consigna generalizada en la población de que en las ciudades se alcanzan mayores niveles de desarrollo, por lo cual el suelo urbano se convierte en “un bien escaso, no reproducible y si monopolizable” (Carrión Mena, 1996, p.113). Esto hace posible que en torno a los centros urbanos se desencadenen una serie de procesos relacionados con la demanda y oferta de suelo urbano bajo un carácter especulativo (García, 1985) que terminan imponiendo la lógica del desarrollo urbano traducido en su configuración espacial.

Por tal razón se puede afirmar que la especulación se ha convertido en “el gran desordenador urbano” (Cordero Cueva, 2016, p.178), causando los siguientes problemas: -

Equipamientos mal localizados geográficamente en relación con las viviendas de sus destinatarios

-

Gran cantidad de terrenos vacantes y contradictoriamente una casi permanente escases de suelo para la mayoría de la población carente de vivienda

-

Crecimiento disperso con grandes espacios intersticiales entre áreas consolidadas

-

Bajas densidades de población

1

América Latina en el año 2000 presentaba una urbanización del 75.3% mientras que en Asia y África ésta era del 50%, cifra que en América Latina fue alcanzada a fines de los 50 (Pinto da Cunha, 2002). Según la FAO, la principal causa para esto es la migración campo-ciudad, aunque en los últimos años ha cobrado importancia el crecimiento natural de la población (Pinto da Cunha, 2002).

2 Para esta afirmación se considera únicamente el número de población, donde el mayor porcentaje de habitantes residen en las denominadas áreas urbanas. Si se toma en cuenta la superficie, las áreas rurales son más extensas.

18

19

-

Crecimiento arbitrario de precios de suelo por apropiaciones privadas de obras y servicios públicos incorporados como mejoras en el territorio y apropiación de rentas diferenciales, derivadas de los nuevos valores de uso que surgen con la aglomeración urbana

-

Ocupación indebida de terrenos no urbanizables

-

Sobrevaluación de las áreas periféricas por su progresiva ocupación pese a la carencia de servicios, contrastando con la progresiva desocupación de residentes de las áreas centrales, provistas de equipamientos y servicios básicos.

Estos efectos de la especulación vienen acompañados de profundos e inevitables cambios culturales y espaciales como la segregación de clases (elitización o gentrificación) (García Herrera, 2001) y conflictos sobre el uso de suelo urbano. En este proceso desempeña un importante rol los lotes vacantes, es decir, aquellos que siendo urbanizables se los deja intencionalmente sin edificación para especular con su futuro precio, causando una aparente falta de suelo urbano que obliga a personas de bajos recursos emplazarse en áreas con rentas muy bajas carentes de infraestructura, equipamiento y servicios (Pauta Calle, 2015).

Por otro lado, están las intervenciones que diferentes actores realizan sobre el territorio, pudiendo éstas diferenciarse por diferentes factores, entre ellos el tipo de fondos invertidos (públicos y/o privados), el área beneficiada (uno o varios lotes) y el impacto sobre el medio ambiente. Esto determina para las ciudades diferentes escalas de intervención

que

sugieren

interrelaciones

complejas

que

conllevan

efectos

socioeconómicos y políticos, viéndose reflejado en el efecto de la plusvalía, fenómeno que Cordero Cueva (2016) describe como un “sobre precio” o diferencia entre el precio de un terreno y el valor incorporado a éste en forma de bienes y servicios.

Según un reporte de Diario El Telégrafo (2015), debido a las plusvalías exageradas, para diciembre de 2014 la Cámara de la Industria de la Construcción (Camicon) en Quito estimó que desde el 2010 el costo de terrenos aumentó entre el 100% hasta el 600%. Como ejemplo se puede citar el área próxima al nuevo aeropuerto internacional de Tababela, cuyo precio de suelo paso de $30 a $70 el m2. Otro de los muchos casos se tiene en

20

Guayaquil, la segunda ciudad más importante de Ecuador, donde luego de la construcción del parque Samanes las viviendas subieron de 50 mil a 80 mil (Diario El Telégrafo, 2015).

En Ecuador, la historia urbana ha estado marcada por “la economía de ciclos” 3 que ha permitido la consolidación y reestructuración del espacio nacional (González Roldán, 2012).

En este contexto, las ciudades ecuatorianas presentan como denominador común un “crecimiento a saltos” fruto del rol desordenador del precio del suelo urbano impuesto por el mercado inmobiliario (Cordero Cueva, 2016). La población tiende a localizarse en pequeños asentamientos cercanos a los núcleos urbanos, dejando espacios intersticiales que quedan sin uso o son sometidos a lentos procesos de consolidación.

Se observa así un extraño y poco lógico crecimiento y densificación “de fuera hacia adentro” que solo se explica temporalmente como el aprovechamiento privado de un “modelo” indiscriminado y no planificado de crecimiento continuo. Producida la saturación o una densificación compatible con el “mercado” inmobiliario, vendrá un nuevo “salto” y se repetirá una y otra vez este erróneo proceso de expansióncrecimiento de nuestras ciudades (Cordero Cueva, 2016, p.180).

El crecimiento urbano, asociado a procesos políticos, sociales y económicos globales, contribuye a modelar ciudades con fuertes contrastes sociales que se evidencian en el valor del mercado del suelo urbano y en la materialización de dichas diferencias. En este contexto, el presente trabajo aborda el precio del suelo como la principal variable configuradora del territorio urbano. Sin embargo, su enfoque no puede ser estático, ya que el mercado la vuelve una variable dinámica en tiempo y espacio y dependiente de múltiples factores que influyen en mayor o menor medida, según el entorno geo-demográfico en el que se desarrollen.

Como caso de estudio se tendrá la ciudad de Cuenca, Ecuador, donde, como en muchas otras ciudades latino americanas, existe un acelerado proceso de urbanización con una lógica concentradora y de disyunción entre los barrios tradicionales y los periféricos,

3

Sustitución de una renta por otra, generada por la alternancia de los periodos de prosperidad y de crisis (González Roldán, 2012)

21

generando una desarticulación de la red urbana. Su mancha urbana crece en mayor medida que los asentamientos adyacentes y en general sobre el sector rural. Este crecimiento genera desequilibrios y desigualdades tanto a nivel social, ecológico e interurbano. A partir de 1950 Cuenca crece a un ritmo acelerado, consumiendo gran cantidad de suelo periférico e incluso generando conurbaciones con cabeceras parroquiales próximas. Este proceso de transformación se ha dado sin un modelo urbano que establezca las características de ocupación del suelo por lo que existe caos en la configuración de la ciudad, sobre todo en la periferia.

1.2. OBJETIVOS El presente trabajo tiene como objetivo general predecir el modelo de crecimiento urbano que caracteriza a la ciudad de Cuenca, Ecuador, hacia el año 2025 en función de las variaciones espacio-temporales que configuran el valor del suelo.

Para lograrlo se seguirán los siguientes objetivos específicos: 1. Describir la influencia que ejerce el precio del suelo en el desarrollo espacial de las ciudades.

2. Analizar en su componente espacial, las variables económicas, sociodemográficas y geográficas que determinan las fluctuaciones del valor del suelo en los distintos sectores de la ciudad de Cuenca.

3. Comparar la evolución en tiempo y espacio de las variables que en mayor medida influyen en la valoración del suelo de Cuenca.

4. Explicar el modelo de crecimiento de Cuenca en función de las variables que afectan el valor del suelo.

5. Definir al año 2025, un escenario de crecimiento para Cuenca según el modelo tendencial del precio del suelo mediante las variables que lo determinan.

1.3. PREGUNTAS DE INVESTIGACIÓN ¿Cómo influye el valor del suelo en la configuración espacial de las ciudades?

22

¿Cómo se traducen espacialmente las variables económicas, sociodemográficas y geográficas que determinan el precio del suelo en la ciudad de Cuenca? ¿Cuáles son las características del modelo de crecimiento de Cuenca con relación al precio del suelo?

De seguir la tendencia analizada ¿Cuál es el crecimiento urbano que definirá a Cuenca en el año 2025?

1.4. HIPÓTESIS El modelo de crecimiento en la ciudad de Cuenca-Ecuador constituye un fenómeno dinámico, dependiente de las variaciones espacio-temporales del valor del suelo, por lo que mediante un análisis prospectivo de las variables que definen dicho precio, es posible predecir su comportamiento y construir un escenario futuro de expansión urbana.

1.5.

JUSTIFICACIÓN

El modelo de crecimiento que define a una ciudad responde a un complejo y dinámico proceso en el que intervienen varios factores. Uno de los más influyentes es el valor del suelo por estar aplicado sobre un recurso limitado, no renovable e indispensable para el desarrollo de actividades en el territorio.

En Cuenca (Ecuador) la creciente residencia de jubilados extranjeros en áreas periurbanas es una de las principales causas para elevar el precio del suelo. De este modo se torna inaccesible la implantación de ciertos usos que, atraídos por el bajo costo, se desplazan hacia zonas rurales. Se genera así un modelo de crecimiento caracterizado por la progresiva ocupación del área periurbana de la ciudad y también de su frontera agrícola, reduciéndose consecuentemente el suelo con alto valor paisajístico y ambiental. Dicho escenario contrasta con las zonas centrales altamente consolidadas. Aquí, las actividades económicas secundarias son el uso exclusivo, alejando a la población residente y, por lo tanto, provocando la subutilización de infraestructuras de servicios básicos y equipamientos públicos. De lo anterior se deduce que el precio del suelo tiene directa relación con la

23

localización de usos y, estos a su vez, con el crecimiento de la ciudad. Los precios tienen la capacidad de concentrar o dispersar los usos según los intereses reguladores del mercado.

Para controlar este crecimiento caótico poco efecto tienen las regulaciones estatales provenientes de la planificación territorial, la cual al ser aun de aplicación incipiente en el Ecuador4 carecen de herramientas operativas que favorezcan la toma de decisiones. Por tal circunstancia, no se aplican efectivamente los instrumentos de la planificación, dando paso a factores que intervienen agresivamente en el crecimiento de las urbes. Así, las intervenciones estatales y la inversión privada favorecen la especulación del valor de la tierra, factor que, de manera caótica, se convierte en el verdadero regulador del crecimiento de las ciudades.

Si bien existen estrictos cuerpos legales para controlar las ganancias extraordinarias de elevadas plusvalías, su vulnerabilidad aún no logra detener el efecto negativo del mercado capitalista sobre la configuración del territorio. Frente a esto, la mejor solución viene dada por una adecuada planificación estatal en sus diferentes niveles. Este trabajo pretende contribuir al conocimiento de las dinámicas que caracterizan el precio del suelo, así como sus principales influyentes. Un profundo estudio de esto conducirá a Planes de Desarrollo y Ordenamiento Territorial (PDOT) equilibrados en sus intervenciones, previniendo que las inversiones estatales no desencadenen desequilibrios territoriales.

Para lograr esto es necesario el uso de herramientas técnicas y tecnológicas para la implementación de sistemas de información urbana que funcionen como mecanismos de monitoreo y predicción de agentes económicos transaccionales como los precios de suelo, con alta importancia en la implementación de políticas tributarias eficientes y de esta forma se establezca la relación entre las economías municipales y nacionales y el mercado de bienes inmuebles (Erba, 2007) En este sentido, los Sistemas de Información Geográfica (SIG) han impulsado el desarrollo del análisis espacial que da cuenta de sus transformaciones, pasando de ser una opción a

4

Pese a que la planificación territorial en América Latina tiene un largo recorrido, en Ecuador no antes del 2008 es obligación para los diferentes niveles político-administrativos.

24

ser paulatinamente una obligación en las ciudades. La identificación de las características del suelo urbano, que incluyen el uso, ha adquirido una mayor jerarquía, ante la puesta en práctica de los llamados PDOT, que consideran el territorio como un factor de desarrollo y que incluyen en su elaboración la necesidad de establecer una clasificación de este recurso, tarea para la cual los SIG son fundamentales.

Las aplicaciones más refinadas del SIG: monitoreo del cobro de impuestos y de las variaciones del mercado inmobiliarios, son mecanismos capaces de producir ingresos en todos los niveles de la administración pública, convirtiéndose en una herramienta ideal para la descentralización. Su uso, mediante una adecuada capacidad de análisis espacial, transforma los múltiples datos irrelevantes, en información útil para la planificación, la gestión ambiental, la implementación de obras públicas y un conjunto de diversas actividades para el beneficio colectivo.

Pero además de esto, la identificación de los procesos de crecimiento y expansión y sus efectos sobre el valor que el suelo urbano adquiere es una herramienta fundamental para intervenir en los problemas urbanos antes de su ocurrencia.

Por tal razón, a los SIG tradicionales se los ha incluido poderosas herramientas de geosimulación que, basados en datos catastrales, realizan simulaciones que permiten prever comportamientos de los valores del suelo, a partir de la implementación de ciertas intervenciones urbanas. Determinar cuáles parcelas están involucradas y en cuanto se alteraría el valor del suelo en cada una de ellas es fundamental para el desarrollo de una política urbana coherente con la realidad. Esas determinaciones anticipadas dependen básica y simplemente de la combinación de datos provenientes de diferentes fuentes y de la aplicación de modelos preestablecidos. Las simulaciones son impracticables si no se cuentan con datos provenientes del Catastro Territorial (que aporta la base cartográfica y las características físicas, jurídicas y económicas de cada parcela) y con los datos de los Catastros Sectoriales, los cuales, por ser registrados de diferentes instituciones públicas, se encuentran dispersos y desconectados.

1.6. ALCANCES Por la importancia que ha ganado el uso de herramientas operativas en el proceso de planificación territorial, el presente trabajo constituye un aporte para las diferentes entidades de consultoría públicas y privadas encargadas del desarrollo de los PDOT. El demostrar que los procesos de ocupación de las ciudades son fruto de las dinámicas del mercado, permitirá controlar puntualmente aquellos planes, programas y proyectos de desarrollo que favorezcan un descontrolado crecimiento urbano justificado en la especulación de precios del suelo. La investigación además constituye un reto para la academia universitaria, cuya influencia sobre la sociedad deberá estar sustentada en análisis multidisciplinares, para lo cual el uso de herramientas SIG, realizado en este trabajo, es un gran antecedente.

El área geográfica que servirá como aplicación de este estudio será la ciudad de Cuenca, declarada en 2015 por la Organización de las Naciones Unidas (ONU) como ciudad intermedia, siendo una característica para esta distinción su población que no supera el millón de habitantes y una superficie que bordea las 11300 Ha (Ochoa, 2015). Al igual que muchas urbes latinas, el desorden que caracteriza su crecimiento es el claro reflejo de las dinámicas de oferta y demanda de suelo para cubrir la necesidad poblacional de vivienda.

Con el propósito de abordar el crecimiento urbano de la ciudad de Cuenca, es necesario adquirir una escala territorial donde se visualicen las áreas periféricas que podrían ser ocupadas en un futuro. Dichas áreas están conformadas por las parroquias rurales, las cuales circundan la cabecera parroquial urbana de la ciudad. A más de esto, se procurará advertir la variación del precio de suelo en diferentes zonas de la ciudad. Estas condicionantes conllevan al uso de variables con la menor desagregación espacial posible.

Bajo esta premisa, la información socioeconómica proporcionada por el Instituto Nacional de Estadísticas y Censos (INEC) constituye una fuerte limitante en la precisión que alcancen los resultados toda vez que la misma no está disponible a una escala menor a la del sector censal que abarca un conjunto de manzanas agrupadas homogéneamente en función de un número específico de viviendas, pero ampliamente heterogéneas en superficie.

25

26

A lo anterior se debe sumar las imprecisiones del estudio atribuidas a la metodología empleada. Un estudio de prospectiva siempre tendrá un amplio margen de incertidumbre pues aún los algoritmos más avanzados de predicción son incapaces de advertir cambios en el comportamiento impredecible de la población ante los múltiples eventos que ocurren en el tiempo. Por tal motivo, los resultados obtenidos solamente constituyen una aproximación del modelo esperado en el caso de mantenerse la tendencia actual.

Pese a estas circunstancias, se espera obtener resultados orientados a comprender el crecimiento de un centro urbano desde el enfoque del precio del suelo, aspecto muy poco explorado, altamente dinámico y de una importancia superlativa a la hora de configurar una ciudad. Los resultados permitirán conocer si mediante la geosimulación es posible predecir tal dinamismo o en su defecto, cuales son las debilidades de la metodología empleada para que puedan ser fortalecidas en futuras investigaciones.

Mediante el conocimiento de las variables vinculadas a la variación del precio del suelo se pueden tomar acciones encaminadas a un control más eficaz de la especulación del mercado, ofreciendo mayores oportunidades de acceso al suelo urbano.

La predicción del crecimiento urbano permitirá prevenir que se ocupen suelos potencialmente agrícolas y de alto valor ambiental, siempre que se adopten normativas que regulen el uso y ocupación de las zonas que, determinadas por la geosimulación, son potencialmente probables de recibir actividades urbanas.

CAPITULO 2 2. DISCUSIÓN DEL MARCO TEÓRICO Aunque hay estudios previos de las repercusiones que las intervenciones territoriales tienen sobre el territorio (Casanova, 2005; Obando Bulla, 2009; Ramírez Pardo, 2013; Salazar Romero, 2014; Glen Molina, 2015), la mayoría de autores identifican la evolución del uso de suelo como variable dependiente de múltiples factores (Almeida, 2007; García Lamparte, Santé Riveira, y Crecente Maseda, 2010), sin considerar entre ellas el precio de suelo.

El suelo cumple un rol importante en el desarrollo de las sociedades por sus características implícitas que generan dinamismo en el resto de componentes de la economía. Partiendo de este enfoque, al suelo se lo reconoce ya sea como un factor de producción, por ser una fuente natural de recursos, o también como un bien aislado de producción que se valoriza permitiendo desarrollar inversiones, ahorros y capitalización. Bajo ésta última acepción, se han desarrollado las actuales teorías sobre la formación del precio de la tierra, las cuales pueden repartirse en los siguientes grupos (Jaramillo, 1994 en Buitrago Bermúdez, 2001): -

Teoría de la accesibilidad: iniciada por Von Thünen con su clásico modelo de anillos

concéntricos y ajustada posteriormente a los nuevos fenómenos urbanos impulsados por la mejora de los transportes y medios de comunicación intraurbanos. El precio del suelo cobra sentido cuando se mide la distancia al centro urbano: a más distancia menor precio, toda vez que en el centro se reducen los costos de transporte, la comunicación se vuelve más fluida y en consecuencia existen mayor accesibilidad. Actualmente al trade-off entre precio y distancia se añade el concepto de “espacio consumido”, término con el que se asocia al tamaño de lote. Según esto último, los más pobres ocupan el centro urbano de mayor precio, pero de reducidas dimensiones, mientras que los de mayor poder adquisitivo habitan en la periferia donde los terrenos son más baratos, pero gozan de mayores extensiones. Aquí juega un rol protagónico las vías de comunicación a los centros urbanos y los medios de transporte, pues son las clases de mayores recursos los que hacen uso de estas herramientas para salvar en poco tiempo las distancias a la centralidad.

27

28

-

Teoría de las externalidades: se basa en explicar el precio del suelo bajo

perspectivas multidisciplinarias, analizando diversos atributos que lo caracterizan aun siendo externos a él. Estos atributos se suman a los propios del terreno para determinar el nivel de elegibilidad de los usuarios para su ocupación. Intervienen así factores del entorno como la calidad ambiental, los servicios públicos, las densidades urbanas, la calidad espacial, etc. Esta teoría incluye la accesibilidad no como un elemento más del entorno y supone que el precio del suelo corresponderá a la suma del óptimo de externalidades que le ofrece el espacio urbano.

-

Teoría de la jerarquización social: eleva como prioritario el factor socio-económico

para explicar la diferenciación de los precios del suelo. Aunque este enfoque en la teoría anterior es una más de las “externalidades”, aquí se la asocia como el factor de mayor importancia, hecho que se demuestra en el estudio de Roca Cladera (1983) para Barcelona, quién concluye que la formación de los valores de suelo se explica en primer lugar por los aspectos de diferenciación social, seguido por externalidades del predio y por último, mediante la accesibilidad del espacio urbano.

2.1. EL PRECIO DEL SUELO DESDE EL CRECIMIENTO DE LA CIUDAD Como se ha venido insistiendo, el precio del suelo es un fenómeno que influye en el desarrollo espacial de las ciudades, por lo que sus factores desencadenantes estarán implícitos en las dos razones básicas por las que una ciudad crece: el desarrollo económico y el aumento de la población (Borrero, 2007). Si bien el segundo se debe a múltiples factores, en la mayoría de los casos se encuentra muy relacionado al primero, según se relata a continuación: El desarrollo económico, resultado del incremento de actividades productivas secundarias y terciarias, constituye un agente de atracción poblacional pues se traduce en un incremento en las ofertas de empleo. Esto produce la migración de obreros rurales quienes ven en el suelo urbano mejores condiciones de vida. Esto lo demuestra Cardona Gutiérrez (1976), cuando en su estudio sobre las razones que motivan la migración encuentra que en primer lugar está el empleo seguido por otros factores como la mejoría en los ingresos, educación, mejor nivel social y/o vivienda, en ese orden. Dada su condición de empleado,

29

sin estabilidad laboral, el migrante arrienda una vivienda, con lo que el valor de los arriendos se incrementa paulatinamente. Ante esto, aquellos habitantes más antiguos hacen uso de sus ahorros para adquirir una vivienda propia lo que ocasiona un incremento en la demanda por vivienda, situación que obliga al constructor adquirir nuevos terrenos para atender la demanda del mercado. Con el crecimiento urbano que esto supone, las nuevas ofertas habitacionales se alejarán gradualmente hacia la periferia, donde no solamente acudirán los estratos bajos sino también los de mayor poder adquisitivo ocuparán estos territorios, promovidos por el deseo de aislarse de la ruidosa y contaminante urbe. Alrededor de estas urbanizaciones exclusivas se irán agrupando los estratos medios. De este modo, el suelo obtendrá su valor según el nivel social que lo ocupe: en la medida que los niveles medios se acerquen al estrato alto, el suelo se valorizará (Borrero, 2007).

2.2. FACTORES QUE INFLUYEN EN EL PRECIO DEL SUELO En los entornos capitalistas donde se desarrolla la economía latinoamericana, el suelo se ha convertido en un producto para el intercambio comercial cuya relación entre los dueños de tierras, conocidos como terratenientes, y los consumidores, se regulan a través del mercado que, junto a atributos ligados al terreno, determinan el precio de la tierra.

En la búsqueda de los factores que influyen en el precio del suelo Buitrago Bermúdez (2001) realiza una diferenciación entre las características propias o naturales del predio, y por otro lado, los aspectos que le son otorgados por la sociedad. Un mayor desarrollo de esta diferenciación se recoge en la figura 1.

30

Figura 1: Factores que determinan el precio de la tierra Fuente: (Buitrago Bermúdez, 2001) Este autor realiza su estudio partiendo de las siguientes variables: tamaño del predio, pendiente, presencia de aguas, potencial agrológico del suelo, accesibilidad, municipio (imaginarios asociados a la calidad de vida de una determinada región), uso del suelo, norma de uso y tipo de propietario (jurídico o natural). Las regresiones polinomiales usadas como metodología sugieren como conclusiones principales que: -

A menores pendientes los precios son mayores, pero aún más grandes son los precios asociados a pendientes abruptas, lo cual se justifica por el gusto de las altas clases sociales por construir en zonas montañosas que ofrecen mayor privacidad y paisajes exclusivos.

-

Un mayor valor potencial agrológico incrementa el precio del suelo en zonas rurales, pero a medida que se acerca a la urbe, los precios unitarios son superiores para potenciales agrológicos medios e incluso bajos.

-

La presencia de agua es directamente proporcional al precio de la tierra en regiones rurales, donde este elemento es indispensable para la producción agrícola.

-

La estructura de la red vial expande en su dirección los usos de suelo urbanos, transfiriendo al espacio por el cual se abre camino, la renta absoluta urbana auspiciando el aumento de los precios de la tierra.

31

En otro estudio González Roldán (2012) señala que el precio del suelo urbano está determinado principalmente por factores externos al terreno que no pueden ser alterados y en su mayoría son producidas por intervenciones públicas. De este modo, el mercado del suelo urbano expresa, mediante los precios de la tierra, las diversas externalidades que se dan en el espacio urbano.

Cada lote urbano no posee otro de iguales características y adquiere condiciones únicas que le otorgan un rol relevante que se traduce en la asignación de valor. Dentro de las características únicas del predio, hay ciertos factores dominantes, los cuales tienen un mayor peso en dicha asignación. Sin embargo, tales factores dominantes pueden cambiar en el tiempo de acuerdo a diversas condiciones macroeconómicas y tendencias de desarrollo urbano. De ahí la necesidad de estudiar el comportamiento del precio del suelo en su evolución temporal sin dejar de lado el espacial, pues el precio del suelo tiene un valor comparativo entre los sectores de la ciudad que permiten caracterizar su crecimiento en un determinado periodo.

Según Millington (1994 en De Cesare, 2007), los factores que repercuten en el precio del suelo de bienes inmuebles pueden ser clasificados en: -

Aspectos socioeconómicos, culturales y ambientales, incluyendo el tipo de sociedad, características de la población, valores históricos o culturales, disponibilidad y facilidad de financiamiento, inflación, moda y status.

-

Aspectos relativos a la localización, como, por ejemplo, facilidad de acceso a shopping centers, polos comerciales o industriales, recreación, entretenimiento. La disponibilidad y la cualidad de los servicios y equipamientos de la infraestructura urbana como alcantarillado, teléfono, cables, luz y transporte. El funcionamiento del mercado económico y la propia estructura urbana influyen en la ocupación que se le vaya a dar a un terreno, siendo la localización con respecto a los centros de mercado una variable importante dentro del análisis del valor del predio (Buitrago Bermúdez, 2001). Esto tiene directa relación con la concentración – dispersión de los usos de suelo cuyo proceso se define por la “conformación de precios que se caracterizan básicamente por alcanzar los mayores montos en las áreas centrales,

32

mostrando descensos bruscos en sus bordes exteriores; y una variación paulatina desde las zonas adyacentes a las centrales hasta las zonas de expansión, en las cuales se encuentra normalmente los menores precios” (Tapia Chocho y Aguirre Aguirre, 2007 en González Roldán, 2012, p.47).

-

Aspectos físicos y funcionales, tales como, tipo de suelo, topografía, tamaño del terreno; área, cualidad y estado de conservación de las mejoras; usos compatibles, apariencia y la potencialidad para la modernización.

-

Aspectos urbanos y legales, incluyendo encargos o beneficios fiscales, potencialidad de densificación o de alteraciones de uso, y restricciones urbanísticas, como gravámenes generados para fines de preservación cultural, ambiental o ensanchamiento. Los derechos de propiedad privada desempeñan un papel importante en el proceso de construcción de la ciudad ya que el dueño puede retener un terreno vacante fuera de la oferta efectiva del mercado por lo que no todos los lotes urbanizables son ofertados. Por otro lado, el rol del estado a través de sus actuaciones de infraestructura influye en el mercado inmobiliario a la formación del valor del suelo. En este ámbito según Hoffmann (2003), la plusvalía se genera por: declaración de urbanización para predios rurales (cambio de categoría), el establecimiento o modificación de la zonificación de usos de suelo, autorización al incremento de aprovechamiento de suelo y la ejecución de obras públicas que no se haya utilizado para su financiamiento la contribución por mejoras.

Dentro de estos aspectos, Polése (1998) identifica un conjunto de variables externas e internas, caracterizadoras del precio del suelo: Variables externas: -

servicios básicos (alcantarillado, alumbrado público, agua potable, recolección de basura, telefonía, vial y energía eléctrica)

-

uso de suelo: ubicación de actividades en un territorio, lo cual resulta de varios factores como: el desarrollo histórico y económico, las políticas habitacionales y urbanas, las características naturales del sitio

33

-

equipamiento urbano: tipo e influencia

-

morfología de la manzana

-

rentabilidad (pendiente)

Variables internas -

servicios básicos, incluido el tipo de acceso

-

características del suelo geotécnicas

-

topografía

-

superficie

-

localización del predio en la manzana, situación en manzana

-

relación frente/fondo

-

forma

2.3. FACTORES QUE INFLUYEN EN LA VALORIZACIÓN DE LA PLUSVALÍA En el análisis del precio del suelo no se puede dejar de lado la parte correspondiente a la plusvalía, la cual está sujeta a una serie de rasgos específicos (González Roldán, 2012): -

no solo beneficia a la parcela donde se realice una intervención sino a las parcelas circundantes, aunque de manera diferenciada, de acuerdo a su localización en relación con las fuentes de valorización.

-

Deriva principalmente de los esfuerzos de la comunidad y, en menor escala, de los capitales individuales/privados en las parcelas

-

Estos incrementos, derivados de acciones colectivas, son apropiados en forma privada por los dueños de las parcelas.

Se puede concluir que, en la obtención de plusvalía, la localización geográfica juega un rol fundamental. En palabras de Alonso (1964 en González Roldán, 2012, p.34): “la localización determina la renta, y el precio del suelo atrae los usos con capacidad de pago para esa ubicación”.

2.4. MARCO METODOLÓGICO 2.4.1. La regresión logística para la identificación de probabilidades en base a múltiples variables Los modelos de regresión son ampliamente utilizados para la explicación de fenómenos espaciales mediante múltiples variables. Algunos los usan como alternativa al método geoestadístico de interpolación para generar rásters continuos mediante fórmulas matemáticas (Pesquer, Masó, y Pons , 2007; Vilar del Hoyo, Pilar Martín, y Martínez Vega, 2008). De Pietri, Dietrich, Mayo, y Carcagno (2011) emplean para generar modelos de riesgo humano de incendio forestal a partir de variables independientes de tipo socioeconómico que se generan a partir de herramientas SIG. Por otro lado, Ortíz, Arias, Cardozo, y Da Silva, (2015) emplean modelos de regresión lineal múltiple para determinar la relación entre el precio fiscal del suelo con variables socio-económicas y geográficas, obteniendo al final un modelo con tres variables: densidad de hogares, distancia a calles comerciales y distancia a espacios verdes. De este modo los autores anotados recomiendan su uso por su alto nivel de confiabilidad, siendo además una de las herramientas más eficaces en la explicación de un fenómeno donde intervienen múltiples variables.

2.4.2. El uso de la geosimulación en la proyección futura de fenómenos sociales Si bien los autores mencionados basan sus análisis en modelos de regresión, es necesario implementar el factor geográfico para identificar patrones espaciales que surjan de las relaciones multivariantes, lo cual es una limitación de los análisis puramente estadísticos.

En tal sentido Casanova (2005) hace una aproximación de los efectos de las intervenciones territoriales sobre el valor del suelo ayudándose para ello de las herramientas SIG. Sin embargo, su estudio se limita a la representación cartográfica de múltiples variables para luego analizarlas visualmente mediante mapas temáticos. De esta manera, en los últimos años los SIG ofrecen herramientas geoestadísticas para dichos fines, siendo esenciales para alcanzar modelos de geosimulación (Paegelow, Camacho Olmedo, y Menor Toribio, 2002; Hurtado Pidal, 2014; Pinos Arévalo, 2016).

34

35

En todos los casos, el objetivo de los autores es determinar la evolución de las coberturas de suelo, en otras palabras, el cambio de cobertura de suelo que se espera que ocurra en el futuro. Si bien estas herramientas de modelación están diseñadas específicamente para este propósito, la teoría que respalda la construcción de estos algoritmos (Wagner, 1997; Padilla Almeida, 2006; Albrecht, 2007; Computers, Environment and Urban Systems, 2007; Yan, 2009; Santé, García, Miranda, y Crecente, 2010; Reyes Gómez, 2011; Mas, Kolb, Paegelow, Camacho Olmedo, y Houet, 2014) permiten emplearlos en otras situaciones que se quieren modelar, tales como la que se ocupa en esta investigación, los tipos de precio de suelo.

2.4.3. Técnicas de geosimulación Mediante los modelos de simulación se pueden explorar diferentes posibilidades de evolución del crecimiento urbano, lo cual constituye mecanismo de respaldo a la toma de decisiones. Carsjens (2009 en Gómez Delgado, Aguilera Benavente, Barreira González, Bosque Sendra, y Rodríguez Espinoza, 2014) reconoce tres tipos de modelos según el enfoque predictivo con el que se lo asocie: 1) evolución más probable, cuando se construyen los escenarios bajo un tipo de pensamiento predictivo 2) exploratorio, cuando los escenarios se construyen teniendo el control sobre determinado eventos o decisiones para comprobar los cambios que podrían afectar al sistema y, 3) normativo, aquel escenario donde las condiciones del futuro son las idealmente alcanzables.

Existen diferentes tipos de herramientas empleadas para la simulación del crecimiento urbano: redes neuronales artificiales (ANN, por sus siglas en inglés), mediante la teoría del caos y la catástrofe, geometría fractal, simulación mediante agentes, árboles de decisión, a través de técnicas de regresión lineal/logística y aquellos basados en Autómatas Celulares (AC). De este grupo de herramientas, el estudio de Triantakonstantis y Mountrakis (2012) señala que el último goza de mayor preferencia entre los autores.

2.4.3.1.

Redes Neuronales Artificiales

De entre todas las técnicas multivariadas, la red neuronal artificial es la única a la que no le afectan las relaciones de los datos de entrada, por lo que no se asume la autocorrelación

36

espacial y la multicolinelidad. El ANN tiene un aprendizaje iterativo, es decir, los datos de salida sirven para generar datos de entrada con información mejorada del proceso anterior, repitiéndose esto indefinidamente. Debido a que las ciudades crecen de manera integral, este proceso de aprendizaje puede producir herramientas capaces de modelar la complejidad de la estructura urbana (Sheryl y Jianguo, 2004).

Un ejemplo de ANN combinado con SIG fue presentado por Pijanowski, Brown, Shellito, y Manik (2002) quienes producen el Land Transformation Model (LTM) para pronosticar los cambios en el uso de la tierra teniendo en cuenta factores sociales, políticos y ambientales, contando en total 10 variables de predicción de la urbanización. Mientras que las ANN sirvieron para aprender los patrones de desarrollo y probar la capacidad predictiva del modelo, los SIG se emplearon para desarrollar los controladores espaciales y de predicción, y para realizar un análisis espacial de los resultados. Se demostró que mientras más se incrementaba la escala de estudio los resultados del modelo mejoraban su precisión Otro aporte de predicción de crecimiento urbano con ANN es ART-MMap desarrollado por Liu y Seto (2008) cuyas predicciones se realizan bajo diferentes escenarios, utilizando información pasada de las fuerzas impulsoras del uso de la tierra y datos socioeconómicos.

Tayyebi, Pijanowski, y Tayyebi (2011) presentan un modelo de crecimiento urbano donde se fusionan ANN, SIG y Sensores Remotos (RS, por sus siglas en inglés) para simular la compleja geometría del límite urbano de Tehran, capital iraní, basándose en factores de expansión urbana como las distancias de carreteras, espacios verdes, estaciones de servicio y áreas construidas, pendiente y aspecto (Hillshade). Así mismo, Maithani (2009) revela que la forma urbana futura o los patrones de crecimiento se relacionan con los atributos del sitio y mediante el uso de ANN se puede reducir la subjetividad en el modelado del crecimiento urbano.

Los modelos basados en ANN tienden a sobreajustar los datos, por lo que el tamaño del conjunto de datos de entrenamiento debe ser cuidadosamente seleccionado. Además, la “caja negra” que supone el proceso interno de aprendizaje de los ANN limitan la comprensión de la evolución urbana (Triantakonstantis y Mountrakis, 2012).

2.4.3.2.

Geometría fractal

Originalmente concebidos para el análisis de objetos naturales, gracias al aumento de la modelización analítica urbana se ha podido demostrar que los objetos espaciales planificados y diseñados, como las formas urbanas y las redes de transporte también pueden tratarse como fractales (Frankhauser, 1998; Lu y Tang, 2004).

La teoría fractal defiende la no linealidad de la complejidad estructural espacial, lo que podría indicar que el crecimiento urbano se ajusta a una auto-organización espacial multiescala, concepto que se basa en la capacidad del sistema para organizar sus componentes con un soporte de energía interna. En estos sistemas, la organización aumenta espontáneamente sin ser controlada por fuerza externas (Batty y Longley, 1994).

Se piensa que una comparación entre las medidas de densidad convencionales y el índice de dimensión fractal daría más información sobre la utilidad de éstas últimas para modelar la forma urbana, el crecimiento y el desarrollo. Los modelos fractales dan una perspectiva muy diferente sobre los estudios de densidad urbana. Batty y Longley (1994) explican la evolución de la estructura de las ciudades en formas que a primera vista pueden parecer irregulares, pero en términos fractales revelan un orden subyacente complejo y diverso.

La principal desventaja de este tipo de estudios radica en la dificultad de interpretar las medidas fractales de complejidad espacial ya que un mismo valor de dimensión fractal puede representar diferentes formas o estructuras. Su limitación en el modelado de procesos urbanos se debe también a que no se ha podido aún incorporar la dimensión temporal (Cheng, 2003).

2.4.3.3.

Modelamiento a través de la teoría del Caos y Catástrofe

Las teorías que intentan aplicar este enfoque son la teoría de la catástrofe (Clarke y Wilson, 1983) y la teoría de las estructuras de bifurcación disipada (Sanglier y Allen, 1981). Sin embargo, estos intentos se los ha aplicado a escalas macro siendo difícil desarrollar explicaciones coherentes del tipo de cambios que surgen a escalas más pequeñas, los cuales según Batty (1998) tienden a reestructurar la forma macro del sistema.

37

38

La teoría del caos significa que el comportamiento impredecible a largo plazo surge en los sistemas dinámicos deterministas debido a su sensibilidad a las condiciones iniciales. Por lo tanto, para que un sistema dinámico sea caótico, debe tener un conjunto grande de condiciones iniciales que sean altamente inestables. No importa la precisión de las mediciones de las condiciones iniciales, la predicción en el movimiento inmediato es radicalmente incorrecta luego de un corto plazo. La clave para alcanzar ésta imprevisibilidad a largo plazo es una propiedad conocida como “sensibilidad a las condiciones iniciales” (Cheng, 2003).

Un sistema dinámico caótico indica que los cambios menores pueden causar grandes fluctuaciones pudiéndose predecir solamente comportamientos a corto plazo, especialmente en sistemas socioeconómicos, como el de una ciudad. Aunque este enfoque es muy útil para buscar explicaciones teóricas del complejo comportamiento del crecimiento urbano en un corto plazo, la escala temporal de los datos disponibles del crecimiento urbano es demasiado limitada para descubrir su comportamiento a largo plazo (Cheng, 2003).

2.4.3.4.

Modelos basados en agentes

Los modelos basados en agentes aplican un enfoque ascendente o down-up para lograr una mejor comprensión de los sistemas urbanos al permitir la simulación de acciones individuales de los agentes y la medición del comportamiento resultante del sistema (Benenson, 1998; Crooks, 2006; Maglioca, McConnell, Walls, y Safirova, 2012). Los agentes son unidades autónomas que intercambian información con otros agentes bajo una comunicación interactiva. El comportamiento individual de los agentes permite que la influencia de la toma de decisiones humana se incorpore al modelo. A pesar de la aplicabilidad satisfactoria de los modelos basados en agentes en la simulación de crecimiento urbano, existen limitaciones derivadas principalmente de las definiciones arbitrarias de las condiciones iniciales y las reglas de interacción de los agentes, lo que podría conducir a resultados altamente variables (Triantakonstantis y Mountrakis, 2012).

2.4.3.5.

Regresiones Lineales/Logisticas

Estos modelos son ampliamente usados para determinar de un conjunto de variables inicialmente explicativas, aquellas que verdaderamente podrían estar asociadas o correlacionadas con un fenómeno científico, siendo uno de ellos la planificación urbana, especialmente aplicadas para modelar el crecimiento urbano o el cambio de uso de suelo.

Para el primer caso, su uso se justifica por permitir la incorporación de múltiples variables independientes sobretodo de tipo socioeconómico y ambiental. En el segundo caso, se aplica una regresión logística para identificar los pesos de cada variable para la preparación de mapas de idoneidad.

Poelmans y Van Rompaey (2010) realizan su estudio bajo tres metodologías. La primera es la regresión logística donde utilizando cinco variables: distancia a ciudades, distancia a carreteras, pendiente, potencial de empleo y estatus del sector. Gracias a esta técnica se establece al estatus como la mayor determinante del patrón urbano. La segunda metodología son los autómatas celulares mediante las reglas de transición, y la tercera es un modelo híbrido entre los dos métodos anteriores. Los resultados revelan mejores mapas de probabilidad cuando se aplica la combinación hibrida.

López, Bocco, Mendoza, y Duhau (2001) cuantifican el cambio de cobertura y de uso de suelo (land-cover land-change LCLU) combinando en su estudio el análisis de regresión y las cadenas de Markov. El estudio exploró las relaciones entre el crecimiento urbano con el cambio de paisaje y entre el crecimiento urbano y el crecimiento de la población en la ciudad mexicana de Morelia. Los autores concluyen que el uso más poderoso de las matrices de transición de Markov parece estar en el nivel descriptivo más que en el predictivo. La regresión lineal entre el crecimiento urbano y el poblacional ofreció una predicción más robusta del crecimiento urbano, por lo cual sugirieren que la regresión lineal se use cuando se proyecten tendencias de crecimiento de ciudades con características similares.

Un enfoque mejorado del modelado espacial mediante regresiones constituye la regresión ponderada geográficamente que aborda la no estacionariedad espacial en el análisis de 39

40

regresión y los coeficientes de regresión se calculan mediante pesos espacialmente dependientes dentro de un vecindario. Luo y Kanala (2008) presentan un modelo de regresión logística multinomial ponderado geográficamente para inspeccionar los cambios en el uso de la tierra en el proceso de crecimiento urbano. Los resultados del estudio demuestran que los factores impulsores de la conversión del uso de la tierra varían espacialmente y que éstos pueden tener diferentes niveles de influencia en diferentes lugares o incluso pueden tener efectos opuestos en la conversión del uso de la tierra.

La principal desventaja de esta técnica de simulación es su imposibilidad de capturar la no linealidad existente en las relaciones de la variable dependiente y sus drivers, o para abordar las correlaciones entre estas últimas, reduciéndose significativamente las capacidades de modelado (Triantakonstantis y Mountrakis, 2012).

2.4.3.6.

Autómatas celulares (AC):

Pese a que desde su introducción por Ulan y Neumann en 1940 fue usada para simular el comportamiento de fenómenos biológicos o naturales, su uso para la simulación del crecimiento urbano comienza cuarenta años después (Yan, 2009; Basse, Omrani, Charif, Gerber, y Bódis, 2014). Se trata de una técnica con un sistema dinámico discreto, representado por una grilla de celdas o células en la cual las relaciones locales interconectadas exhiben cambios globales. El estado de cada célula depende tanto de su propio valor en un estado previo determinado, como también de los valores previos de sus vecinos, según algunas reglas de transición. Estas reglas afectan el crecimiento urbano indicando así la influencia de las variables empleadas en el modelo (Wolfram, 1994; Yan, 2009; Reyes Gómez, 2011; Triantakonstantis y Mountrakis, 2012).

Esta simulación basa su teoría sobre aquellas acciones locales que progresivamente crean o emergen en una estructura global. Es ideal para representar estructuras complejas como las urbanas, que no responden a la linealidad. Su proceso iterativo conduce a patrones fractales, características comunes en un entorno urbano (Wolfram, 1994; Santé et al., 2010; Triantakonstantis y Mountrakis, 2012).

Según Cheng (2003) las diferentes aplicaciones de AC pueden ser clasificadas en tres tipos:

41

1) Cuando se vinculan la Complejidad y la teoría SIG: En complejidad, muchas contribuciones provienen de otras áreas como informática, biología, física y ecología. Se usan modelos abstractos para explorar propiedades tan generales de sistemas complejos como la emergencia, la criticidad autoorganizada y el caos. Con respecto a la complejidad espacial de los sistemas urbanos, AC se usa para explorar las propiedades de autoorganización de los sistemas urbanos y mecanismos de retroalimentación. En SIG se intenta desarrollar funciones analíticas espaciales más avanzadas basadas en el modelado con AC o intentar expandir AC desde la estructura de datos ráster a otro formato. Esta aplicación aún no se ha desarrollado ampliamente pero se muestra una tendencia creciente.

2) Estudios urbanos teóricamente artificiales: se usa AC para desarrollar estudios urbanos teóricos como el caso de Batty (1998) que busca patrones de desarrollo urbano, Benati (1997) cuyo estudio se basa en la teoría de la ubicación competitiva autoorganizada, Wu (1998a) quien aborda las estructuras policéntricas, Batty, Xie, y Sun (1999) exploran las dinámicas del uso de la tierra a través de sus ciclos de vida o Portugali y Benenson, (1997) analizando la segregación socioespacial urbana. En estos casos, las reglas de transición se vinculan con teorías urbanas para probar hipótesis teóricas mediante el uso de datos simulados reales. Esto es muy prometedor ya que puede aportar nuevos medios para desarrollar e interpretar nuevas teorías urbanas. Uno de los múltiples potenciales de CA en la investigación teórica urbana es la generación de fenómenos urbanos novedosos a partir de componentes teóricamente informados (Torrens y O´Sullivan, 2001).

3) Casos de estudio empíricos: se trata de sistemas de apoyo a la decisión espacial para simulación, predicción y planificación basado en casos reales de estudio, donde la disponibilidad de datos y su calidad afectan la aplicación de AC en diversas escalas. Varios autores emplean algoritmos basados en Cadenas de Markov y AC para la modelación espacio temporal de entornos urbanos, por citar algunos ejemplos se tiene a Shafizadeh Moghadam y Helbich (2013) quienes desarrollan un modelo espacio-temporal del proceso de urbanización de Mumbai, India; Rendana, Abdul Rahim, Razi Idris, Lihan, y Ali Rahman (2015) en Malasia o Jalerajabi y Ahmadian (2013) que emplean estas herramientas en la ciudad de Zajan, Irán.

42

De este modo, se han diseñado muchas aplicaciones que usan dentro de su flujo de trabajo AC, siendo uno de los más usados SLEUTH, iniciales de Slope – Land use – Exclusion – Urban extent – Transportation – Hillshade, capas de insumo que requiere dicha aplicación para simular el cambio de uso de suelo.

Otro modelo de simulación basado en AC es SimLand, que suma además la participación de Evaluación Multi-Criterio (EMC) y SIG. Específicamente se emplea la herramienta EMC conocida como Proceso de Análisis Jerárquico (AHP, por sus siglas en inglés), la cual se usa para derivar las reglas de transición orientadas a los vecinos posteriormente implementadas en AC. Los módulos de EMC y CA son escritos en un lenguaje de programación reconocible dentro de software SIG para la representación cartográfica y análisis espacial de los resultados. La combinación de estos tres elementos AC, EMC y SIG tiene como ventajas la visualización en la toma de decisiones, fácil accesibilidad a la información espacial y una más real definición de las reglas de transición usadas en AC (Wu, 1998b).

La combinación de AC con cadenas de Markov se han aplicado en múltiples estudios, ya que con ellas no solo se explica la conversión entre usos de suelo sino además se calculan los porcentajes de transferencia entre diferentes tipos. Por otro lado, junto a técnicas de EMC y pesos ponderados se puede estimar la importancia de variables explicativas cualitativas y cuantitativas en el flujo de trabajo de los AC. A este tipo de estudios, donde se combina AC con otras técnicas de simulación, se suma el estudio de Al-kheder, Wang, y Shan (2008) que realizan la calibración de las reglas de transición de AC en base a combinar técnicas de inferencia borrosa (fuzzy inference) y Algoritmos Genéticos, o también el estudio de Yang, Li, y Shi (2008) que aplica el algoritmo de SPV (Support Vector Machines) para examinar reglas de transición no lineales. Una ampliación de estos casos se puede revisar en Triantakonstantis y Mountrakis (2012).

Las desventajas que se derivan de esta técnica de simulación se dan principalmente por la sincronización dinámica del entorno urbano, es decir, en cada paso de iteración AC actualiza simultáneamente todas las celdas, condición que las ciudades reales no cumplen por su comportamiento caótico (Triantakonstantis y Mountrakis, 2012). Por tal razón no se

43

puede implementar una regla de transición global para toda una ciudad debido a su heterogeneidad espacial, siendo recomendable aplicar diferentes reglas de transición para diferentes partes de la ciudad donde sus características de crecimiento sean homogéneas.

Esta misma heterogeneidad espacial determina que los vecinos de las celdas deban ser descritos por diferentes entornos y tamaños para poder capturar de mejor manera la interacción espacial de las estructuras urbanas. A estos inconvenientes se incluye la imposibilidad de modelar bajo comportamientos estocásticos y la suposición de que el espacio y tiempo permanecen invariantes, aunque este último aspecto puede ser resuelto cuando se combinan con las cadenas de Marcov. Según Torrens y O´Sullivan (2001), los modelos AC se ven limitados por su simplicidad y sus características abstractas de modelación diluyen su capacidad para representar fenómenos del mundo real.

Pese a lo anterior, AC tiene muchas ventajas para modelar el fenómeno urbano incluyendo su enfoque descentralizado, el vínculo que se puede obtener con la teoría de complejidad, la conexión de formas con función y patrones con procesos, la facilidad con la que los modelos resultantes pueden ser visualizados, su flexibilidad, su enfoque dinámico y también su afinidad con SIG y sensores remotos. Sin embargo, muchos autores apuntan a que la más importante cualidad es su relativa simplicidad (Cheng, 2003; Triantakonstantis y Mountrakis, 2012).

CAPÍTULO 3 3. METODOLOGÍA 3.1. DESCRIPCIÓN DEL ÁREA DE ESTUDIO La ciudad de Cuenca, se sitúa en la Cordillera Andina a una altura promedio de 2550 m.s.n.m. en la zona centro sur de Ecuador (fig 2), entre las coordenadas 78°59’ – 79°01’ de longitud oeste y 2°52’ – 2°54’de latitud sur, con una temperatura promedio de 15°C (Municipalidad de Cuenca, 2015). Capital de la Provincia del Azuay y del Cantón Cuenca, es la tercera ciudad más importante del Ecuador con una población cercana a medio millón de habitantes. Cerca del 70% de la población cantonal se asienta en la capital (INEC, 2010).

Figura 2: Localización del área de estudio (Cuenca - Ecuador) Se puede identificar que el crecimiento urbano de la ciudad que inicialmente fue ocupando espacios aledaños conservando la estructura cuadricular, luego ocupa paulatinamente los ejes viales, lo que genera una estructura mixta que mantiene lo cuadricular, lineal, radial; 44

45

y que posteriormente lleva a la ocupación de áreas no planificadas, enfrentado un proceso de desarrollo y expansión considerable, además de un fraccionamiento informal del suelo cada vez más agresivo, dando como resultado una ocupación dispersa con incremento en la demanda del recurso suelo, y una configuración morfológica irregular de los asentamientos (I. Municipalidad de Cuenca, 2015).

El área de estudio comprende: 1) la ciudad de Cuenca con una extensión aproximada de 7300 Ha, que corresponde al 2,45% del total del área cantonal y 331.888 habitantes (INEC, 2010; Diario El Telégrafo, 2011) y 2) su Área de Influencia Inmediata (AII) que ocupa un área de 11376,87 Ha. Comprende las zonas rurales colindantes, es decir las áreas urbanas de las cabeceras parroquiales, sobre todo aquellas que en la práctica por sus características presentan importantes procesos de urbanización y forman ya parte de la conurbación de la ciudad de Cuenca (fig. 3 y tabla 1).

Figura 3: Área de estudio: área urbana con su área de influencia

46

Tabla 1: Distribución de superficies de las parroquias que conforman el área de estudio

Parroquia BAÑOS CHECA CHIQUINTAD CUENCA (Área urbana) EL VALLE LLACAO NULTI PACCHA RICAURTE SAN JOAQUIN SAYAUSI SIDCAY SININCAY TURI TOTAL

Área Hectáreas 1512,18 0,10 463,36 7299,68 1442,97 383,35 644,39 1286,34 1070,36 727,50 558,24 156,01 1868,09 1265,50 18678,07

% 8,10 0,00 2,48 39,08 7,73 2,05 3,45 6,89 5,73 3,89 2,99 0,84 10,00 6,78 100,00

3.2. DESCRIPCIÓN DE LA METODOLOGÍA El esquema de la figura 4 relata la metodología general empleada para obtener los modelos de simulación prospectiva del precio del suelo. Las cuatro etapas que la integran se explican con mayor detalle según se avance en este apartado.

Figura 4: Esquema metodológico para obtener los modelos de simulación prospectiva

47

El esquema muestra que la primera parte comprende la elaboración de los mapas de tipos de precio de suelo para los años 2000, 2010 y 2017. El segundo año, 2010, es el año base para las demás etapas ya que de él se dispone de la mayoría de variables explicativas del precio del suelo. Estas variables fueron analizadas con ayuda de la regresión logística para determinar aquellas con mayor capacidad de predicción de la variable dependiente (tipos de precio de suelo). Posteriormente se ingresó a la fase de geosimulación dividida en dos etapas: 1) la validación de la simulación donde se empleó el módulo Ca_Markov para proyectar un escenario de precios de suelo al año 2017. Esta simulación junto a la situación real, es decir, los tipos de precio del 2017 fueron contrastados con ayuda del módulo ‘Validate’ para determinar que tan bien se ajusta la simulación a los datos reales. Esto permitió determinar el porcentaje de precisión de las demás simulaciones a diferentes periodos de tiempo.

Los softwares que cubrieron todas estas etapas de la metodología fueron: SPSS para realizar las regresiones logísticas ya que su interfaz amigable facilita la introducción de bases de datos con múltiples formatos. A esto se suma la sencillez del manejo de las variables y, siendo el caso, su rápida transformación. Por otra parte, ArcGIS 10.2 se usó para la construcción de la base de datos espacial, así como para la generación de los mapas de probabilidad. Para el desarrollo y creación de los modelos de geosimulación se empleó IDRISI versión selva. Su uso se debe a que posee un completo conjunto de herramientas de simulación en una interfaz que permite su rápida implementación y fácil interpretación de los resultados obtenidos. Entre los múltiples algoritmos de simulación está el de CA_Markov empleado en esta investigación.

Los mapas de probabilidad obtenidos mediante regresiones logísticas constituyen las condicionantes que actúan como reglas de transición para la ejecución del módulo CA_Markov (Poelmans y Van Rompaey, 2010; Hurtado Pidal, 2014; Pinos Arévalo, 2016). Si bien se puede también contemplar el uso de módulos en IDRISI destinados propiamente a ofrecer los mapas de idoneidad, tales como MCE (Multi-Criteria Evaluation) o MOLA (MultiObjective Land Allocation), para su implementación es necesario asignar los pesos de cada variable (o capa raster) participante (Eastman, 2012), lo cual, al ser éste un estudio que

48

empieza definiendo las variables que intervienen en la formación de los precios de suelo y sus respectivos pesos, no se conocen inicialmente tales ponderaciones.

La metodología propuesta permitió predecir el cambio de precio de suelo al año 2025 mediante la aplicación de algoritmos basados en AC y Cadenas de Markov, implementados conjuntamente en IDRISI. La elección de esta combinación entre AC y Cadenas de Markov se sustenta en los buenos resultados obtenidos en diferentes estudios como en Jalerajabi y Ahmadian (2013), Shafizadeh Moghadam y Helbich (2013) y Rendana et al. (2015). Esta buena reputación es fruto principalmente de la relativa simplicidad de su uso y comprensión teórica. Es también aceptado por varios autores por su relación directa con software SIG, sin la intervención de comandos en lenguajes de programación, lo cual permite una fácil y rápida visualización de los resultados de modelamiento y obtención de cartografía para el apoyo en la toma de decisiones.

Si bien hay otros métodos disponibles en el software IDRISI destinados a la geosimulación tales como Land Change Modeler, Earth Trends Modeler o GEOMOD, la información requerida para tales herramientas las hace muy restrictivas, pues están diseñados para valorar los cambios de cobertura y uso de suelo. Esta investigación, sin embargo, al aplicar modelos de simulación para los precios de suelo, necesita de una herramienta que pueda integrar libremente variables que demuestren su correlación con los tipos de precio de suelo. Este conjunto de variables puede no ser el mismo que se emplee regularmente para los usos de suelo. De modo que se pretende demostrar que estas herramientas de simulación pueden también ser aplicadas. no solo para predecir cambios en el uso de suelo, sino también para realizar prospecciones hacia otra clase de fenómenos urbanos.

Justificado la elección de los softwares usados, así como de las herramientas metodológicas empleadas, se pasa en seguida a describir detalladamente cada etapa de la metodología, según se indica en el esquema presentado en la figura 4.

3.2.1. Etapa A: Elaboración de mapas de tipos de precio de suelo Aquí se obtuvieron dos insumos importantes: 1) el conjunto de mapas de tipos de precio de suelo en los diferentes periodos de investigación, 2) la base de datos con las variables explicativas del precio del suelo, que en la siguiente etapa sirvió para generar los modelos de regresión logística. La figura 5 presenta el esquema del proceso seguido.

Figura 5: Metodología para la elaboración de mapas de tipos de precio

3.2.1.1.

Periodos de investigación

Se han considerado las siguientes cuatro épocas de estudio: -

Año 2000: inicio de la dolarización en Ecuador, moneda referencial de los precios de suelo. Justo antes de ésta transformación, el Sucre, en ese entonces la moneda oficial ecuatoriana, se devaluó al punto de producir una profunda crisis económica en el país (Cerdas, Jiménez, y Valverde, 2006). Por ésta razón, convertir al dólar los precios de suelo anteriores a éste año es un grave error, pues los predios alcanzarían un valor comercial extremadamente inferior. Además, la crisis provocó altos niveles de emigración generando un incremento en la venta de terrenos para

49

50

-

lograr cubrir los costos de los viajes al exterior y con ello la minusvalía del suelo toda vez que a los propietarios les era prioritaria la tenencia de capital.

-

Año 2010: año en que, con motivo del VII Censo de Población y VI de Vivienda, se publicaron datos cartográficos en formato digital disponibles en la Infraestructura de Datos Espaciales (IDE) del INEC: http://www.ecuadorencifras.gob.ec/geoportal/.

Esta es una fuente importante de las variables a emplearse en el modelo de Regresión Logística Binomial Multinomial (RLBM).

-

Año 2017: año en el que se desarrolla la presente investigación, constituyéndose en el año de referencia para la validación del mapa de modelación que se obtendrá con el módulo CA_MARCOV.

-

Año 2025: año de proyección de los tipos de precio de suelo que caracterizará a la ciudad.

3.2.1.2.

Obtención de los precios de suelo

El principal insumo de esta investigación son los precios de suelo obtenidos para cada época de estudio. De ellos se desprenderán los posteriores análisis de Regresión Logística, la modelación con CA_Markov con su respectiva validación y los modelos de simulación.

Por tal razón, la fuente de la cual provengan dichos datos debe proporcionar con mucha precisión los precios del suelo, teniendo presente que el fenómeno de la especulación es su principal modificador (Cordero Cueva, 2016). Éste adopta diferentes formas según las características del escenario urbano haciendo poco confiables las fuentes que mantienen un registro de los avalúos prediales, como la Municipalidad, pues los precios que dicha entidad maneja deben ser considerados únicamente como referencia pues en la mayoría de los casos distan mucho del precio real (Chuchuca Cely y Chuiza Inca, 2015).

Ante esto, pocas son las alternativas para acceder a esta información, siendo una de ellas las inmobiliarias de bienes raíces, sin embargo, la cantidad de ofertas no iguala al número necesario de muestras y las disponibles se promocionan en internet dentro de una gran extensión espacial que puede afectar la precisión del estudio.

51

Se recurriĂł entonces a los anuncios clasificados de los diarios locales. Estos son el medio ideal para acceder a los precios pues desde aquĂ­ los dueĂąos ofertan sus propiedades, sin intermediaciĂłn, a un precio que se aproxima al verdaderamente comercializado.

3.2.1.3.

EstimaciĂłn de la muestra

Para que el nĂşmero de muestras (n) buscadas represente estadĂ­sticamente el universo de predios existentes, se aplicĂł la siguiente fĂłrmula de muestreo probabilĂ­stico (psyma Passionate People Creative Solutions, 2015) (netquest, s.f.): đ?‘ đ?‘Ľ đ?‘?đ?‘Ž2 đ?‘Ľ đ?‘? đ?‘Ľ đ?‘ž đ?‘›= 2 đ?‘‘ đ?‘Ľ (đ?‘ − 1) + đ?‘?đ?‘Ž2 đ?‘Ľ đ?‘? đ?‘Ľ đ?‘ž donde, -

N = tamaĂąo del universo: 90648 predios registrados dentro del ĂĄrea urbana segĂşn el catastro predial del aĂąo 2010 cedido por la Municipalidad de Cuenca

-

Z = nivel de confianza del 95%

-

p = probabilidad de ĂŠxito, o proporciĂłn esperada de aciertos, siendo considerado un factor de 0.5 (50%)

-

q = probabilidad de fracaso, es el residuo dejado por la probabilidad de ĂŠxito a una ocurrencia, es decir, 0.5 (50%)

-

d = precisiĂłn (error mĂĄximo admisible en tĂŠrminos de proporciĂłn), la cual deberĂĄ ser inferior al 10% para asegurar buenos resultados.

3.2.1.4.

InterpolaciĂłn de las muestras

Con las muestras de precio de suelo correspondientes a los tres periodos de estudio se creĂł una superficie interpolada para tener un valor de precio en cualquier punto del ĂĄrea de estudio, explorando las variaciones de precios en las diferentes zonas de la ciudad. Para ello se aplicaron tĂŠcnicas determinĂ­sticas (Inverse Distance Weighting, IDW y Radial Basis Functions, RBF) y geoestadĂ­sticas (Kriging Ordinario) para comprobar cuĂĄl de ellas se ajustaba mejor a los datos recolectados.

3.2.1.5.

Obtención de tipos de precios de suelo

Esta sección tuvo por objetivo discretizar o categorizar la variable de precios de suelo obtenida originalmente como variable continua en la interpolación. Es decir, se englobaron rangos de precios en un número de clústers que permitieron emplear correctamente las regresiones logísticas (Aguayo Canela y Lora Monge, 2007a) y los modelos de simulación, pues es necesario que los rásters de entrada tengan datos categóricos y que todas las categorías estén presentes en cada una de las etapas (Eastman, 2012). De este modo se puede evaluar la evolución de una categoría en el espacio y tiempo.

La diversidad presente en los rangos de precios del suelo torna compleja la definición de los umbrales que limitarán los clústers. Por ejemplo, si se decide que para el año 2000 el primer clúster englobe precios bajos de 8 a 20 dólares, esta categoría si bien puede hallarse en el 2010, está ausente en el año 2017, pues en este año los precios parten desde $25.

Esta reflexión también se aplica en el otro extremo: para el año 2017 se puede establecer un clúster de precios altos en el rango de $500 a $800, sin embargo, estos no formarían parte de las dos épocas anteriores.

En base a esta observación convino dejar de lado los valores absolutos del precio del suelo y trabajar únicamente con escalas de precio, estableciendo un número de escalas que permita una lectura altamente comprensiva de la evolución de los precios. Se escogieron los siguientes tres clústeres mostrados en la tabla 2: Tabla 2: Categorización de los tipos de precio de suelo

Denominación Código

Tipo de Precio de suelo Alto Medio Bajo 3 2 1

De este modo, aparte de garantizar que las mismas categorías estén presentes en todas las etapas, se evitó crear grupos de precios que en valor pueden resultar similares, pero en el periodo económico en el que se desarrollan, las diferencias entre ellos pueden ser muy significativas. Por ejemplo, un precio de $100 m2 en un periodo donde el precio máximo alcanzaba los $200 manifiesta que dicho predio posiblemente forme parte del área cercana

52

53

al centro consolidado, sin embargo, si este mismo precio está en un periodo cuyo máximo umbral es $800 m2 seguramente el predio está en zonas próximas a la ruralidad. Por este motivo, no conviene buscar agrupaciones basadas en el valor absoluto del precio, sino categorías que posibiliten analizar los precios en función del rango económico de la época.

Por lo antes expuesto, los grupos de clasificación: Alto, Medio y Bajo, fueron obtenidos con el Método de Optimización de Jenks, en ArcGIS mediante su herramienta Reclassify. Con esto se logró obtener grupos de “gran homogeneidad interna, con máximas diferencias entre las clases para el número de intervalos que se haya especificado previamente.”

(García de la Fuente, Pardo-Balmonte García y Saint-Supery de Ceano-Vivas, s.f., p.27).

3.2.2. Etapa B: Elaboración de mapas de probabilidad de tipos de precio de suelo empleando modelos de Regresión Logística En esta etapa se elaboraron los modelos de regresión logística partiendo de la base de datos del 2010. Antes se realizó un proceso de dicotomización de variables con el fin de que los resultados tengan mayor interoperabilidad. Hecho esto se empleó la Regresión Logística Binaria Bivariante (RLBB) para determinar, en base a relaciones uno a uno, el porcentaje de correlación entre cada una de las variables explicativas o drivers y la variable dependiente, que en este caso hace referencia a los tipos de precio de suelo. Aquellas que no alcanzaron un porcentaje de explicación estadísticamente significativo fueron descartadas de la lista de variables explicativas. En vista de que dicho porcentaje de correlación bivariante puede modificarse en presencia de las otras variables (Aguayo Canela, 2007b), se aplicó finalmente la Regresión Logística Binaria Multivariante (RLBM), donde por el método de Paso a Paso se pudo conocer aquel conjunto de variables que logran la mayor explicación de la varianza de la variable dependiente. El principal aporte del modelo de regresión finalmente obtenido fueron los coeficientes ß (beta) con los cuales se construyó la ecuación de regresión que fue a su vez el modelo matemático aplicado en el Raster Calculator para la obtención de los modelos geográficos conocidos como mapas de probabilidad de tipos de precio de suelo (Poelmans y Van Rompaey, 2010). La capacidad porcentual de predicción de estos mapas fue determinada mediante la curva Receiver Operating Characteristic (ROC) (Hurtado Pidal, 2014). Para una mejor interpretación de los

54

coeficientes de regresión se calcularon los Odds Ratios definidos como la exponencial de los parámetros (Dueñas Rodríguez, 2011). Estos valores que se interpretan en términos de cocientes de ventaja sirvieron para comprender mejor la caracterización de los tipos de precios de suelo según las variables explicativas. En la figura 6 se presenta el esquema de lo dicho anteriormente.

Figura 6: Metodología para la elaboración de mapas de probabilidad de tipo de precio de suelo

3.2.2.1.

Determinación de las variables para los modelos de regresión

En todo modelo de regresión es necesario empezar identificando cual es el fenómeno que se quiere predecir y las diferentes dimensiones que, según los autores, son las que explican los diferentes comportamientos del fenómeno (Aguayo Canela, 2007a). En consecuencia, se empezó identificando la variable dependiente y las independientes.

a) Variable dependiente Considerando el año 2010, para cada tipo de precio de suelo: Alto, Medio y Bajo (rangos determinados por el método de Jenks mediante la herramienta Reclassiffy de ArcGIS), se necesitó construir un mapa donde se determine el nivel de probabilidad de presencias y ausencias de cada tipo de precio. En consecuencia, se formularon tres modelos de regresión logística. Cada uno de ellos tuvo por variable dependiente las ausencias (0) y presencias (1) del tipo de precio que se desea modelar.

El año 2010 fue a partir del cual se extrajeron las variables y por consiguiente fue la base del análisis de regresión, toda vez que de este año se partirá para generar el modelo de proyección al 2017 con el módulo CA_Markov, mismo que será validado para definir la capacidad de predicción de los modelos de simulación.

De este modo, se seleccionó el mapa de tipos de precio del suelo del 2010 para generar un ShapeFile de puntos muestrales con la herramienta Create Random Points de ArcGIS. Por cada tipo de precio se extrajeron un total de 2000 puntos. 1000 para identificar la presencia del tipo de precio, esto es, las áreas donde se presenta el tipo de precio. Los 1000 restantes representan las ausencias de ese tipo de precio, y se extrajeron del sobrante del área de estudio. La codificación usada fue 1 para las presencias y 0 para las ausencias.

Para una mejor comprensión se presenta la figura 7 donde las zonas en negro representan la presencia del tipo de precio en tanto que los grises son las ausencias.

55

56

Figura 7: Presencias y ausencias de los tres tipos de precio de suelo del año 2010 obtenidos mediante la reclasificación

b) Variables independientes Como se vio en el marco teórico, en el precio del suelo influyen varios factores territoriales, sin embargo, en este estudio, se consideraron únicamente aquellos que posibilitan extraer una dimensión espacial (Polèse, 1998; Borrero, 2007; Cox Oettinger, 2013; Salazar Romero, 2014), quedando establecidas las que se enlistan en la tabla 3.

La información recolectada proviene de tres fuentes: el Gobierno Autónomo Descentralizado del cantón Cuenca (GAD), el Instituto Nacional de Estadísticas y Censos

57

(INEC) y el programa SIGTIERRAS del Ministerio de Agricultura, Ganadería, Acuacultura y Pesca de Ecuador (MAGAP).

Tabla 3: Variables explicativas del precio del suelo empleadas en la investigación N°

Nombre

1

vias

2

vp

3

hid

4

uso

5

MDT

6

Limitac

7

natural

8

acces

9

basura

10

conexagua

11

dens

12

pob

13

procagua

14

propiedad

15

servhig

Definición

Formato

Red vial

Shape (líneas) Vías principales Shape (líneas) Red hídrica Shape (líneas) Uso de suelo predial Shape (polígono) Modelo Digital de Terreno Ráster 3x3 metros Limitaciones geológicas Shape (polígono) Áreas Naturales de Protección Shape (polígono) Tipo de acceso a las residencias raster tomando como referencia la vía principal Tipo de tratamiento de los residuos raster sólidos mayormente utilizado dentro del sector censal correspondiente Tipo de conexión de la vivienda para raster acceder al agua potable Concentración de la población en el raster sector censal medida en hab/ha Número de habitantes dentro del Raster sector censal Fuente principal de la cual proviene raster el agua de consumo Estado legal en la cual los habitantes raster ocupan la vivienda Manera en la que se tratan los raster residuos de la vivienda

fuente

Año

GAD

2012

GAD

2012

GAD

2012

GAD

2010

SIGTIERRAS 2012 GAD

2012

GAD

2012

INEC

2010

INEC

2010

INEC

2010

INEC

2010

INEC

2010

INEC

2010

INEC

2010

INEC

2010

Los datos del INEC provienen del VII Censo de población y VI de vivienda siendo la unidad territorial mínima el sector censal, cuyos límites responden a las cargas de trabajo de los encuestadores (Valle Piñuela, 2015) más que a una condición homogénea del territorio, por lo que en un sector censal es común la presencia de diferentes estados de una misma variable. Así, por ejemplo, la figura 8 muestra el sector censal 010150001010 dentro del cual existen diferentes estados de la variable “procagua”.

58

De red pública

5%

De pozo 29% 5%

61%

De río, vertiente, acequia o canal De carro repartidor Otro (Agua lluvia/albarrada)

Figura 8: Diferentes estados de una variable dentro de un mismo sector censal Debido a esto, para los fines de esta investigación se eligió como estado representativo de la variable aquel con el mayor número de casos. En el ejemplo arriba graficado el valor de la variable sería “de red pública” que alcanza un 61%.

Por otro lado, con la herramienta Euclidean Distance de ArcGIS 10.2, se crearon rásters de distancias a partir de los shapes de vías, vías principales, hidrografía y usos. Esta última variable, originalmente poligonal, fue convertida a punto (Feature to point) ya que el tamaño de celda definida para los ráster de distancia fue de 10 metros habiendo el riesgo de que algunos polígonos con una menor dimensión no sean considerados en el cálculo de las distancias (ESRI, 2016). Adicionalmente, a este mismo shapefile de usos se lo fragmentó en 10 partes, de tal manera que cada una contenga un solo uso específico, cada uno de ellos codificado por la Municipalidad de Cuenca mediante dígitos con el propósito de agrupar diferentes tipos de actividades humanas. Aunque los códigos usados por el GAD alcanzan una especificidad de hasta tres niveles, el alcance de esta investigación solo se limitó a un nivel, tal como se detalla en la tabla 4.

59

Tabla 4: Codificación municipal de los usos de suelo a un dígito de especificidad Código de Uso de suelo 1 2 3 4 5 6 7 8 9 10

Actividades generales que encierran Producción de bienes a nivel industrial Producción de bienes a nivel artesanal Producción de Servicios Generales Producción de servicios personales y afines a la vivienda Intercambio Equipamiento Vivienda Usos vinculados a la producción primaria Usos especiales (lotes vacantes, en construcción) Gestión

De esta manera, la variable uso se compone de 10 subvariables, buscándose así determinar cuál de los usos es el más influyente en la definición de los tipos de precio de suelo.

La distinción entre las vías de toda el área de estudio y las vías principales se debió a que mientras las vías totales miden el nivel de accesibilidad de la población al territorio, las vías principales detectan posibles corredores de crecimiento pues estas son usadas como principales arterias de comunicación, implantándose en torno a ellas una serie de usos comerciales que tienden a elevar el precio de suelo. La capa de la red vial junto con la de hidrografía fueron incluidas con el propósito de captar de alguna manera la configuración de la trama urbana pues estos dos criterios son decisivos en el trazado a nivel de manzana.

Del MDT se deriva a su vez un ráster de altura y uno de pendientes en porcentaje, la cual según Polèse (1998) mide la rentabilidad.

Por último, la capa de Áreas Naturales de Protección y la de limitaciones geológicas fue convertida a un shape dicotómico, donde la presencia de dichas áreas fue categorizada con 1, siendo 0 los espacios permitidos para construir. Las limitaciones tienen que ver con las restricciones a receptar construcciones debido a las siguientes circunstancias: -

Zonas de caídas de rocas – derrumbes

-

No urbanizable por limitaciones geológicas

-

Zonas de arranque de ruptura activo, latente y subestable

60

En el anexo 1 se presentan, en el formato finalmente usado, todas las 25 variables independientes que formaron parte del modelo de regresión logística.

Utilizando los shapes de puntos muestrales de ausencia/presencia de tipo de precio se usó la herramienta Extract Multi Values to Points para que cada punto adquiera el valor del pixel correspondiente a su ubicación en cada una de las 25 variables. Así, por cada tipo de precio, finalmente se obtuvo una matriz de 2000 x 25 donde las filas son los puntos presencia/ausencia y las columnas representan los valores de las variables.

3.2.2.2.

Dicotomización de las variables para su aplicación en los

modelos de regresión A pesar de que en una regresión logística pueden participar todo tipo de variables (categóricas, ordinales y/o continuas), un mejor rendimiento se logra cuando todas las variables son dicotómicas pues los Odds Ratio obtenidos son mejor interpretados (Aguayo Canela y Lora Monge, 2007a). Por tal razón, convertir todas las variables a dicotómicas permitió comprender mejor los factores que motivan la presencia de un determinado tipo de precio y en qué cantidad. Esto es más notorio en las variables de distancias ya que mediante la dicotomización se obtuvo un punto crítico de la variable, es decir, la distancia a partir de la cual la variable influye de diferente forma en el precio del suelo. Para realizar esta transformación a variables dicotómicas se siguió el siguiente criterio, atendiendo a la forma en la que originalmente se presenta cada variable: -

Variables originalmente policotómicas: provenientes en su mayoría del

INEC, contienen dentro de sus estados diferentes condiciones en las que una población puede suplir sus necesidades básicas (Rivadeneira y Zumárraga, 2014). Ejemplo de esto es la variable “procagua” definida como las diferentes formas para acceder al agua: 1) red pública, 2) río, vertiente, acequia o canal y; 3) Otro (Agua lluvia/albarrada). Estos múltiples estados fueron colapsados en solamente dos, tomando al de referencia (0) aquel catalogado por la ONU como “servicios básicos” y como tal, un derecho humano: servicio de recolección de basura, agua potable mediante tubería, alcantarillado y

61

electricidad (ONU-HABITAT, s.f.). Los demás estados que reflejan la ausencia de los servicios básicos fueron asignados con el valor de 1.

-

Variables originalmente continuas: conformadas en su mayoría por las

distancias a usos de suelo, a vías y ríos, pero también por las variables de pendientes y las alturas, extraídas del MDT. Estas variables fueron discretizadas con Intervalos óptimos del software SPSS. En dicho proceso la formación de intervalos se da en relación a una variable guía categórica, que “supervisa” el proceso de agrupación (IBM, 2017). En este caso la variable guía fue la variable dependiente, es decir, aquella con los valores de ausencia (0) y presencia (1) del tipo de precio. Con los rangos dados por la discretización se formaron tantas combinaciones dicotómicas como intervalos menos uno se tenga. Con todas estas subvariables se realizó una RLBB considerando como variable dependiente el tipo de precio de suelo. De este modo se definió aquella combinación dicotómica con el mayor porcentaje de correlación. Como ejemplo ilustrativo se presenta la tabla 5 que muestra la discretización de la variable distancia a vías (dist_via). Intervalos óptimos creó 4 grupos, formándose 3 combinaciones dicotómicas o subvariables: dist_viaRE1, dist_viaRE2 y dist_viaRE3. De ellas, la segunda reclasificación (Dist_viaRE2) alcanzó el mayor porcentaje de explicación de varianza de la variable dependiente (tipo de precio), por lo cual fue ésta la que se utilizó para el modelo de RLBM. La distancia de inflexión entre el valor 0 y 1 es de 42.43 metros, indicando que luego de esa distancia el tipo de precio tiene otra connotación.

Tabla 5: Proceso de dicotomización de una variable continua Variable originalmente continua

Variable discretizada con intervalos optimos

Combinación dicotómica

Dist_viaRE1 1 = "dist_via < 28.28" 2 = "28.28 <= dist_via < 42.43" 3 = "42.43 <= dist_via < 94.87" 4 = "94.87 <= dist_via"

Dist_viaRE2

Dist_viaRE3

1=0 2=1 3=1 4=1 1=0 2=0 3=1 4=1 1=0 2=0 3=0 4=1

% explicación de varianza R2 Cox y Snell

R2 Nagelkerke

23.5

31.3

29.1

38.8

20.2

26.9

3.2.2.3.

Regresión Logística Binomial Bivariante (RLBB)

Superada la etapa de dicotomización se emplearon modelos RLBB entre cada variable explicativa y la dependiente con el fin de establecer relaciones bivariantes y comprobar si efectivamente existe o no una correlación. Esto se estima con el p-value asociado al estadístico de Wald. Si es menor a 0.05 se rechaza la hipótesis nula (H0) entendiéndose que entre las dos variables si hay correlación. Si, por el contrario, el p-value es mayor a 0.05 la H0 es cierta y por lo tanto la variable en cuestión no influye a la hora de determinar la variable dependiente. De darse este último caso, la variable es eliminada pues su presencia no interviene en la variabilidad del modelo de regresión (Aguayo Canela, 2007b; De la Fuente Fernández, 2011; Hurtado Pidal, 2014).

3.2.2.4.

Regresión Logística Binomial Multivariante (RLBM)

Actualmente el enfoque con el cual se pretende explicar cualquier tipo de fenómeno social tiene diversas aristas, siendo imprescindible la participación de varias disciplinas para lograr una mejor comprensión. Por tal razón varios autores encuentran en la regresión logística multivariante el método más apropiado para integrar variables de diversa índole en la explicación de un evento (Pesquer et al., 2007; Vilar del Hoyo et al., 2008; De Pietri et al., 2011; Ortíz et al., 2015).

Sin embargo, la complejidad que encierra una comprensión holística genera en muchos casos la introducción errónea de conceptos que pueden enmascarar el efecto objeto de estudio5. Al aplicar las regresiones logísticas se busca sobriedad del modelo, es decir, explicar el mayor porcentaje de varianza de la variable dependiente con el menor número de variables (Dueñas Rodríguez, 2011). Por esto no todas las 25 variables originalmente obtenidas formaron parte de los modelos RLBM finales de cada tipo de precio.

5

Son de dos tipos: variables de confusión y variables de interacción o modificadoras de efecto. Dentro de las primeras están aquellas variables cuya relación con la variable dependiente no se da directamente sino mediante una tercera variable. Por otro lado, las variables modificadoras son aquellas cuyos valores cambian la intensidad o el sentido de la relación entre la variable dependiente y el factor de estudio (Aguayo Canela, 2007b).

62

63

Uno de los criterios para aplicar la RLBM es que la variable dependiente sea de tipo dicotómica, es decir, describa la presencia (1) o ausencia (0) de un evento (Aguayo Canela, 2007a). En el caso de esta investigación, el evento a explicar es la presencia/ausencia de un determinado tipo de precio de suelo con lo que el modelo final describe en una escala continua la probabilidad de ocurrencia del tipo de precio de suelo estudiado. De este modo se obtiene un modelo matemático de probabilidad del tipo de precio de suelo que, en conjunto con los otros modelos de tipo de precio, constituyen la colección de mapas de probabilidad de transición, uno de los insumos para ejecutar el módulo Ca_Markov (Eastman, 2012; Hurtado Pidal, 2014).

Es en este hecho donde radica la principal razón por la que se optó por tres modelos RLBM (uno por cada tipo de precio) en lugar de un solo modelo de Regresión Logística Multinomial Multivariante (RLMM) en donde si bien la variable dependiente puede tener más de dos valores (como en el caso de esta investigación que se tienen tres tipos de precio), el resultado final se obtiene en relación a un solo estado al que se lo toma como referencia (Pando Fernández y San Martín Fernández, 2004; Dueñas Rodríguez, 2011).

Debido a que las variables inicialmente introducidas en el RLBM pueden modificar el porcentaje de explicación de varianza obtenido en el RLBB, al ser incluidas dentro de un conjunto de variables (Aguayo Canela y Lora Monge, 2007b), el modelo RLBM se realizará bajo

el

método

de

“Paso

a

Paso”

pues

tras

el

iterativo

proceso

de

incorporación/eliminación de variables se puede valorar el ajuste global del modelo (Dueñas Rodríguez, 2011).

3.2.2.5.

Mapas de probabilidad de los tipos de precio de suelo

Los análisis de regresión anteriormente descritos fueron realizados para cada tipo de precio, de modo que al final de la etapa de RLBM se tuvieron tres diferentes modelos: -

Modelo de regresión para tipo de precio bajo

-

Modelo de regresión para tipo de precio medio

-

Modelo de regresión para tipo de precio alto

64

Cada uno de estos modelos cuenta con un conjunto de variables que mayor correlaciĂłn tienen con el tipo de precio de suelo. Como se verĂĄ mĂĄs adelante, no todos los tipos de precio tienen las mismas variables, habiendo unas que son exclusivas de un tipo de precio en particular. A su vez, cada una de las variables que conforma el conjunto de variables explicativas tiene asociado un coeficiente Ă&#x; como producto del anĂĄlisis de regresiĂłn. Con dichos coeficientes se formulĂł una expresiĂłn matemĂĄtica para cada tipo de precio de suelo, que responde a la forma:

đ?&#x2018;?đ?&#x2018;&#x2013; =

1 1 + đ?&#x2018;&#x2019; â&#x2C6;&#x2019;(đ?&#x203A;˝0 +đ?&#x203A;˝1đ?&#x2018;Ľ1,đ?&#x2018;&#x2013; +â&#x2039;Ż+đ?&#x203A;˝đ?&#x2018;&#x2DC;đ?&#x2018;Ľđ?&#x2018;&#x2DC;,đ?&#x2018;&#x2013; )

donde: đ?&#x2018;?đ?&#x2018;&#x2013; es la probabilidad expresada ente 0 y 1 de la ocurrencia de un evento, tratĂĄndose en este caso del tipo de precio de suelo. AsĂ­, 1 es la probabilidad absoluta de la presencia del tipo de precio y 0 la ausencia total de dicho tipo de precio. đ?&#x203A;˝0 es el valor constante de la regresiĂłn, đ?&#x203A;˝1 â&#x20AC;Ś đ?&#x203A;˝đ?&#x2018;&#x2DC; son los coeficientes que corresponden a cada variable explicativa đ?&#x2018;Ľ1 â&#x20AC;Ś đ?&#x2018;Ľđ?&#x2018;&#x2DC; (Aguayo Canela, 2007a).

De esta manera, la expresiĂłn fue aplicada en el Raster Calculator de ArcGIS para la creaciĂłn de los tres mapas de probabilidad correspondientes, cada uno, a un tipo de precio de suelo.

3.2.2.6.

ValidaciĂłn de los mapas de idoneidad mediante la curva ROC

En esta secciĂłn se aplicĂł la curva ROC (Relative Operating Characteristics) para comparar los mapas modelados de predicciĂłn frente a aquellos que presenta la situaciĂłn real pudiĂŠndose asĂ­ determinar la validez de los primeros. El resultado obtenido es el valor AUC (Area Under the Curve) donde 1 indica una perfecta concordancia espacial entre ambos mapas comparados mientras que un valor de 0.5 es la concordancia que se esperarĂ­a debido a la casualidad (Eastman, 2012). Como referencia para valorar la puntuaciĂłn obtenida de este anĂĄlisis se adoptĂł el mismo criterio de Hurtado Pidal (2014), quien utiliza la siguiente escala:

65

-

0 - 0.5: “muy malo” ya que el 0.5 es aleatorio y una cantidad menor sería aún peor a esta condición.

-

0.5 – 0.625: “malo” por estar cerca del umbral de aleatoriedad

-

0.625 – 0.75: “regular” mejor que el aleatorio, pero no lo suficiente

-

0.75 – 0.875: “bueno” se podría usar el modelo con muchas restricciones

-

0.875 – 1: “muy bueno”, con alta capacidad de predicción del modelo

Este análisis busca conocer qué tan bien se concentra la categoría de interés en las ubicaciones de idoneidad relativamente altas para esa categoría. No se desea conocer la coincidencia de los dos mapas en términos de cantidad de celdas sino más bien el porcentaje de coincidencia en términos de la ubicación de las celdas en una categoría, por lo que la curva ROC es útil para ver qué tan bien el mapa de idoneidad describe la ubicación de una categoría particular sin tener una estimación de la cantidad de celdas (Eastman, 2012; Mas, Soares Filho, Gilmore Pontius Jr., Farfán Gutiérrez, y Rodrigues, 2013).

Tras haber definido el porcentaje de predicción alcanzado por los mapas de probabilidad se procedió a la etapa de geosimulación.

3.2.3. ETAPA C: Modelamiento y validación de los tipos de precio de suelo para el 2017 Dentro del conjunto de módulos disponibles en IDRISI para la simulación de escenarios, CA_MARKOV emplea las cadenas de Markov como un algoritmo de automatismo celular que mide la contigüidad local e incrementa la probabilidad de pertenecer a una categoría por vecindad (Eastman, 2012). De igual modo, esta herramienta construye los escenarios futuros sustentándose en un conjunto de mapas de probabilidad de presencia de cada categoría del fenómeno analizado, lo cual permite introducir los modelos de regresión generados con el Ráster Calculador (Hurtado Pidal, 2014). La figura 9 aporta información del proceso seguido en esta fase de simulación y validación del modelo de tipo de precios de suelo (ver Etapa C del esquema general en la figura 4).

66

Figura 9: Metodología para la simulación al año 2017 y su validación

3.2.3.1.

Modelo de simulación de los tipos de precio de suelo al 2017

Se comenzó encontrando las áreas de transición entre los años 2010 y 2017 de los tipos de precios de suelo, empleando para ello el módulo Markov de IDRISI. Estas áreas, disponibles en formato de texto, fueron introducidas en Ca_Markov junto al mapa de tipos de precio del año 2010 y el conjunto de mapas de probabilidad de presencia/ausencia de tipos de precio, obtenidos con el Raster Calculator. El producto final fue un mapa proyectado de Tipos de precio hacia el año 2017. El porcentaje de predicción de este mapa se lo define mediante los índices de concordancia producidos por el módulo Validate de IDRISI. Para esto fue necesario contrastarlo con el mapa real de tipo de precio de suelo del año 2017.

67

En resumen, los parámetros exigidos por el módulo Ca_Markov son los siguientes: -

Mapa de tipo de precio: es el mapa desde el que se proyecta la simulación y corresponde al periodo a partir del cual se contarán los años de la proyección. En esta primera simulación se partió del año 2010.

-

Áreas de transición proyectadas al año que se desea modelar: estas áreas se obtienen con el módulo Markov en cuya construcción participan dos mapas donde estén presentes todas las categorías del fenómeno analizado en dos periodos diferentes. Adicionalmente solicita el número de años al que se desea proyectar partiendo del mapa más actual de los dos ingresados. Si bien, estas áreas indican el número de celdas que se espera alguna transición, es necesario ubicarlas espacialmente para definir las zonas con mayor alteración, volviéndose oportuno el uso de Ca_Markov ya que los AC identifican estas zonas basándose en los estados de las celdas vecinas.

-

El último de los parámetros para ejecutar Ca_Markov es el conjunto de mapas de probabilidad de presencia de categorías, provenientes de haber aplicado en el Ráster Calculator las ecuaciones obtenidas del RLBM. Estos mapas deben previamente ser reescalados en un rango de 0 a 255, según muestra la figura 10.

3.2.3.2.

Validación del modelo de simulación del 2017

La capacidad predictiva del modelo simulado con Ca_Markov fue determinada con la herramienta VALIDATE de IDRISI que mide la concordancia entre dos rásters que contengan datos categóricos (Eastman, 2012; Hurtado Pidal, 2014). Sus parámetros son: -

un mapa de comparación, obtenido por la simulación de Ca_Markov; y,

-

un mapa de referencia, el mapa real de tipo de suelo en el año 2017.

A diferencia del módulo ROC, VALIDATE responde simultáneamente dos preguntas importantes: ¿Qué tan bien concuerdan dos mapas en términos de cantidad de celdas en cada categoría?; y, ¿Qué tan bien concuerdan dos mapas en términos de localización de las celdas en cada categoría? (Eastman, 2012).

68

Figura 10: Mapas de probabilidad reescalados a valores entre 0 y 255

69

Para comprender mejor los resultados de VALIDATE, la figura 11 presenta los valores de la situación ideal, donde los mapas comparados tienen una perfecta concordancia.

Figura 11: Indices de acuerdo y desacuerdo para un modelo ideal de concordancias Se observa que dos imágenes iguales dividen su procentaje perfecto de concordancia en cuatro valores: AgreeGridcell, AgreeStrata, AgreeQuantity y AgreeChance. Los índices Kappa (Kstandar, Kno, Klocation, KlocationStata) tambien son perfectos.

Es importante ejecutar el módulo aplicando una máscara que elimine del análisis las zonas sin información coloreadas de negro. Estas áreas, por constituir el borde del mapa, incrementa el porcentaje de concordancia entre los mapas comparados.

3.2.4. ETAPA D: Simulación de tipos de precio de suelo El proceso es el mismo que en la etapa previa, eliminando la validación (fig 12). Se generaron los modelos prospectivos de tipos de precio de suelo al año 2025 y 2030, éstos últimos para comprobar el comportamiento de Ca_Markov en periodos de simulación más largos. La tabla 6 señala la combinación de los parámetros usados en dichas simulaciones.

Los mapas A tienen como año inicial el 2010 en tanto que los B lo tienen al 2000, por lo que los mapas A tienen un menor periodo de análisis de cambio (7 años).

Tabla 6: Parámetros considerados para la simulación de modelos prospectivos Año inicial

Año final

Años de Análisis de cambio

2010

2017

7

2000

2017

17

Año de simulación 2025 2030 2025 2030

Años de proyección 8 13 8 13

Nombre del mapa resultante 2025_A 2030_A 2025_B 2030_B

70

Figura 12: Metodología para los mapas de simulación prospectivos

3.2.5. Influencia del precio del suelo en el desarrollo espacial urbano La metodología aquí descrita se diseñó para describir la influencia del precio del suelo en el desarrollo espacial de las ciudades. Para ello se empezó con un Intersect entre los mapas de tipos de precio del 2000 y 2010. Los polígonos obtenidos responden a los cambios que pueden registrarse en los tipos de precio de suelo, teniéndose los siguientes casos: -

Apreciación del precio del suelo: incremento de precio en dos casos: 1) de tipo de precio bajo a tipo de precio medio y 2) de tipo de precio medio a alto.

-

Depreciación del precio del suelo: cuando el precio decae. Igualmente se tienen dos escenarios: 1) de tipo de precio alto a medio y 2) de tipo de precio medio a bajo.

-

Sin cambios: cuando el tipo de precio de suelo se mantiene.

Aunque el tercer caso forma parte de los resultados al intersectar, no se analizó en vista de que el estudio busca definir qué sucede espacialmente en una apreciación o depreciación, es decir, cuando hay un cambio en el tipo de precio.

71

Dentro de cada sector con apreciación o depreciación se cuantificaron las áreas ocupadas por las principales coberturas de suelo en los años 2000 y 2010. Como coberturas de suelo se usaron dos archivos shapefile que reflejan los resultados de una clasificación supervisada de imágenes satelitales. Según el Banco Interamericano de Desarrollo (BID, 2013), fuente de estos insumos, las clasificaciones fueron hechas sobre dos imágenes de diferentes características. La primera proviene de una imagen Landsat del año 2002 con una resolución de 30m/pixel. La segunda es una imagen Rapideye del año 2010 con una resolución de 5m/pixel. La diferencia de resoluciones propicia que para el año 2010 haya una mejor discriminación de pixeles, y por ello una mayor desagregación de las coberturas detectadas. En atención a esta diferencia, todas las coberturas de suelo que contenían inicialmente ambos shapes fueron reclasificadas en cinco categorías que agrupen características generales del suelo, definiéndose así: 1) suelo desnudo, 2) suelo con vegetación natural, 3) suelo urbano, 4) suelo agrícola y 5) otros.

Mediante una comparación de las superficies ocupadas por cada cobertura en el 2000 y 2010 se definieron aquellas que aumentaron y disminuyeron, siendo esto la manifestación espacial que desencadena un cambio de precio del suelo.

3.2.6. Modelo de crecimiento urbano en función del precio del suelo Aquí se responde a la pregunta ¿qué sucede con el crecimiento de Cuenca cuando cambia el tipo de precio? Para esta etapa se usaron nuevamente los insumos del BID pero reclasificándolos ahora en tres categorías que faciliten visualizar la expansión urbana y compararla con el mapa de expansión urbana más reciente, proveniente del PDOT del año 2015. Así se definieron las categorías: suelo rural, suelo disperso y suelo urbano. Después se realiza un Intersect entre el suelo urbano del 2000 y 2010 (Crecimiento A), y otro entre el 2010 y 2015 (Crecimiento B), conociéndose el crecimiento de la urbe para ambos periodos. Estos mapas de crecimiento fueron sobrepuestos a sus correspondientes mapas de tipos de precio de suelo, así: el crecimiento A se sobrepone al tipo de precio del 2000 y del 2010, mientras que el Crecimiento B se sobrepone al tipo de precio del 2010 y del 2017.

Con esto se pudo cuantificar el tipo de precio de suelo que alojó la mayor superficie de crecimiento y así verificar la relación entre el precio de suelo y el crecimiento urbano.

CAPÍTULO 4 4. RESULTADOS Y DISCUSIÓN 4.1. RESULTADOS 4.1.1. Etapa A: Elaboración de mapas de tipos de precio de suelo 4.1.1.1.

Estimación de la muestra

Con la búsqueda de precios de suelo en las tres épocas de estudio (2000, 2010 y 2017), se obtuvo el número de muestras expuestas en la tabla 7, junto al porcentaje de precisión alcanzado. Poniendo de ejemplo el año 2000, los valores se leen así: por cada fracción de 407 predios que conforman el tamaño poblacional, el 95% de las veces el precio real que se busca estará en el intervalo de +/- 4.85% respecto al precio que se observa en la muestra.

Tabla 7: Porcentaje de precisión alcanzado con el número de muestras obtenidas Año 2000 2010 2017

Número de muestra 407 406 302

% precisión 4.85 4.85 5.62

En la recolección de muestras se procuró cubrir homogéneamente toda el área de estudio, lográndose la distribución mostrada en la figura 13.

Figura 13: Distribución de los puntos muestrales para las tres etapas analizadas 72

4.1.1.2.

Interpolación de las muestras

De los tres métodos de interpolación aplicados, el que demostró mayor adaptabilidad con respecto a la variación de los datos fue el Kriging Ordinario (Villatoro, Henríquez, y Sancho, 2008; Fortis-Hernández et al., 2010; Saz-Sánchez, Serrano-Notivoli, de Luis-Arrillaga, y Longares-Aladrén, 2010; Henríquez, Méndez, y Masís, 2013; Coaguila Nuñez, Tangerino Hernandez, de Freitas da Silva, y Gonçalves Feitosa, 2013) ya que con él se describe de mejor manera la variabilidad de los datos y tendencias de expansión de la ciudad como se muestra en la figura 14, donde se han trazado las principales arterias viales a lo largo de las cuales se incrementa paulatinamente la ocupación residencial.

Figura 14: Interpolación de precios de suelo mediante Kriging ordinario

73

74

La figura 15 muestra para los diferentes periodos de anรกlisis, la rasterizaciรณn de las muestras interpoladas con Kriging Ordinario de ArcGIS 10.2.

Figura 15: Rasterizaciรณn de las interpolaciones a las muestras de los precios de suelo

4.1.1.3.

Obtención de tipos de precios de suelo

Los mapas rasterizados fueron reclasificados en tres grupos: Alto, Medio y Bajo, mediante el método de Optimización de Jenks. La tabla 8 presenta los rangos de precios comprendidos dentro de cada grupo para los tres periodos de estudio: 2000, 2010 y 2017.

Tabla 8: Rangos de precio comprendidos dentro de cada tipo de precio Año

Bajo (1)

2017

$8.06 - $55

$3.93 - $85.63

$25.78 - $207.04

Medio (2)

2010

$55 - $126.4

$85.63 - $196.73

$207.04 - $432.75

Alto (3)

Tipo de precio

2000

$126.4 - $257.46

$196.73 - $420.58

$432.75 - $894.44

De esta forma quedan establecidas las tres categorías con las que se trabajará en lo sucesivo, cada una de ellas será considerada en adelante como un tipo de precio de suelo.

4.1.2. Etapa B: Elaboración de mapas de probabilidad de tipos de precio de suelo empleando modelos de Regresión Logística 4.1.2.1.

Regresión Logística Binomial Bivariante (RLBB)

Aplicada la RLBB entre la variable dependiente y cada una de las variables explicativas dicotomizadas del precio del suelo, se obtuvo el nivel de correlación bivariante. La tabla 9 muestra los p-value asociados con el estadístico de Wald para identificar las variables sin

75

76

correlación, (p-value superior a 0.05), las mismas que serán eliminadas de la siguiente fase de regresión multivariante: Tabla 9: P-values de las relaciones bivariantes obtenidas de la RLBB

Variable

Descripción de variable

dist_via dist_vp dist_hid dist_u1 dist_u2 dist_u3 dist_u4 dist_u5 dist_u6 dist_u7 dist_u8 dist_u9 dist_u10 pend alt limitac natural acces basura conexagua dens pob procagua propiedad servhig

Distancia a vías Distancia a vías principales Distancia a red de hidrografía Distancia a uso – código 1 Distancia a uso – código 2 Distancia a uso – código 3 Distancia a uso – código 4 Distancia a uso – código 5 Distancia a uso – código 6 Distancia a uso – código 7 Distancia a uso – código 8 Distancia a uso – código 9 Distancia a uso – código 10 Pendientes en porcentaje Altitud Limitaciones geológicas Presencia de áreas naturales Tipo de accesibilidad al predio Tipo de tratamiento de basura Tipo de conexión de agua Densidad de población Número de habitantes Tipo de procedencia de agua Tipo de propiedad o tenencia Tipo de tratamiento de residuos

Bajo <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 0.128 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05

Tipo de precio Medio Alto <0.05 <0.05 <0.05 <0.05 2.241 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 <0.05 0.086 <0.05 <0.05 <0.05 <0.05 111.418 <0.05 70.002 <0.05 <0.05 <0.05 2.997 <0.05 54.461 <0.05 <0.05 <0.05 <0.05 <0.05 181.331 <0.05 <0.05 <0.05 <0.05

Se observa que, de las 25 variables introducidas, el tipo de precio bajo no se explica por la presencia de áreas naturales, el tipo de precio medio no correlaciona con la distancia a ríos y pendiente. Finalmente, el precio alto es el de mayor número de variables desechadas: limitac, natural, basura, conexagua y procagua. En consecuencia, en la RLBM del tipo de precio alto ingresarán solamente 20 variables, 23 en la del precio medio y 24 en la del precio bajo. Esto otorgará al tipo de precio alto una mayor capacidad discriminatoria, con relación a los otros tipos de precio, ya que un mayor número de variables se traduce en la reducción de predicción del modelo (Aguayo Canela y Lora Monge, 2007a).

76

4.1.2.2.

Regresión Logística Binomial Multivariante (RLBM)

Los resultados de aplicar la RLBM a cada tipo de precio con sus correspondientes variables explicativas, revisadas en el apartado anterior, se recogen básicamente en tres tablas que registran la siguiente información: 1. Resumen del modelo: muestra el ajuste del modelo RLBM en relación a la varianza de los datos, 2. Tabla de clasificación: evalúa la capacidad del modelo para discriminar entre las ausencias y presencias del tipo de precio. Esto determina el porcentaje de especificidad y sensibilidad del modelo (Dueñas Rodríguez, 2011); y, 3. Variables en la ecuación: las variables que explican significativamente a la variable dependiente, junto a su coeficiente (ß) y su correspondiente Odds Ratio (Expß) A continuación, se describen los resultados de cada modelo en función de las dos primeras tablas. La tercera se empleó posteriormente para construir los mapas de probabilidad.

4.1.2.2.1.

Modelo de regresión para el tipo de precio de suelo bajo

La tabla 10, el Resumen del modelo, muestra que el modelo de regresión alcanza una explicación de varianza del 53.3%, aunque según el R2 de Nagelkerke, que es una corrección al R2 de Cox y Snell (Dueñas Rodríguez, 2011), se puede explicar hasta el 71%.

Tabla 10: Resumen del modelo de la RLBM del tipo de precio bajo

La Tabla de clasificación (ver tabla 11) informa que, en el caso de las ausencias, el modelo clasifica correctamente a 816 casos, mientras que solamente 175 son los que han sido clasificados erróneamente como presencias. Esto le significa al modelo una especificidad 77

78

del 82.3%. Para el caso de las presencias de tipo de precio bajo se evidencia un mejor desempeño, clasificándose correctamente a 908 sujetos de los 991 totales, dándole una sensibilidad del 91.6%. En líneas generales se alcanza una clasificación correcta del 87%.

Tabla 11: Tabla de Clasificación de la RLBM del tipo de precio bajo

4.1.2.2.2.

Modelo de regresión para el tipo de precio de suelo medio

Según se aprecia en la tabla 12, a comparación del primer modelo, este presenta un menor porcentaje de ajuste, entre 33% y 44%. Incluso su capacidad de discriminación es menor con una especificidad del 73 % y una sensibilidad del 83% (ver tabla 13).

Tabla 12: Resumen del modelo de la RLBM del tipo de precio medio

Tabla 13: Tabla de Clasificación de la RLBM del tipo de precio medio

4.1.2.2.3.

Modelo de regresión para el tipo de precio de suelo alto

Este es el modelo con mayor porcentaje de ajuste, alcanzando entre 67% y 89% de explicación de la varianza (ver tabla 14).

Tabla 14: Resumen del modelo de la RLBM del tipo de precio alto

Se resalta además la casi perfecta clasificación que se logra de los sujetos o “controles”.

Así, para el caso de las ausencias se clasifican correctamente 915 sujetos (92%) y las presencias tienen aún un mayor porcentaje (98%), dando un 95% de porcentaje global de clasificación (Ver tabla 15).

Tabla 15: Tabla de Clasificación de la RLBM del tipo de precio alto

4.1.2.3.

Mapas de probabilidad de los tipos de precio de suelo

En esta sección se tomaron los coeficientes ß de las RLBM para formular, en el Raster Calculator de ArcGIS, las expresiones matemáticas de los modelos ráster denominados mapas de probabilidad del tipo de precio de suelo. Estos coeficientes son mejor interpretados con sus equivalentes Odds Ratio al proporcionar una razón de ventaja. Sin embargo, estos valores se los interpretará más adelante en la discusión de los resultados.

79

4.1.2.3.1.

Mapa de probabilidad para el tipo de precio de suelo bajo

La segunda columna de la tabla 16 da los coeficientes ß con los que se crea la expresión matemática que deriva en el mapa de probabilidad de la figura 16.

Tabla 16: Variables en la ecuación de la RLBM del tipo de precio bajo

Expresión matemática utilizada: 1 / (1 + Exp(5.039 - (1.066 * "limitac") - (1.869 * "basurare") + (0.568 * "conexaguare") (0.554 * "procaguare") - (0.559 * "propiedadre") + (0.820 * "altre4") - (0.985 * "dist_hidre1") - (1.909 * "dist_u1re2") - (1.256 * "dist_u4re3") - (0.824 * "dist_u6re2") (2.123 * "dist_u10re2") + (0.411 * "dist_vpre1")))

Figura 16: Mapa de probabilidad de tipo de precio bajo

80

4.1.2.3.2.

Mapa de probabilidad para el tipo de precio de suelo medio

La segunda columna de la tabla 17 da los coeficientes ß con los que se crea la expresión matemática que deriva en el mapa de probabilidad de la figura 17.

Tabla 17: Variables en la ecuación de la RLBM del tipo de precio medio

Expresión matemática utilizada: 1 / (1 + Exp(2.996 + (0.991 * "accesre") - (1.615 * "basurare") - (1.756 * "natural") - (0.576 * "procaguare") - (0.374 * "servhigre") + (0.635 * "altre2") - (1.136 * "dist_u1re3") - (0.942 * "dist_u4re3") - (0.840 * "dist_u10re3") + (0.428 * "dist_vpre1") - (0.629 * "dist_u5re3")))

Figura 17: Mapa de probabilidad de tipo de precio medio

81

4.1.2.3.3.

Mapa de probabilidad para el tipo de precio de suelo alto

La segunda columna de la tabla 18 da los coeficientes ß con los que se crea la expresión matemática que deriva en el mapa de probabilidad de la figura 18.

Tabla 18: Variables en la ecuación de la RLBM del tipo de precio alto

Expresión matemática utilizada: 1 / (1 + Exp(11.855 - (1.618 * "altre4") - (1.414 * "pendre2") - (2.015 * "dist_u1re2") - (2.884 * "dist_u3re3") - (1.344 * "dist_u4re2") - (1.250 * "dist_u5re1") - (1.531 * "dist_u6re2") + (1.214 * "dist_u9re2") - (2.232 * "dist_u10re2") - (2.386 * "densre4")))

Figura 18: Mapa de probabilidad de tipo de precio alto 82

83

En los tres mapas de probabilidad (figuras 16, 17 y 18), las zonas cercanas a 1 (en rojo) tienen una alta probabilidad de que el tipo de precio se presente mientras que los valores cercanos a 0 (en azul) significan nulas probabilidades de presencia del tipo de precio. En el primer modelo, los precios bajos tienen una alta probabilidad de presencia en la periferia de la ciudad. Lo contrario sucede en el modelo 3 donde los precios altos se concentran en el centro de la urbe. En el modelo 2, del tipo de precio medio, los colores que prevalecen corresponden a valores intermedios entre la escala 0 y 1.

Se han obtenido de esta manera los tres mapas de probabilidad que formarán parte de los insumos de entrada en el módulo CA_Markov.

4.1.2.4.

Validación de los mapas de idoneidad mediante la curva ROC

La tabla 19 muestra las puntuaciones obtenidas en el AUC de los tres mapas de probabilidad acompañadas de su respectiva calificación recogida en (Hurtado Pidal, 2014): Tabla 19: Puntuaciones del AUC para los tres mapas de probabilidad Mapa de probabilidad Precio bajo (modelo 1) Precio medio (modelo 2) Precio alto (modelo 3)

AUC 0.855 0.729 0.960

Calificación Bueno Regular Muy Bueno

Del cuadro se concluye que el modelo 3 es “Muy Bueno” para predecir el tipo de precio alto, siendo la categoría que más aciertos se tendrá al momento de realizar una predicción.

Por otro lado, el modelo de precio bajo puede ser usado pero sus resultados deben ser cuidadosamente analizados. El modelo de precio medio es el que tiene una menor capacidad predictiva, con solo el 73% lo cual se entiende en la medida que este tipo de precio es la condición intermedia entre el precio alto y el bajo, por tal razón tiene una regular capacidad predictiva.

4.1.3. ETAPA C: Modelamiento y validación de los tipos de precio de suelo para el 2017 4.1.3.1.

Modelo de simulación de los tipos de precio de suelo al 2017

La figura 19 muestra los mapas de tipo de precio del 2000 y 2010, de los cuales se calcularon las áreas de transición, insumo con el que Ca_Markov calcula la distribución espacial de las celdas con variación de tipo de precio.

Figura 19: Mapas de tipo de precio de suelo considerados para el calculo de áreas de transición con el modulo Markov 84

85

La tabla 20 presenta las áreas de transición para las tres categorías de tipo de precio, proyectadas al 2017. Aquí se recoge el número de pixeles que se espera que cambien a las diferentes categorías durante el número de años especificado. Las filas representan el periodo más antiguo introducido mientras que las columnas son el periodo más actual. Las celdas resaltadas corresponden a las que no experimentan cambios en los dos periodos.

Según se aprecia, los mayores cambios suceden del precio bajo al precio medio, reflejándose con esto la tendencia al incremento del precio de suelo en la ciudad.

Tabla 20: Areas de transición obtenidas del modulo Markov para el año 2017 Cat. 1: Precio Bajo Cat. 1: Precio Bajo 102007 Cat. 2: Precio Medio 14163 Cat. 3: Precio Alto 0

Cat. 2: Precio Medio 18963 44457 207

Cat. 3: Precio Alto 0 6805 20923

Para este primer ejercicio de simulación destinado a la validación de los modelos prospectivos se ha proyectado el mapa de tipos de precio del 2010 hacia el año 2017, obteniéndose el mapa de la figura 20:

Figura 20: Mapa de simulación de tipo de precio hacia el año 2017

86

Se observa que los precios altos (código 3) han conformado pequeñas islas distribuidas entre todo el anillo circundante de precios medios (código 2) y además hay una formación de precios bajos (código 1) al noreste de la gran mancha central de precios altos. Pese a que efectivamente se nota un cambio considerable de la situación original, esto dista mucho de aquella que se esperaba alcanzar, es decir, el mapa real de tipos de precio de suelo del 2017 (ver tabla 8).

4.1.3.2.

Validación del modelo de simulación del 2017

Se aplicó el módulo Validate ingresando como mapa de comparación el mapa de simulación de 2017 que resultó de la aplicación de Ca_Markov. El mapa de referenca introducido fue el de la situación real de los tres tipos de precio de suelo para ese mismo año. El resultado se muestra en la figura 21.

Figura 21: Índices de acuerdo y desacuerdo entre el mapa de tipos de precio 2017: simulado vs. real Aparece un porcentaje de desacuerdo del 32.66% (3.73% + 23.93%), mientras que el porcentaje total de concordancia es del 72.34%, siendo la concordancia debido al azar (AgreeChance), el que mayor porcentaje aporta (34.56%).

De este análisis se concluye que las simulaciones realizadas a partir de los modelos de regresión tendrán una veracidad superior al 70% siendo su nivel de incertidumbre muy alto (valor AgreeChance).

4.1.4. ETAPA D: Simulación de tipos de precio de suelo A continuación, se presentan las figuras 22, 23, 24 y 25 que muestran respectivamente los mapas de simulación de tipos de precio de suelo para los años 2025_A, 2025_B, 2030_A y 2030_B. Conviene recordar que los mapas A tienen como año inicial de proyección el 2010 mientras que los mapas B, el año 2000.

Figura 22: Prospectiva del tipo de suelo al año 2025_A a partir del 2010

Figura 23: Prospectiva del tipo de suelo al año 2025_B a partir del 2000 87

88

Figura 24: Prospectiva del tipo de suelo al año 2030_A a partir del 2010

Figura 25: Prospectiva del tipo de suelo al año 2030_B a partir del 2000

4.1.5. Influencia del precio del suelo en el espacio Basados en los mapas de tipo de precio de suelo del 2000 y 2010, se presenta la figura 26, donde se destacan las intersecciones entre ambos mapas. Se visualiza claramente los diferentes niveles de apreciación, depreciación y las zonas donde no ha habido un importante cambio de precio.

89

Figura 26: Cambios en los tipos de precio de suelo Cada poligono de apreciación y depreciación sirvió para cuantificar la superficie de las principales coberturas de suelo: Agrícola, Desnudo, Urbano, Vegetación, y Otras. La figura 27 muestra dichas coberturas para el 2002 y la figura 28 para el 2010. Dichos mapas provienen de la información del BID (2013) descrita en la sección de metodología.

Figura 27: Coberturas principales de suelo del año 2002

90

Figura 28: Coberturas principales de suelo del año 2010 A continuación se muestran, por cada nivel de apreciación y depreciación de precio, las intersecciones con las cobertura de suelo del 2002 y 2010.

a) Apreciación de precio de suelo: Nivel 1 La figura 29 muestra las coberturas del 2002 y la figura 30 las del 2010. Estas áreas circundan el área urbana y en el 2010 es notorio un aumento de áreas urbanas al norte.

Figura 29: Cobertura de suelo 2002 en zona de Apreciación nivel 1 (Precio bajo a medio)

91

Figura 30: Cobertura de suelo 2010 en zona de Apreciación nivel 1 (Precio bajo a medio)

b) Apreciación de precio de suelo: Nivel 2 Este nivel de apreciación de medio a alto, bordea el límite del centro histórico. Aunque en el 2002 (fig. 31) el área urbana es la principal cobertura, aun se observan otras en menor cantidad. Sin embargo para el 2010 (fig. 32) hay un predominio casi exclusivo de suelo urbano.

Figura 31: Cobertura de suelo 2002 en zona de Apreciación nivel 2 (Precio medio a alto)

92

Figura 32: Cobertura de suelo 2010 en zona de Apreciación nivel 2 (Precio medio a alto)

c) Depreciación de precio de suelo: Nivel 1 Este primer nivel de depreciación tiene la menor área de todos los cambios de precio, concentrándose en cuatro pequeñas áreas consolidadas. La figura 33 y la figura 34 muestran las coberturas del 2002 y 2010, respectivamente. Pese a ser muy similares, en el primero de ellos se aprecian pequeños sectores de suelo agrícola y desnudo.

Figura 33: Cobertura de suelo 2002 en zona de Depreciación nivel 1 (Precio alto a medio)

93

Figura 34: Cobertura de suelo 2010 en zona de Depreciación nivel 1 (Precio alto a medio)

d) Depreciación de precio de suelo: Nivel 2 Los resultados de las coberturas en este nivel de depreciación se muestran en la figura 35 para el 2002 y en la figura 36 para el 2010. Una rápida visualización permite advertir para el 2010 un incremento de suelo urbano y agrícola, aunque éste última en mayor extensión.

Figura 35: Cobertura de suelo 2002 en zona de Depreciación nivel 2 (Precio medio a bajo)

94

Figura 36: Cobertura de suelo 2010 en zona de Depreciación nivel 2 (Precio medio a bajo) Basados en estos resultados, en la Discusión se profundizará el análisis de los efectos que implica un cambio de precio del suelo sobre el espacio urbano de Cuenca.

4.1.6. Modelo de crecimiento urbano en función del precio del suelo Para este análisis se reclasificaron en tres categorías: Suelo Rural, Suelo Disperso y Suelo Urbano, a las principales coberturas de suelo del 2002 (fig. 37) y 2010 (fig. 38), usadas en la sección anterior.

Figura 37: Mapa de crecimiento de Cuenca en el año 2002

95

Figura 38: Mapa de crecimiento de Cuenca en el año 2010 Con esta reclasificación se obtuvieron las zonas urbanas del 2002 y 2010, a las cuales se sumó el mapa de crecimiento urbano del 2015 (fig. 39) proporcionado por el último POT del cantón Cuenca de ese mismo año.

Figura 39: Mapa de crecimiento de Cuenca en el año 2015

96

Las áreas urbanas de estos tres mapas, cuyas épocas son cercanas a los periodos de estudio (2000, 2010 y 2017), constituyen una referencia del límite de crecimiento urbano de la ciudad para estos años, por lo que la intersección de dichas áreas dio como resultado los nuevos espacios urbanos, es decir, las zonas de expansión o crecimiento urbano.

La intersección entre las áreas urbanas del 2000 y 2010 dio como resultado el crecimiento entre aquellos años. Estas zonas se muestran en la figura 40, sobrepuestas a los mapas del precio del suelo del 2000 y 2010.

Figura 40: Areas de crecimiento urbano entre el 2000 y 2010, sobrepuestas a los tipos de precios de suelo de 2000 (arriba) y 2010 (abajo)

97

De forma similar, la intersección entre las áreas urbanas del 2010 y 2015 dio como resultado el crecimiento entre aquellos años. Estas zonas se muestran en la figura 41, sobrepuestas a los mapas del precio del suelo del 2010 y 2017.

Figura 41: Areas de crecimiento urbano entre el 2010 y 2015, sobrepuestas a los tipos de precios de suelo de 2010 (arriba) y 2017 (abajo) En la siguiente sección de Discusión de resultados se detallará el análisis del crecimiento urbano de Cuenca en función del precio del suelo

4.2. DISCUSIÓN DE RESULTADOS 4.2.1. Mapas de tipos de precio de suelo 4.2.1.1.

Estimación de la muestra

La precisión alcanzada por el estudio en relación a la cantidad de muestras de precio de suelo es del 4.85%. Sin embargo, para el 2017 se tiene un incremento de este valor hasta 5.62%. Esto se justifica tanto por la escasa cantidad de ventas reportadas por los diarios como por la cantidad de meses transcurridos ya que, al cierre de la fecha prevista para la recolección de muestras, faltaba aún el último trimestre del año.

En relación a la distribución de las muestras, a pesar de que al momento de recolectarlas se procuró que se distribuyan uniformemente en el área de estudio, existen zonas centrales de la ciudad que por su alto grado de consolidación ofertan escaso suelo vacante.

4.2.1.2.

Interpolación de las muestras

La interpolación de las muestras de precio de suelo (fig. 14) permite destacar el hecho que desde el centro de la ciudad se forman áreas concéntricas en torno a los precios más altos, decreciendo progresivamente a medida que se alejan de ella, tal como lo demostró Von Thünen en su teoría de círculos concéntricos (Albarrán Olvera, 2007) ocasionados por la rentabilidad que ocasionan las centralidades urbanas en relación a sus periferias.

Se advierte también que los rangos de precio de suelo varían en cada año de estudio (fig.

15). Así por ejemplo en el 2000 el precio del suelo interpolado está en el rango de $8 a $257 el metro cuadrado. Los umbrales máximos se elevan casi al doble en cada periodo teniendo para el 2010 un costo máximo de 420 mientras que para el 2017 éste llega a los $897. Por el otro extremo, los umbrales inferiores también se alteran pasando de 8 en el 2000, 4 en el 2010 y finalmente en el año 2017 se tienen $25. Esto advierte de la gran variabilidad entre los distintos años y de cómo la variable de precios de suelo evoluciona con el tiempo.

98

4.2.2. Análisis de los modelos de regresión para la construcción de los mapas de probabilidad de tipos de precio de suelo El porcentaje de explicación de la varianza de los modelos de regresión bajo (53.3%), medio (33%) y alto (67%) son, en cierto modo, alentadores si se considera la alta participación de variables explicativas: 12 para el modelo de precio bajo, 11 para el precio medio y 10 para el alto. A esto se suma que la variable dependiente, el tipo de precio, proviene de interpolar muestras, lo cual siempre tiene un margen de imprecisión con relación a la distribución real de los datos (Arce Mesén, 2001; García González y Cebrián Abellán, 2006).

De los tres porcentajes de explicación de la varianza, el precio medio es el más bajo. La principal causa es que este modelo trata de representar una realidad intermedia entre el tipo de precio bajo y el alto, adoptando condiciones de ambos modelos, lo cual lo hacen más difícil de modelar matemáticamente.

En contraste está el precio alto, cuyo porcentaje de explicación es el más alto de los tres.

Esto se da por el área reducida que abarca este tipo de precio (ver mapa de presencias/ausencias de tipos de precio en la figura 7) lo que permite una alta densidad de los puntos muestrales en la presencia del tipo de precio en contraste con la dispersión de los puntos muestrales en el área que abarca la ausencia de dicho tipo. Además, el menor número de variables con las que se construyó este modelo (10 variables) en relación con los otros tipos de precio, permite una mejor capacidad discriminatoria (Aguayo Canela y Lora Monge, 2007a).

De esto se concluye que el establecimiento de tres categorías en los tipos de precio de suelo hace que en los modelos de regresión las categorías intermedias no alcancen mayor poder predictivo, lo cual puede afectar el proceso de simulación en Ca_Markov. Esta herramienta de simulación trabaja mejor cuando las variables a predecir son categóricas nominales, como las diferentes clases de coberturas de suelo. Por lo tanto, cuando se necesitan predecir variables que originalmente son continuas, como los precios de suelo, es mejor recategorizar la variable dependiente en solamente dos clases que reflejan la presencia o ausencia del estado principal que se quiere medir.

99

4.2.3. Análisis comparativo de los mapas de simulación a) Mapa de simulación al año 2017 Cuando se comparan visualmente tanto el mapa simulado de tipos de precio del año 2017 (fig. 20) con los mapas reales de tipos de precio de suelo (tabla 8) se observa que el resultado de proyección se asemeja más al mapa del 2010 que del 2017, año al que debería parecerse. Esta gran diferencia se ve reflejada en los índices de concordancia calculados por Validate, donde del 72,34% el 34.56% se debe a una concordancia por el azar.

Con esto se concluye que Ca_Markov no es el módulo más apropiado para proyectar el precio del suelo, fenómeno que según las interpolaciones realizadas, demuestra gran dinamismo en tiempo y espacio. Este hecho se justifica desde los parámetros que se emplean en la ejecución de Ca_Markov donde se exige un mapa base para la proyección a partir del cual se distribuyen las áreas de transición calculadas por el módulo Markov.

Este módulo de simulación es efectivo si se espera que las categorías que conforman la variable de estudio cambien progresivamente en el espacio, sin esperarse la ocurrencia de factores que impliquen un cambio brusco en la tendencia de expansión. De este modo se confirma una mejor utilidad de Ca_Markov para la predicción de variables cuyo dinamismo no produce altos contraste en el tiempo como las coberturas de suelo. En este sentido se aconseja explorar las diferentes técnicas de simulación disponibles en software GIS, ya que, si bien la mayoría de ellas tienen parámetros adaptados para predecir coberturas de suelo, se pueden realizar adaptaciones para aprovechar los algoritmos utilizados y verificar si los modelos de simulación de precios de suelo coinciden con los obtenidos por Ca_Markov.

b) Mapas de simulación a los años 2025 y 2030 Con los atenuantes anteriormente enunciados se procede a comparar los mapas obtenidos mediante la geosimulación con Ca_Markov a partir del 2017 hacia los años 2025 y 2030 para determinar cuál de ellos es el que presenta una mejor adaptación con la situación real.

Siempre teniendo presente que la probabilidad de ocurrencia de dichas simulaciones tendrá un 34% de concordancia debido al azar.

100

101

Una ciudad se extiende independientemente del precio que tenga su suelo. Este hecho se puede evidenciar cuando los cinco modelos proyectados se comparan según el porcentaje cubierto por cada tipo de suelo. La variación es muy baja, mostrando un comportamiento prácticamente lineal en el tiempo (fig. 42).

70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00

año 2017

año 2025_A

año 2025_B

año 2030_A

año 2030_B

precio bajo

55,97

58,15

56,48

58,24

55,62

precio medio

30,68

32,66

31,65

32,83

31,90

precio alto

13,35

9,19

11,87

8,93

12,49

Figura 42: Área ocupada (%) por cada tipo de precio según el año de simulación También se destaca la gran similitud entre el mapa 2025_B con el 2030_B (fig. 43) y el mapa 2025_A con el 2030_A (fig. 44) para contrastar lo anteriormente expuesto se valoran las similitudes con el modulo VALIDATE de Idrisi, obteniéndose los siguientes resultados:

Figura 43: Comparación entre simulaciones del 2025_B y 2030_B a partir del año 2000

102

Figura 44: Comparación entre simulaciones del 2025_A y 2030_A a partir del año 2010 Los valores del índice Kappa (Kstandar) indican que ambos pares de mapas alcanzan una concordancia casi perfecta. Revisando la tabla 6 donde se especifican los parámetros para los diferentes mapas de proyección con Ca_Markov, se registra que la similitud se da entre mapas cuyo año inicial de simulación es el mismo (2000) diferenciándoles únicamente el número de años de proyección (8 para el 2025 y 13 para el 2030). Esto da cuenta que, en un periodo de cinco años, sin importar desde el año desde el cual se empiece la simulación, los cambios de tipo de precio no se esperan que tengan un mayor cambio.

Lo que resta por definir es cuál de los dos modelos simulados al 2025 tienen mayor confiabilidad ya que ambos tienen diferentes años iniciales de proyección: el modelo 2025_A parte desde el año 2010 teniendo un periodo de análisis de cambio de 7 años, mientras que el modelo 2025B parte del año 2000 con un periodo de cambio de 17 años.

Cuando se realizó la validación del modelo proyectado al 2017 se obtuvo un porcentaje de concordancia del 72.34%, haciendo suponer que el modelo no debería emplearse en proyecciones a largo plazo, siendo recomendable buscar periodos cortos de proyección (Hurtado Pidal, 2014). De modo que, los modelos con mejor “performance” o rendimiento

103

son aquellos cuyos años de análisis de cambio son de siete años, en comparación con aquellos obtenidos de un cambio de 17 años. En otras palabras, los mejores modelos serán los que tienen como año inicial de análisis el año 2010 (2025_A y 2030_A).

4.2.4. Caracterización de los precios de suelo Esta sección tiene por finalidad determinar que variables permiten caracterizar los tipos de precio de suelo en la ciudad de Cuenca y analizarlas en su componente espacial. Para esto se hace uso de dos procesos usados en la regresión logística: -

La dicotomización de las variables, donde se identificaron los estados dentro de los cuales un precio modificaba sustancialmente su comportamiento. Estos estados vienen relacionados con la existencia o no de un determinado servicio público como el alcantarillado o el abastecimiento de agua mediante la red pública, pero también se refieren a un rango de distancias luego de las cuales se experimenta una variación en el tipo de precio. La dicotomización como estrategia para entender de mejor manera los resultados de las regresiones logísticas, lejos de reducir la cantidad de información, permite adquirir datos relevantes para la comprensión espacial de un fenómeno.

-

La RLBM que identifica las variables que son estadísticamente significativas para la variable dependiente, en otras palabras, identifica las variables que explican en mayor porcentaje la varianza de la variable dependiente. También permite obtener de cada una de dichas variables los coeficientes ß y los Odds Ratio. El coeficiente ya fue utilizado para generar los mapas de probabilidad con ayuda del Raster Calculator. Dichos coeficientes son mejor entendidos cuando se leen en términos de proporciones de ventaja, lo cual viene dado por los Odds Ratio.

4.2.4.1.

Variables que definen los precios de suelo en Cuenca

Se recuerda que en cada modelo de regresión no se tienen las mismas variables, no obstante, se han identificado cuatro que están presentes en los tres modelos, siendo estas las que caracterizan de manera general el tipo de precio de suelo en la ciudad de Cuenca, estas son:

104

-

Distancia al uso de gestión (dist_u10RE2): este uso se concentra en el centro urbano de la ciudad y viene dado por todas aquellas instituciones públicas donde los ciudadanos acuden para realizar diferentes tipos de trámites. Es un uso que participa mucho en el desarrollo de una ciudad, fortaleciendo su presencia el carácter urbano de un sitio.

-

Distancia al uso vinculado con la producción de bienes a nivel industrial (dist_u1RE2): este uso incluye todas aquellas entidades en las que se implantan fábricas, por lo cual se los puede asociar con la generación de empleo. Este factor motiva la migración campo-ciudad y sin lugar a dudas es un fuerte motivo para la expansión de una ciudad.

-

Distancia al uso vinculado a la producción de servicios personales y afines a la vivienda (dist_u4RE3): este uso corresponde al establecimiento de gimnasios, salones de belleza, funerarias y todo tipo de talleres donde la gente acude para la reparación de sus objetos domésticos.

-

Alturas (altRE4): este es un factor determinante en una ciudad como Cuenca, donde existen diferentes plataformas sobre las cuales se asienta la población. Cada una de ellas tiene una caracteriza fundamental, así: la plataforma más alta se encuentra al norte de la ciudad y es la zona actual de expansión, por lo que se evidencia una progresiva ocupación de esta zona. La plataforma intermedia la ocupa principalmente el centro histórico. Es donde la ciudad inicio su vida urbana por lo que mantiene un perfecto trazado en damero y contiene a la mayor parte de la población. Finalmente, está la zona baja denominada El Ejido. Esta área se caracteriza por tener casas tipo villa que rememoran las intenciones de antaño de convertir a este sector en una ciudad-jardín. En esta plataforma se instalan también las unidades educativas de mayor recurrencia de estudiantes y principales equipamientos de salud y recreación (estadio, parques, etc).

A continuación, se ofrece una descripción de las características de cada tipo de precio. Por cada uno de ellos se ofrece un cuadro resumen introductorio con seis columnas. La primera contiene el listado de todas las variables que finalmente fueron incluidas en el modelo. En la segunda se encuentra la Situación de referencia, es decir, el estado de la variable frente

105

a la cual se ha calculado el factor de ventaja (cuarta columna) de la Situación de exposición (tercera columna). Las columnas cinco y seis indican el límite de confiabilidad del factor de ventaja, es decir, el rango dentro del cual puede variar el factor de ventaja cuya confiabilidad será mayor mientras más se aproximen ambos límites (Aguayo Canela y Lora Monge, 2007a). En las tablas se encuentran resaltados las cuatro variables que, como se mencionó anteriormente, están presentes en la definición de los tres tipos de precios de suelo permitiendo así observar el comportamiento espacial de estas variables.

4.2.4.2.

Caracterización del tipo de precio bajo Tabla 21: Modelo RLBM para el tipo de precio bajo

Variable

Situación de Situación de Factor de ventaja referencia exposición (Odds Ratio)

dist_u10RE2

<1967,05

dist_u1RE2 basuraRE dist_u4RE3

I.C. 95% para EXP(B) Inferior

Superior

>1967,05

8,353

5,266

13,250

<1070,79

>1070,79

6,747

4,317

10,543

servicio de recolección

sin servicio de recolección

6,481

3,434

12,230

<1464,14

>1464,14

3,512

2,313

5,332

sin limitación

con limitación

2,905

1,676

5,036

dist_hidRE1

>269,26

<269,26

2,677

1,934

3,707

dist_u6RE2

<580,52

>580,52

2,280

1,394

3,728

propiedad

arriendo

propia

1,749

1,039

2,946

procagua

con red publica

sin red publica

1,741

1,099

2,757

dist_vpRE1

<214,71

>214,71

,663

,463

,950

conexaguaRE

conexión directa

sin conexión directa

,567

,386

,832

altRE4

<2652,34

>2652,34

,440

,312

,621

limitac

Constante

,006

La columna “Factor de ventaja” de la tabla 21 muestra que los precios de suelo bajos tienen hasta 8 veces mayor presencia cuando la distancia al uso de administración y gestión (dist_u10RE2) asciende por sobre los 1967 metros. Esto significa que, si se considera una longitud de manzana próxima a los 100 metros, los precios de suelo decrecen cuando los predios se encuentran a más de 20 cuadras de una entidad de gestión. Otras variables que presentan un elevado Odds Ratio, y por ende cuentan con un elevado factor multiplicativo, es la distancia a usos industriales (dist_u1RE2) y al servicio de recolección de basura

106

(basuraRE). En el primer caso, el hecho de que un predio este alejado en casi 10 cuadras de un uso industrial multiplica por seis la probabilidad de que el precio disminuya. Por otro lado, la no existencia de un servicio de recolección de basura es un factor que significa hasta en seis veces la disminución del precio de un terreno.

4.2.4.3.

Caracterización del tipo de precio medio Tabla 22: Modelo RLBM para el tipo de precio medio

Variable natural

Situación de referencia

Situación de exposición

Factor de ventaja (Odds Ratio)

construcción permitida

construcción restringida

sin servicio de con servicio de recolección recolección dist_u1RE3 >1233,09 <1233,09 dist_u4RE3 >1583,73 <1583,73 dist_u10RE3 >2416,61 <2416,61 dist_u5RE3 >1089,04 <1089,04 procaguaRE sin red publica con red publica servhigRE sin alcantarillado con alcantarillado dist_vpRE1 >817,44 <817,44 altRE2 >2670,16 <2670,16 accesRE no pavimentado pavimentado basuraRE

Constante

I.C. 95% para EXP(B) Inferior

Superior

5,791

3,412

9,832

5,026

2,964

8,523

3,116

2,057

4,718

2,564

1,739

3,782

2,316

1,706

3,144

1,876

1,247

2,822

1,778

1,129

2,800

1,453

1,070

1,972

,652

,462

,920

,530

,385

,730

,371

,276

,500

,050

Según se indica en la tabla 22, las 11 variables que definen este modelo tienen los valores de Odds Ratio más bajos en comparación con los otros dos tipos de precio. Esto se debe a que este modelo representa la situación intermedia entre el precio alto y el bajo, cuyos límites espaciales son difusos haciendo poco precisa la determinación de un escenario intermedio. En esta categoría de precio, la variable más discriminatoria es la limitación a la construcción por proximidad a un Áreas Natural de Protección. Los predios ubicados cerca de estas áreas tendrán casi 6 veces la probabilidad de que su precio sea intermedio. La recolección de basura también juega un rol importante, como en el precio bajo, demostrando que este servicio define con mucho acierto los tipos de precio bajo y medio.

107

Es destacable la presencia de cuatro tipos de usos en la definición de este tipo de precio, tres de ellos presentes también en la definición de los precios bajos. Sin embargo, contario a lo que se esperaría, los precios medios se presentan a una distancia mayor a la que se presenta en los precios bajos. Una causa de esto es la implantación de urbanizaciones privadas alejadas del centro de la ciudad que encarecen el valor de estos lugares.

4.2.4.4.

Caracterización del tipo de precio alto Tabla 23: Modelo RLBM para el tipo de precio alto

Variable dist_u3RE3 densRE4

Situación de referencia >364,01

Situación Factor de ventaja de exposición (Odds Ratio)

I.C. 95% para EXP(B) Inferior

Superior

<364,01

17,888

1,748

183,024

<18,77

>18,77

10,869

5,127

23,041

dist_u10RE2

>1203,54

<1203,54

9,317

5,139

16,894

dist_u1RE2

>626,50

<626,50

7,498

3,076

18,278

altRE4

>2600,36

<2600,36

5,043

2,241

11,352

dist_u6RE2

>355,11

<355,11

4,624

1,334

16,028

>7,25

<7,25

4,112

2,514

6,728

dist_u4RE2

>789,18

<789,18

3,835

1,165

12,626

dist_u5RE1

>176,92

<176,92

3,489

2,009

6,061

dist_u9RE2

>161,25

<161,25

,297

,097

,912

pendRE2

Constante

,000

La tabla 23 muestra que la variable con mayor discriminación de este tipo de precio es el uso relacionado a la producción de servicios generales (dist_u3RE3). Este uso hace referencia a bancos, estaciones de seguridad (bomberos, policía), aeropuertos, hoteles, restaurantes, consultorios, estaciones de radio, etc., es decir, usos que significan la prestación de toda clase de servicios profesionales enmarcados en actividades de producción secundaria (INEC, 2012). Un predio cercano a este tipo de usos incrementará en casi 18 veces la posibilidad de encarecer el precio de suelo.

Por la segunda variable (densRE4) se concluye que, adicional a lo anterior, los precios altos se encuentran en altas densidades de población, lo cual implica aquellos lugares donde la consolidación alcanza los más altos porcentajes. De este modo se tiene que valores de densidad superiores a 18.77 hab/ha (fig. 45) representarán un precio superior de suelo.

108

Figura 45: Valor crítico de densidad para la presencia de precios altos (18.77 hab/ha) En este tipo de precio nuevamente se presenta como variables definitorias los usos de suelo de gestión (dist_u10RE2) y de producción de bienes a nivel industrial (dist_u1RE2).

Los precios altos surgen cuando las distancias a estos usos son inferiores a 1203 y 627 metros, respectivamente.

Una variable inédita en la caracterización de tipos de precio de suelo alto es la pendiente, concluyéndose que aquellos terrenos con una pendiente inferior a 7.25% presentan hasta cuatro veces más probabilidad de tener un precio alto. De igual manera los equipamientos (dist_u6RE2), ya que si estos se encuentran a una distancia inferior a 355.11 metros la probabilidad de que el precio sufra un incremento se multiplica en casi 5 veces.

De las caracterizaciones de los precios de suelo alto, medio y bajo se puede observar que las distancias a los usos de suelo son una de las principales variables que influyen en la definición de un tipo de precio. Resta por conocer si esta característica se ve afectada cuando se incluyen en el análisis los usos de los centros poblados cercanos al área de estudio. En esta investigación, todas las variables fueron recortadas al área estudiada de tal manera que los análisis se efectuaban independientemente de la influencia que ejercen los centros poblados cercanos.

4.2.5. Análisis de la influencia que ejerce el valor del suelo en el desarrollo espacial de Cuenca Se discute a continuación los cambios que sufrió la cobertura de suelo desde el año 2002 al 2010 en las zonas donde se evidenciaron cambios de precio de suelo

a) Apreciación de tipo de precio: Nivel 1 Es el cambio de precio que mayor área cubre con un total de 2259.18 has (ver tabla 24). La figura 46 evidencia que un incremento en el precio del suelo de bajo a medio, incrementa el porcentaje de suelo urbano en detrimento de la disminución de las demás coberturas de suelo, especialmente la agrícola. Un análisis general de gráfica muestra que este nivel de apreciación se da en un territorio originalmente de características rurales agrícolas (2002), donde lo urbano tiene un bajo porcentaje, sin embargo, una vez que el precio sube (2010), estos lugares adoptan características intermedias entre lo urbano y rural.

Tabla 24: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 1 de apreciación vegetación natural 82,65 678,54 42,03 613,2 -40.62 -65.34

Desnudo año 2002 año 2010 Total de cambio

urbano

agrícola

334,02 1163,74 664,92 930,28 330.9 -233.46

otro

total

0,23 2259,18 8,75 2259,18 8.52 0

60,00 50,00 40,00 30,00 20,00 10,00 0,00

suelo desnudo

vegetación natural

urbano

suelo agrícola

otro

año 2002

3,66

30,03

14,79

51,51

0,01

año 2010

1,86

27,14

29,43

41,18

0,39

año 2002

año 2010

Figura 46: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 1 de apreciación 109

110

La mayoría de apreciaciones se localizan en las parroquias de Cuenca, Ricaurte y Sinincay, según se expone en la tabla 25 que resume la diferencia porcentual entre las áreas de las coberturas del 2010 y del 2002. Valores negativos indican el porcentaje perdido por dicha cobertura y los valores positivos las ganancias. Esto se representa gráficamente en la figura 47 donde es más fácil advertir la parroquia donde se han producido los mayores cambios.

Tabla 25: Ganancias y pérdidas de coberturas de suelo (%) por parroquias en el nivel 1 de apreciación de suelo Parroquia

agrícola

BAÑOS CHIQUINTAD CUENCA EL VALLE LLACAO NULTI RICAURTE SAN JOAQUIN SININCAY TURI Total de cambio

desnudo

-0,32 0,13 -4,00 0,34 0,67 0,11 -5,18 -1,77 -0,73 0,41 -10,33

agricola

-0,29 0,00 -1,21 -0,35 -0,02 -0,03 0,38 0,03 -0,03 -0,27 -1,80

otro

urbano

0,06 0,00 0,30 0,00 0,00 0,00 -0,01 0,03 0,00 0,00 0,38

desnudo

otro

-0,36 0,00 7,05 -0,18 -0,53 -0,03 5,85 0,66 2,45 -0,26 14,65

urbano

vegetación natural 0,91 -0,13 -2,13 0,19 -0,12 -0,05 -1,05 1,05 -1,69 0,12 -2,89

veg_natural

BAÑOS 8,00 TURI

6,00

CHIQUINTAD

4,00 2,00 0,00 SININCAY

CUENCA

-2,00 -4,00 -6,00

SAN JOAQUIN

EL VALLE

RICAURTE

LLACAO NULTI

Figura 47: Diagrama de cambios en la cobertura de suelo por el nivel 1 de apreciación

111

Los mapas de las figuras 29 y 30 dan fé del fuerte crecimiento del suelo urbano que se ha dado en el sector norte de Cuenca y de la expansión agrícola con la consiguiente perdida de vegetación natural ocurrida sobretodo al oeste del área de estudio.

b) Apreciación de tipo de precio: Nivel 2 Al igual que en el caso anterior, el crecimiento del suelo urbano se ve favorecido por la disminución de las otras coberturas, siendo la agrícola la más afectada (ver tabla 26). En comparación con el caso anterior, la figura 48 indica que este caso se da únicamente donde tienen lugar los precios más altos, es decir, en el casco urbano de Cuenca.

Tabla 26: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 2 de apreciación vegetación natural 31,37 15,15 0,23 12,37 -31.14 -2.78

Desnudo año 2002 año 2010 Total de cambio 100,00 90,00 80,00 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00

urbano 624,05 736,18 112.13

agrícola 112,56 26,96 -85.6

otro 1,28 8,67 7.39

desnudo

veg natural

urbano

agri

otro

año 2002

4,00

1,93

79,56

14,35

0,16

año 2010

0,03

1,58

93,85

3,44

1,11

año 2002

total 784,41 784,41 0

año 2010

Figura 48: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 2 de apreciación En los mapas de las figuras 31 y 32 se advierte que la localización de este tipo de apreciación (de medio a alto) se localiza en la periferia de lo que se conoce actualmente como Centro Histórico, demostrando que las áreas con el mayor costo en la ciudad se van consolidando a partir de este núcleo.

c) Depreciación de tipo de precio: Nivel 1 De este caso se tiene que el suelo urbano es el único presente en los dos periodos analizados, indicando que el resto de usos (desnudo y agrícola) han sido convertidos en urbano (tabla 27). La figura 49 indica que este nivel de depreciación se desarrolla completamente en suelo urbano, siendo su decrecimiento de precio no una consecuencia de la perdida de sus características, sino más bien se da por el incremento de precio de los suelos vecinos que han adquirido mayores ventajas.

Tabla 27: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 1 de depreciación vegetación natural 0,1 0 0 0 -0.1 0

Desnudo año 2002 año 2010 Total de cambio

urbano 14,66 15,08 0.42

agrícola 0,32 0 -0.32

otro

total 0 0 0

15,08 15,08 0

120,00 100,00 80,00 60,00 40,00 20,00 0,00

desnudo

veg natural

urbano

agri

otro

año 2002

0,66

0,00

97,21

2,12

0,00

año 2010

0,00

0,00

100,00

0,00

0,00

año 2002

año 2010

Figura 49: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 1 de depreciación Como se muestra en los mapas de las figuras 33 y 34, este tipo de depreciaciones que van de precio alto en el 2002 a precio medio en el 2010, se localizan en el área central de la ciudad ya que es donde se concentra el tipo de precio más alto.

112

d) Depreciación de tipo de precio: Nivel 2 Este caso cubre un total de 1549, 63 ha (ver tabla 28), de las cuales se observa en la figura 50 que el tipo de suelo urbano y agrícola aumentan, aunque este último lo hace en mayor cantidad. Observando el valor más alto de la gráfica se nota que este caso de depreciación se da en suelos con características rurales agrícolas, donde lo urbano aún no tiene una alta presencia.

Tabla 28: Coberturas de suelo (has) entre el 2002 y 2010 en el nivel 2 de depreciación vegetación natural 79,67 542,4 29,83 470,24 -49.84 -72.16

Desnudo año 2002 año 2010 Total de cambio

urbano 159,04 201,89 42.85

agrícola 768,52 840,16 71.64

otro

total

0 1549,63 7,51 1549,63 7.51 0

60,00 50,00 40,00 30,00 20,00 10,00 0,00

desnudo

veg natural

urbano

agri

otro

año 2002

5,14

35,00

10,26

49,59

0,00

año 2010

1,92

30,35

13,03

54,22

0,48

año 2002

año 2010

Figura 50: Coberturas de suelo (%) entre el 2002 y 2010 en el nivel 2 de depreciación Para determinar la dirección en la cual ocurrieron los mayores cambios se ha realizado la valoración de cambio en cada una de las parroquias rurales que, estando dentro del área de influencia inmediata de Cuenca, forman parte del estudio. Como resultado se presenta la tabla 29 que resume la diferencia porcentual entre el tipo de suelo del 2010 y el tipo de suelo del 2002. Los valores negativos indican el porcentaje perdido por dicha cobertura al ser cambiado por otra, mientras que los valores positivos dan cuenta de las áreas ganadas.

113

114

Tabla 29: Ganancias y pérdidas de coberturas de suelo (%) por parroquias en el nivel 2 de depreciación de suelo

Parroquia BAÑOS CUENCA PACCHA RICAURTE SAN JOAQUIN SININCAY TURI Total de cambio

agrícola -1,77 -3,26 3,79 -0,29 0,00 -0,07 6,22 4,62

desnudo -0,04 -0,72 -0,94 -0,02 0,00 0,06 -1,55 -3,22

urbano 0,68 3,19 -1,10 0,76 0,00 0,03 -0,79 2,77

vegetación natural 1,12 0,37 -1,75 -0,45 0,00 -0,02 -3,93 -4,66

otro 0,02 0,42 0,00 0,00 0,00 0,00 0,05 0,48

La tabla anterior es representada en el diagrama radial de la figura 51, donde es más fácil advertir la parroquia donde se han producido los mayores cambios.

agricola

desnudo

urbano

veg_natural

otro

BAÑOS 8,00 6,00 TURI

4,00

CUENCA

2,00 0,00 -2,00 -4,00 SININCAY

PACCHA

SAN JOAQUIN

RICAURTE

Figura 51: Diagrama de cambios en la cobertura de suelo por el nivel 2 de depreciación Se puede constatar que la parroquia de Turi ha experimentado un mayor incremento en el suelo agrícola, seguido por Paccha. Por la tabla 29 se determina que dichos suelos agrícolas han ganado espacio a expensas de suelo con vegetación natural. En el caso de Turi, se ha

115

perdido 3.93 ha y en Paccha 1.75. Por otro lado, la ciudad de Cuenca, en su zona urbana ha sido donde más se ha incrementado el suelo urbano con 3.19 has, perdiéndose 3.26 has de suelo agrícola.

De este análisis se desprende que el suelo agrícola que se ha convertido en urbano en la ciudad de Cuenca, ha sido “recuperado” en las parroquias rurales de Cuenca, a expensas de las áreas de vegetación natural. Esto como consecuencia de un cambio de tipo de precio de medio a bajo. Las figuras 35 y 36 exponen la localización de los cambios de cobertura anteriormente escritos.

Los resultados antes discutidos están en función de las zonas de intersección entres tipo de precio y tipo de cobertura, cuya fuente de información es diferente. Los mapas de precio de suelo son fruto de la interpolación de puntos muestrales mientras que las coberturas provienen de la reclasificación de imágenes satelitales. De ahí que una mayor precisión de la interpolación se puede lograr con la obtención de más puntos muestrales. Esto se vuelve necesario para que los mapas provenientes de la simulación tengan un mayor detalle que permita un análisis más preciso con relación a las coberturas de suelo, las cuales al derivarse de imágenes satelitales tienen mayor precisión que los rasters de interpolación de precios de suelo.

4.2.6. Análisis del modelo de crecimiento de Cuenca en función del precio del suelo En 1557 se funda la ciudad de Cuenca siguiendo un trazado urbano en damero propio de las colonias españolas. Sin embargo, será a inicios del siglo XIX y con mayor intensidad en el transcurso del siglo XX, cuando se acelera el proceso de urbanización debido al desencadenamiento de los siguientes factores (Municipalidad de Cuenca, 2015): -

La creación de un molino textil, una fábrica de fundición de hierro y una fábrica de sulfato de quinina, que fueron los dinamizadores de la economía de finales del siglo.

-

La fundación de la Universidad de Cuenca

-

La realidad económica de Cuenca sufrió un cambio radical por las exportaciones de cascarilla y del sombrero de paja toquilla.

116

Según el estudio del BID (2013), el crecimiento espacial de Cuenca se da de la siguiente manera: hasta el año de 1950 se caracteriza por la consolidación del trazado en damero y en algunos ejes viales de salida. Asimismo, en el perímetro de la zona central, llamada actualmente Centro Histórico, surgen crecimientos continuos a la traza histórica cuya consolidación se dará en etapas posteriores. Hasta ese entonces la ciudad abarca una extensión de 1000 hectáreas. Luego, en la década de los 60, la ciudad continua su expansión predominantemente hacia el noreste y el sureste ocupando aproximadamente 1600 ha.

Dos décadas más tarde se inicia un crecimiento centrífugo que la lleva a ocupar casi 4100 ha. En este periodo la topografía se constituye en una barrera natural del crecimiento, comenzando la colonización del norte. Desde 1995 el área urbana comienza a absorber parroquias rurales del norte hasta ocupar una superficie de 5500 ha, dando de esta manera inicio a la “urbanización del área rural” (BID, 2013). Actualmente el límite de la ordenanza cuenta con 7300 ha. En resumen, la figura 52 grafica la evolución de la huella urbana. Por otro lado, la figura 53 ilustra el ritmo de crecimiento, donde se evidencia un aceleramiento a partir del año 1962, ocupando en los últimos 40 años 5704.44 hectáreas lo cual significa el 78% del área urbana actual.

Figura 52: Crecimiento histórico del área urbana de Cuenca

117

8000 7000 6000 5000 4000 3000 2000 1000 0

7299,69 5563,88 4102,51

484,11 Casco histórico

1204,48

Año 1950

1595,25

Año 1962

Año 1982

Año 1995

Año 2003

Figura 53: Ritmo de crecimiento urbano de la ciudad de Cuenca Con estos antecedentes, en las figuras 37, 38 y 39 se expusieron los mapas de crecimiento de Cuenca para los años 2002, 2010 y 2015, cercanos a los periodos de estudio 2000, 2010 y 2017, respectivamente. En ellos se registran tres categorias de suelo: Suelo Rural, Suelo Disperso y Suelo Urbano.

En las imágenes se ve que en el año 2002 (fig. 37) el suelo disperso se localiza mayoritariamente en el sureste del suelo urbano, área que en el 2010 (fig. 38) ya aparece completamente urbana. Cuando esta información se sobrepone al mapa de tipo de precio de suelo (fig. 40) se verifica que las área que se transforman a suelo urbano del 2002 al 2010 (en manchas grises) experimentan en su mayoría el cambio de categoría de precio medio a precio alto. Como se vió anteriormente en la caracterización de los tipos de precio de suelo, la presencia de un tipo de precio alto se da probablemente por la existencia de un conjunto de variables que lo explican. De este modo se puede concluir que la consolidación urbana que ha experimentado este sector se debe a la aparición de mayores usos de suelo de servicios generales, mayores densidades de población, aparición de usos de gestión e industriales.

La afirmación anterior se acompaña de la tabla 30, donde se exponen las áreas de crecimiento urbano del periodo 2000 – 2010, divididas según el tipo de precio de suelo que ocupaban en el 2000 (filas) y en el 2010 (columnas). Las cantidades resaltadas indican aquellas superficies que no han cambiado de tipo de precio. Se comprueba lo dicho anteriormente: cuando el suelo se transforma a urbano, el mayor cambio de tipo de precio se da de medio a alto (382.77 has).

118

Tabla 30: Áreas del crecimiento urbano (has) del periodo 2000-2010 según tipos de precio

Tipo de precio 2000

Bajo Medio Alto

Tipo de precio 2010 Bajo Medio Alto 53,2 34,11 28,01 661,97 382,77 1,65 180,16

El mismo criterio se emplea para conocer lo que sucede con la expansión de la huella urbana en el año 2017. En la figura 41 se mostró en gris las zonas donde el suelo urbano se ha expandido, sobrepuestas a los tipos de precio correspondentes al 2010 (arriba) y 2017 (abajo). Es evidente que el crecimiento urbano entre el 2010 y el 2015 se expande linealmente hacia el este y oeste, aunque en esta ultima dirección en menor intensidad.

Sin embargo, la variación de áreas (tabla 31) indica que en esta ocasión, la expansión urbana a implicado un mayor cambio de tipo de precio de medio a bajo (480.31 has). Hay que recordar que el tipo de precio bajo tiene la probabilidad de presentarse cuando se incrementan las distancias al uso de gestión, uso industrial, uso de sevicios personales y afines a la vivienda o cuando no existe un servicio de recolección de basura.

Tabla 31: Áreas del crecimiento urbano (has) del periodo 2010-2015 según tipos de precio

Tipo de precio 2010

Bajo Medio Alto

Tipo de precio 2017 Bajo Medio Alto 462,27 382,68 480,31 956,35 8,47 49,78 34,17

Lo anterior demuestra que los mapas de simulación de precios de suelo no llevan implícitos la forma en la que crecerá la ciudad. Se ha verificado que, en el primer caso, del año 2000 al 2010 la mancha urbana produjo un incremento del precio de suelo, pasando de medio a alto. Empero, del 2010 al 2017 el crecimiento de la ciudad significó un decrecimiento del precio: de medio a bajo. En conclusión, no se puede prever el crecimiento de una ciudad solamente determinando los cambios del precio de suelo, sino además de esto habrá que identificar las áreas hacia las cuales se dan dichos cambios, pues las condiciones del lugar y su entorno son determinantes en el crecimiento de la ciudad. Una comprensión más

119

detallada del entorno socio – económico del lugar, aplicando más variables de este tipo, dará mayores oportunidades de predicción de la expansión urbana. El problema de estas variables más especializadas, es su escasa disponibilidad y su extensión geográfica que no cubre la totalidad del territorio, cubriendo solo las áreas centrales de la urbe.

4.2.7. Escenarios de crecimiento de Cuenca al 2025 según los modelos tendenciales del precio de suelo Atendiendo a la reducida capacidad predictiva de los modelos de simulación y de la imposibilidad de derivar modelos de crecimiento basados en los escenarios de tipos de precio de suelo, se muestra a continuación una alternativa para crear escenarios de expansión de Cuenca al año 2025. Se empezarán identificando las áreas que, según la proyección de tipos de precio al 2025, se esperan cambios en el valor del suelo (ver fig. 54).

Figura 54: Áreas que experimentan cambios de precio de suelo en el periodo 2017-2025

120

En base al mapa anterior se determinan dos escenarios según sea la variación observada del precio: a) Escenario 1: Se prevé un crecimiento hacia los sectores que incrementen el precio del suelo ya que esto supone que un suelo ya consolidado genera mayor plusvalía frente a uno en proceso de consolidación. Las áreas de crecimiento son las que se indican en color negro en la figura 55.

Figura 55: Crecimiento urbano de Cuenca hacia zonas de aumento de precio de suelo b) Escenario 2: Se prevé que el crecimiento de la ciudad se dé hacia los sectores que experimenten una disminución en el precio del suelo ya que esto supone una mayor accesibilidad económica de terrenos por parte de las personas con menores ingresos. En este caso, las áreas de crecimiento son las zonas negras de la figura 56.

Figura 56: Crecimiento urbano de Cuenca hacia zonas de disminución de precio de suelo

121

En este último escenario planteado no hay mayores cambios de crecimiento con relación al año 2025. Esto se da porque las disminuciones de precios se concentran en zonas periféricas al centro histórico, lo cual actualmente ya está consolidado.

De lo anterior se puede concluir que el cambio de precio de suelo lejos de constituir un indicador de la expansión de las ciudades informa del proceso de plusvalía y minusvalía que sucede al interior de la ciudad.

Con los resultados descritos en este apartado se procede a describir las siguientes conclusiones:

CAPITULO 5 5. CONCLUSIONES Las conclusiones extraídas responden a los objetivos inicialmente planteados, por lo que se los redacta en función de ellos: 1. Describir la influencia que ejerce el precio del suelo en el desarrollo espacial de las ciudades.

Mediante el análisis de la relación entre los cambios de tipo de precio y los cambios de tipo de cobertura se pudo comprobar que los primeros responden a las modificaciones experimentadas en los segundos. Así se pudo determinar que cuando el suelo sufre una perdida relativa de valor, el suelo urbano y el agrícola suben de porcentaje, pero es este último el que lo hace en mayor cantidad. Más, cuando el suelo sufre una ganancia relativa de valor es el suelo urbano el que principalmente se ve favorecido, disminuyendo la extensión de suelo agrícola. Mediante este análisis se verificó que el precio de suelo tiene relación con las coberturas del suelo pues cuando sufre una desvalorización las áreas rurales agrícolas se expanden hacia las zonas de vegetación natural. En cambio, cuando se produce un incremento de precio el uso urbano se desarrolla en detrimento del suelo agrícola, el cual como ya se dijo, busca “reemplazar” su área perdida hacia las zonas que se deprecian.

2. Analizar en su componente espacial, las variables económicas, sociodemográficas y geográficas que determinan las fluctuaciones del precio del suelo en los distintos sectores de la ciudad de Cuenca.

Mediante el proceso de dicotomización de las variables explicativas y su posterior análisis de correlación con las herramientas de regresión se pudieron identificar los estados de las variables que propician de mejor manera la aparición de un determinado tipo de suelo. En este punto fue necesario incorporar los Odds Ratio como coeficientes de ventaja para una mejor interpretación de los resultados de regresión. Se destaca el hecho de que fue posible conocer las distancias de usos, vías, y ríos a partir de las cuales el valor del suelo tomaba 122

123

diferentes connotaciones. Por ejemplo, el precio bajo tendrá hasta 8 veces probabilidad de presentarse cuando la distancia a una entidad de gestión supere los 1967 metros. En la obtención de estos datos fue imprescindible la transformación de las variables originalmente continuas (ráster de distancias) a variables discretas, donde se pudieron definir intervalos óptimos en función de los tipos de precio.

3. Comparar la evolución en tiempo y espacio de las variables que en mayor medida influyen en la valoración del suelo de Cuenca.

Varias fueron las variables consideradas para este estudio, de las cuales solo cuatro se presentaron como predictivas de los tres tipos de precio: 1) distancia al uso de gestión, 2) distancia al uso vinculado con la producción de bienes a nivel industrial, 3) distancia al uso vinculado a la producción de servicios personales y afines a la vivienda y 4) alturas. Se remarca que estas variables son exclusivamente para el caso de la ciudad de Cuenca, ya que en esta ciudad la variable Altura toma sentido toda vez que se cuenta con tres plataformas geográficas, las cuales tienen una diferente connotación de edificaciones y paisaje convirtiendo por ello en una variable decisiva para la definición de los precios. En cuanto a la presencia de los usos como variables discriminatorias se justifica por las actividades que generan. Por ejemplo, el uso de gestión es de suma importancia para los trámites diarios de la población, el uso de suelo de industrias genera empleo y los servicios personales y afines a la vivienda son aquellos espacios necesarios para complementar las actividades de residencia. En la búsqueda de una mayor especificidad se tienen por cada tipo de precio distintas variables que los caracterizan.

4. Explicar el modelo de crecimiento de Cuenca en función de las variables que afectan el precio del suelo.

En esta etapa de la investigación se aplicaron los modelos de simulación de precios de suelo obtenidos con Ca_Markov. En dichos modelos participaron los mapas de probabilidad de presencia de cada tipo de precio, los cuales fueron construidos con los modelos de regresión multivariante. Por lo tanto, los modelos simulados son fiel manifestación de las variables que influyen en la definición de los tipos de precio de suelo. Ahora bien, al momento de pretender explicar el modelo de crecimiento de la ciudad en función de los

124

precios de suelo fue posible identificar que los mapas de simulación de precios de suelo no tienen implícita la información necesaria para determinar con exactitud las áreas por las que se espera el crecimiento de la ciudad. Se pueden esperar múltiples escenarios de expansión en función de las preferencias poblaciones y su disponibilidad de recursos. Así, por ejemplo, el hecho de que un suelo cambie de categoría media a alta no representa que el crecimiento de la ciudad irá hacia estos lugares pues, así como puede ser ocupado por la población con mayores recursos económicos, pueden ser olvidadas por su alto costo. En este contexto, lo que si permite determinar el mapa de simulación de precios, son las áreas que experimentarán plusvalías y minusvalías, en determinados sectores de la ciudad. Con ello se puede motivar a políticas públicas destinadas al equilibrio social de los costos de suelo para garantizar el acceso a la vivienda propia e impedir los procesos de gentrificación y segregación territorial.

5. Definir al año 2025, un escenario de crecimiento para Cuenca según el modelo tendencial del precio del suelo mediante las variables que lo determinan.

Por la situación comentada en el punto anterior, la única manera de definir escenarios de crecimiento de una ciudad en base a los modelos simulados de precios de suelo es mediante el establecimiento de escenarios. En la presente investigación se han explorado dos escenarios principales: el uno se ha construido bajo la suposición de que el incremento del precio del suelo va a favorecer la ocupación poblacional debido a la presencia de ventajas que suponen las zonas urbanas: usos de suelo, distancia a lugares de gestión, fuentes de trabajo etc. Por otro lado, el escenario dos se ha construido bajo la observación de que sean las áreas que disminuyen su valor, aquellas que sean ocupadas por la población ya que su costo las torna accesibles a gran parte de la población. En la comparación de ambos escenarios se aprecia mayor variación en el primero, pero sin embargo las áreas que se grafican como crecimiento son muy pequeñas como para determinar una tendencia clara de crecimiento.

125

A continuación, se escriben las siguientes recomendaciones: Mediante la proyección de precios de suelo se descubren las zonas que incrementarán o disminuirán el precio del suelo. Esto resulta de gran utilidad en la planificación de las ciudades ya que, mediante políticas públicas de incentivo al acceso de suelo, se evitarán zonas de gentrificación y exclusión de clases sociales.

Se tiene también un instrumento potencial que regule el uso de suelo. El conocimiento de las variables que condicionan un determinado precio de suelo debe aprovecharse para incentivar la localización de determinados usos en sectores que actualmente alejan a la gente por su elevado costo. Esto se aplica al centro de la ciudad, abandonada en los últimos años por los residentes y ocupada por comercios.

Habiéndose demostrado que el precio del suelo influye en el tipo de cobertura, se deben aprovechar las simulaciones de precio de suelo para predecir las zonas de vegetación natural que pueden ser vulnerables a la ocupación agrícola y de esta manera preservar la biodiversidad del medio ambiente.

Esta investigación ha explorado un campo novedoso de actuación para la planificación territorial, pocas veces tratado por otros autores. El precio del suelo, pese a su importancia para el desarrollo espacial de la ciudad, es ignorado en estudios territoriales. Sin embargo, este trabajo ha demostrado que un cambio de precio de suelo conlleva un cambio en la cobertura de suelo, haciendo evidente la necesaria implementación de esta variable en futuras investigaciones.

Esta tesis ha sentado los precedentes para iniciar un proceso de estudio histórico del precio de suelo mediante una búsqueda exhaustiva en los diarios locales. En esta investigación se ha creado una pequeña base de datos de los precios de la ciudad de Cuenca en tres diferentes periodos, pudiendo esto ser fácilmente replicado en otras áreas de estudio.

Es superlativo que las entidades de gestión del suelo hagan un estudio minucioso del verdadero precio del suelo ya que sus datos actuales solamente actúan como referencia al

126

precio mínimo. Este insumo de información les proporcionará una herramienta efectiva de control del uso y ocupación del suelo.

Al demostrarse que el precio del suelo no determina el crecimiento de las ciudades, pero si es una determinante en el desarrollo espacial de la ciudad manifestado en el cambio de cobertura de suelo, futuras investigaciones deberán centrarse en situar al precio del suelo como una variable muy útil para justificar los cambios que ocurren en la urbe.

Se recomienda también implementar otros enfoques de simulación del precio de suelo como la geometría fractal (Frankhauser, 1998), modelos basados en agentes (Benenson, 1998; Crooks, 2006; Maglioca, McConnell, Walls, y Safirova, 2012) o redes neuronales artificiales (Pijanowski et al, 2002; Sheryl y Jianguo, 2004). Estos estudios, pese a su reciente implementación en el campo del urbanismo, pueden conducir a resultados que fortalezcan a los aquí presentados en relación con la simulación de los precios de suelo.

127

6. BIBLIOGRAFÍA Aguayo Canela, M. (2007a). Cómo hacer una regresión Logística con SPSS "paso a paso".

(1). DocuWeb fabis.org, 16.

Aguayo Canela, M. (2007b). Confusión e interacción (1): Qué son, qué suponen y cómo manejarlas en el análisis estratificado. DocuWeb fabis.org, 8.

Aguayo Canela, M., y Lora Monge, E. (2007a). Cómo hacer una Regresión Logística binaria "paso a paso" (II): análisis multivariante . DocuWeb fabis.org, 35.

Aguayo Canela, M., y Lora Monge, E. (2007b). Confusión e interacción (2): su abordaje en el análisis multivariante. DocuWeb fabis.org, 9.

Albarrán Olvera, C. Y. (2007). Modelos Clásicos de Localización (Von Thünen, Alfred Weber.

Modelos Clásicos de Localización. México: Universidad Autónoma del Estado de México.

Obtenido el 15/11/2017 de http://ri.uaemex.mx/bitstream/handle/20.500.11799/31256/secme22810.pdf?sequence=1 Albrecht, J. (2007). Dynamic GIS. Wilson & Fotheringham: Handbook of GIScience. Obtenido el 6/02/2017 de http://academicworks.cuny.edu/hc_pubs/18 Al-kheder, S., Wang, J., y Shan, J. (2008). Fuzzy inference guided cellular automata urban‐ growth modelling using multi‐temporal satellite images. International Journal of Geographical Information Science, 22(11-12), 1271-1293. doi:10.1080/13658810701617292 Almeida, C. (2007). Modelización Computacional y Pronósticos de Cambios del Uso del Suelo en Áreas Urbanas. En R. Sanchez Rodriguez, y A. Bonilla, Urbanización, Cambios Globales en el Ambiente y Desarrollo Sustentable en América Latina (págs.

177-199). São José dos Campos: Instituto Interamericano para la Investigación sobre Cambio Global - IAI. Instituto Nacional de Ecología - INE. United Nation Enviroment Programme - UNEP. Alonso, W. (1964). Location and Land Use. Toward a General Theory of Land Rent.

Massachusetts: Harvard University Press.

Arce Mesén, R. (2001). Análisis espacial. Interpolación espacial. Costa Rica: Universidad de Costa Rica.

BID, Banco Interamericano de Desarrollo. (2013). Cambio Climático, riesgos naturales y crecimiento urbano en ciudades emergentes y sostenibles 13-024. Informe Final.

Cuenca, Ecuador: BID. Basse, R. M., Omrani, H., Charif, O., Gerber, P., y Bódis, K. (2014). Land Use changes modelling using advanced methods: Cellular automata and artificial neural networks. The spatial and explicit representation of land cover dynamics at the cross-border region scale.

Applied Geography, 53, 160-171. doi:10.1016/j.apgeog.2014.06.016.

128

Batty, M. (1998). Urban Evolution on the Desktop: Simulation with the Use of Extended Cellular Automata. Environment and Planning A: Economy and Space, 30(11), 19431967. doi:10.1068/a301943 Batty, M., y Longley, P. (1994). Fractal Cities. A geometry of form and function. Creat Britain: Academic Press Limited.

Batty, M., Xie, Y., y Sun, Z. (1999). Modeling urban dynamics through GIS-based cellular automata. Computers, Environment and Urban Systems, 23(3), 205-233. doi:10.1016/S0198-9715(99)00015-0 Benati, S. (1997). A Cellular Automaton for the Simulation of Competitive Location.

Environment and Planning B: Urban Analytics and City Science, 24(2), 205-218. doi:10.1068/b240205 Benenson, I. (1998). Multi-agent simulations of residential dynamics in the city. Computers, Environment and Urban Systems, 22(1), 25-42. doi:10.1016/S0198-9715(98)000179 Borrero, O. (2007). Valor y Precio de los inmuebles. En Erba, D.A., Catastro Multifinalitario aplicado a la definición de políticas de suelo urbano (págs. 173-189). Cambridge: Lincoln Institute of Land Policy.

Buitrago Bermúdez, O. (2001). Análisis de factores formadores del precio de la tierra rural en los municipios contiguos a Bogotá. Perspectiva Geográfica(6), 67-104. doi:10.19053/01233769.1655 Cardona Gutiérrez, R. (1976). Colombia: distribución espacial de la población. Colombia: Corporación Centro Regional de Población.

Carrión Mena, F. (1996). La penuria de la vivienda en el Ecuador. Fe y justicia(1), 111-120.

Casanova, R. (2005). Reconocimiento de los efectos de intervenciones territoriales en los valores del mercado inmobiliario: caso Montevideo. Montevideo: Universidad de la República.

Cerdas, E., Jiménez, F., y Valverde, M. (2006). Crisis de Ecuador en los años 1999 -2000.

AulaDeEconomía.

Obtenido el 20/08/2017 de: http://www.auladeeconomia.com/articulosot-14.htm Cheng, J. (2003). Modelling Spatial and Temporal Urban Growth. Doctoral thesis. Utrecht: Universiteit Utrecht.

Obtenido el 15/01/2018 de https://www.itc.nl/library/Papers_2003/phd_theses/cheng_jianquan.pdf Chuchuca Cely, S. A., y Chuiza Inca, K. M. (2015). Escalada Inmobiliaria, Cuenca: migración privilegiada y crecimiento en el precio de los bienes inmuebles (Tesis de grado).

Cuenca: Universidad de Cuenca.

Clarke, M., y Wilson, A. (1983). The dynamics of urban spatial structure: progress and problems. Journal of Regional Science(23), 1-18. doi:10.1111/j.14679787.1983.tb00780.x

129

Coaguila Nuñez, D., Tangerino Hernandez, F., de Freitas da Silva, Y., y Gonçalves Feitosa, D. (2013). Análisis comparativo de métodos de interpolación espacial utilizando datos de evapotranspiración. Anais XVI Simpósio Brasileiro de Sensoriamento Remoto SBSR (págs. 4080-4085). Foz do Iguaçu: SBSR. Computers, Environment and Urban Systems. (2007). Warning! The scale of land-use CA is changing! Computers, Environment and Urban Systems, 107-113.

Cordero Cueva, F. (2016). El gran desordenador urbano: la especulación. En F. Cordero Cueva, Autonomías y Ordenación Territorial y Urbanística. Memorías IX Simposio Nacional de Desarrollo Urbano y Planificación Territorial (págs. 176-191). Cuenca: Universidad de Cuenca.

Cox Oettinger, T. (2013). Accesibilidad y vlor de suelo como criterios para una localización racional de vivienda social rural en las comunas de San Bernardo y Calera de Tango.

Santiago de Chile: Pontificia Universidad Católica de Chile.

Crooks, A. (2006). Exploring cities using agent-based models and GIS. London: Centre for Advanced Spatial Analysis (UCL).

De Cesare, C. M. (2007). Valuación de Inmuebles con Fines Fiscales. En Erba, D.A., Catastro Multifinalitario aplicado a la definición de políticas de suelo urbano (págs. 193-220).

Cambridge: Lincoln Institute of Land Policy.

De la Fuente Fernández, S. (2011). Regresión Logística. Madrid, España: Universidad Autónoma de Madrid.

De Pietri, D., Dietrich, P., Mayo, P., y Carcagno, A. (2011). Evaluación multicriterio de la exposición al riesgo ambiental mediante un sistema de información geográfica en Argentina. Revista Panamericana de Salud Pública, 377-387.

Diario El Telégrafo. (2015). El costo de terrenos en Quito aumentó hasta 600% en los últimos 4 años.

ECONOMÍA. Obtenido el 2/03/2017 de: http://www.eltelegrafo.com.ec/noticias/economia/8/el-costo-de-terrenos-enquito-aumento-hasta-600-en-los-ultimos-4-anos Diario El Telégrafo. (2011). Resultados del Censo 2010 revelan una nueva cara de Ecuador.

INFORMACION GENERAL. Obtenido el 29/04/2018 de: https://www.eltelegrafo.com.ec/noticias/informacion/1/ecuador-tiene Dueñas Rodríguez, M. Á. (2011). Modelos de respuesta discreta en R y aplicación con datos reales. Granada, España: Universidad de Granada.

Eastman, J. (2012). IDRISI Selva. Guía para SIG y Procesamiento de Imágenes. Worcester, USA: Clark University.

Erba, D. A. (2007). El Catastro y las Intervenciones Urbanas. En Erba, D.A., Catastro Multifinalitario aplicado a la definición de políticas de suelo urbano (págs. 367-384).

Cambridge: Lincoln Institute of Land Policy.

ESRI, Environmental Systems Research Institute. (2016). Distancia euclidiana. Obtenido el 01/09/2017 de ArcGIS for Desktop:

130

http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analysttoolbox/euclidean-distance.htm Fortis-Hernández, M., Huerta-García, A., Segura-Castruita, M., García-Hernández, J., LeosRodríguez, J., García-Salazar, A., y Valdez-Cepeda, R. (2010). Validación de cuatro modelos de interpolación para cartografiar nitrato y amonio en suelo. Terra Latinoamericana, 371-379.

Frankhauser, P. (1998). Fractal geometry of Urban Patterns and their morphogenesis.

Discrete Dynamics in Nature and Society, 2, 127-145. Obtenido de https://www.researchgate.net/profile/Pierre_Frankhauser/publication/26531755 _Fractal_Geometry_of_Urban_Patterns_and_their_Morphogenesis/links/54abc5d 50cf25c4c472fa71c/Fractal-Geometry-of-Urban-Patterns-and-theirMorphogenesis.pdf García, J. (1985). Las organizaciones barriales de Quito. Quito: ILDIS - CIUDAD. García de la Fuente, A. B., Pardo-Balmonte García, S., y Saint-Supery de Ceano-Vivas, A. (s.f.). Capítulo 2. Procesamiento de datos. Obtenido el 26/07/2015 de Asignatura: Diseño Cartográfico: http://redgeomatica.rediris.es/carto2/portada/porta.htm# García González, J. A., y Cebrián Abellán, F. (2006). La interpolación como método de representación cartográfica para la distribución de la población: aplicación a la provincia de Albacete. XII Congreso Nacional de Tecnologías de la Información Geográfica (págs. 165-178). Granada: Universidad de Granada.

García Herrera, L. M. (2001). Elitización: propuesta en español para el término gentrificación.

Biblo 3W. Obtenido el 28/01/2018 de http://www.ub.edu/geocrit/b3w-333.htm García Lamparte, A. M., Santé Riveira, I., y Crecente Maseda, R. (2010). Análisis de los factores que condicionan la evolución de los usos del suelo en los pequeños asentamientos urbanos de la Costa Norte de Galicia. Asociación de Geógrafos Españoles, 57-79.

Glen Molina, M. L. (2015). Análisis de la Dinámica Inmobiliaria y Comportamiento del Precio del Suelo en la UPZ N°13 Los Cedros 2000 - 2012. Bogotá: Universidad Colegio Mayor Nuestra Señora del Rosario.

Gómez Delgado, M., Aguilera Benavente, F., Barreira González, P., Bosque Sendra, J., y Rodríguez Espinoza, V. M. (2014). Simulación prospectiva del crecimiento urbano en la Comunidad Autónoma de Madrid a partir de modelos basados en autómatas celulares y modelos basados en EMC. XVI COngreso de Tecnologías de la Información Geográfica, (págs. 27-37). Alicante.

González Roldán, C. S. (2012). Los mercados del suelo urbano y captación de plusvalías en la ciudad de Loja. Loja: Universidad Técnica Particular de Loja.

Henríquez, C., Méndez, J., y Masís, R. (2013). Interpolación de variables de fertilidad de suelo mediante el análisis Kriging y su validación. Agronomía Costarricense, 71-82.

131

Hoffmann, J. (2003). Gestión de suelos y plusvalía. El mercado del suelo y distribución de la plusvalía. Santiago: Asociación de Arquitectos Tasadores de Chile A.G. Hurtado Pidal, J. R. (2014). Análisis, modelamiento y simulación espacial del cambio de cobertura del suelo, entre las áreas naturales y las de origen antrópico en la provincia de Napo (Ecuador), para el periodo 1990 - 2020. La Plata: Universidad Nacional de La Plata.

IBM, International Business Machines. (2017). Intervalos óptimos. Obtenido el 12/11/2017 de IBM Knowledge center: https://www.ibm.com/support/knowledgecenter/es/SSLVMB_22.0.0/com.ibm.sps s.statistics.help/spss/data_validation/idh_idd_vars_panel.htm INEC, Instituto Ecuatoriano de Estadísticas y Censos. (2012). Clasificación Nacional de actividades económicas. Quito, Ecuador: INEC. INEC, Instituto Ecuatoriano de Estadísticas y Censos. (2010). Resultados del Censo 2010 de población y vivienda en el Ecuador. Quito, Ecuador: INEC. Obtenido el: 6/10/2017 de http://www.ecuadorencifras.gob.ec/wp-content/descargas/Manulateral/Resultados-provinciales/azuay.pdf Jalerajabi, P., y Ahmadian, R. (2013). Simulation of Future Land Use/Cover Changes in Zanjan City, Iran Based on the CA-Markov Model and the Assessment of Its Impact on Surroundings Rural Settlements. International Journal of Computer Theory and Engineering, 726-730.

Liu, W., y Seto, K. C. (2008). Using the ART-MMAP Neural Network to Model and Predict Urban Growth: A Spatiotemporal Data Mining Approach. Environment and Planning B: Urban Analytics and City Science, 35(2), 296-317. doi:10.1068/b3312 López, E., Bocco, G., Mendoza, M., y Duhau, E. (2001). Predicting land-cover and land-use change in the urban fringe. A case in Morelia city, Mexico. Landscape and Urban Planing, 55(4), 271-285. doi:10.1016/S0169-2046(01)00160-8 Luo, J., y Kanala, N. K. (2008). Modeling Urban Growth with Geographically Weighted Multinomial. Geoinformatics 2008 and Joint Conference on GIS and Built Environment: The Built Environment and Its Dynamics. doi:10.1117/12.812714 Lu, Y., y Tang, J. (2004). Fractal dimension of a transportation network and its relationship with urban growth: a study of the Dallas - Fort Worth area. Environment and Planing B: Planing and Design, 31, 895-911. doi:10.1068/b3163 Maglioca, N., McConnell, V., Walls, M., y Safirova, E. (2012). Explaining Sprawl with an Agent-Based Model of Exurban Land and Housing Markets. Washington: Resources for the future.

Maithani, S. (2009). A neural network based urban growth model of an Indian city. Journal of the Indian Society of Remote Sensing, 37(3), 363-376. doi:10.1007/s12524-0090041-7

132

Mas, J.-F., Kolb, M., Paegelow, M., Camacho Olmedo, M., y Houet, T. (2014). Modelling Land use / cover changes: a comparison of conceptual approaches and softwares.

Environmental Modelling and Software, 94-111.

Mas, J.-F., Soares Filho, B., Gilmore Pontius Jr., R., Farfán Gutiérrez, M., y Rodrigues, H. (2013). A suite of tools for ROC Analysis of Spatial Models. ISPRS International Journal of Geo-Information, 869-887.

Municipalidad de Cuenca. (2015). Plan de Desarrollo y Ordenamiento Territorial. Cuenca 2015. Cuenca: Municipalidad de Cuenca.

Netquest. (s.f.). Calculadora de muestra para proporciones. Obtenido el 25/07/2017 de Calculadoras estadísticas: https://www.netquest.com/es/panel/calculadoramuestras/calculadoras-estadisticas?submissionGuid=36243e4d-2bd7-4e75-b53771aaabae60c5 Obando Bulla, J. F. (2009). El valor del suelo por las obras de transmilenio. Barcelona: Universidad Politécnica de Catalunya.

Ochoa, S. (2015). La ONU declaró a Cuenca como ciudad intermedia. Diario El Universo.

Obtenido el 20/04/2018 de https://www.eluniverso.com/noticias/2015/11/10/nota/5232608/onu-declarocuenca-como-ciudad-intermedia ONU-HABITAT. (s.f.). Derechos Humanos. Obtenido el 13/01/2018 de ONU HABITAT por un mejor futuro urbano: https://es.unhabitat.org/temas-urbanos/derechos-humanos/ Ortíz, R. G., Arias, F. C., Cardozo, O. J., y Da Silva, C. J. (2015). Análisis espacial del precio del suelo con modelos de Regresión Lineal Múltiple (MRLM) y Sistemas de Información Geográfica (SIG), Resistencia (Argentina). Revista Geográfica de Valparaíso, 57-74.

Padilla Almeida, O. (2006). Autómatas celulares: una solución a la geosimulación. 7.

Paegelow, M., Camacho Olmedo, M., y Menor Toribio, J. (2002). Modelización prospectiva del paisaje mediante sistemas de información geográfica. X Congreso de Métodos Cuantitativos, sistemas de información geográfica y teledetección. Valladolid: Universidad de Valladolid.

Pando Fernández, V., y San Martín Fernández, R. (2004). Regresión Logística Multinomial.

Actas de la Reunión de Modelización Forestal (págs. 323-327). Valladolid, España: Sociedad Española de Ciencias Forestales.

Pauta Calle, F. (2015). ¿Quién “diseña” el paisaje? Planificación vs. Poder del mercado.

Estoa. Revista de la Facultad de Arquitectura y Urbanismo de la Universidad de Cuenca, 49-56. doi:10.18537/est.v004.n006.09 Pesquer, L., Masó, J., y Pons , X. (2007). Integración S.I.G. de regresión multivariante, interpolación de residuos y validación para la generación de rásters continuos de variables meteorológicas. Revista de Teledetección, 69-76.

Pijanowski, B. C., Brown, D. G., Shellito, B. A., y Manik, G. A. (2002). Using neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers,

133

Environment and 9715(01)00015-1

Urban

Systems,

26(6),

553-575.

doi:10.1016/S0198-

Pinos Arévalo, N. (2016). Prospectiva del uso de suelo y cobertura vegetal en el ordenamiento terroitorial - Caso cantón Cuenca. Estoa. Revista de la Facultad de Arquitectura y Urbanismo de la Universidad de Cuenca, 7-19.

Pinto da Cunha, J. M. (2002). Urbanización, redistribución espacial de la población y transformaciones socioeconómicas en América Latina. Santiago de Chile: Centro Latinoamericano y Caribeño de Demografía - CELADE. Poelmans, L., y Van Rompaey, A. (2010). Complexity and performance of urban expansion models. Computers, Environment and Urban Systems, 34(1), 17-27. doi:10.1016/j.compenvurbsys.2009.06.001 Polèse, M. (1998). Economía urbana y regional. Introducción a la relación entre territorio y desarrollo. Cartago, Costa Rica: Libro Universitario Regional (EULA/GTZ).

Portugali, J., y Benenson, I. (1997). Individuals´ cultural code and residential selforganization inthe city space. Proceedings of GeoComputation ´97 & SIRC ´97 (págs.

15-26). New Zealand: University of Otago. Obtenido el 26/01/2018 de https://pdfs.semanticscholar.org/302d/c273dc6a13578ea01fb6a72204aea20f602 4.pdf psyma - Passionate People Creative Solutions. (4 de noviembre de 2015). ¿Cómo determinar el tamaño de una muestra? Obtenido el 25/07/2017 de Company News: http://www.psyma.com/company/news/message/como-determinar-el-tamanode-una-muestra Ramírez Pardo, E. (2013). El cálculo del efecto plusvalía y su relación como instrumento de gestión con las actividades económicas adscritas al régimen de usos del suelo en el desarrollo urbano de Bogota D.C. - Colombia. Bogota: Pontificia Universidad Javeriana.

Rendana, M., Abdul Rahim, S., Razi Idris, W., Lihan, T., y Ali Rahman, Z. (2015). CA-Markov for predicting Land Use Change in Tropical Catchment Area: A case study in Cameron Highland, Malaysia. Asia Network for Scientific Information, 689-695.

Reyes Gómez, D. A. (2011). Descripción y Aplicaciones de los Autómatas Celulares. Verano de Investigación, 26.

Rivadeneira, L., y Zumárraga, M. (2014). Evolución de las variables investigadas en los censos de población y vivienda del Ecuador 1950,1962, 1974, 1982, 1990, 2001 y 2010. Quito: INEC. Roca Cladera, J. (1983). Teorías alternativas para la formación espacial del valor del suelo.

El caso de Barcelona. Annals d'arquitectura(2), 36-49.

Salazar Romero, O. (2014). Efectos de la inversión pública en la integración territorial de la "Microrregión Atempan - Yaonáhuac", (1999 - 2011). Puebla, México: Benemérita Universidad Autónoma de Puebla.

134

Sanglier, M., y Allen, P. M. (1981). Urban evolution, self-organisation and Decision making.

Environment and Planning A, 13(2), 167-183. doi:10.1068/a130167 Santé, I., García, A. M., Miranda, D., y Crecente, R. (2010). Cellular automata models for the simulation of real-world urban processes: A review and analysis. Landscape and Urban Planning, 108-122.

Saz-Sánchez, M., Serrano-Notivoli, R., de Luis-Arrillaga, M., y Longares-Aladrén, L. (2010).

Comparación de métodos de interpolación y de regresión para la cartografía de temperaturas máximas y mínimas absolutas: el caso de Navarra (Norte de España) en. VII Congreso AEC: Clima, ciudad y ecosistemas (págs. 473-484). Madrid: Asociación española de climatología (AEC).

Shafizadeh Moghadam, H., y Helbich, M. (2013). Spatiotemporal urbanization processes in the megacity of Mumbai, India: A Markov chains-cellular automata urban growth model. Applied Geography, 140-149.

Sheryl, B.-W., y Jianguo, W. (2004). Modeling urban landscape dynamics: A case study in Phoenix, USA. Urban Ecosystems(7), 215-240. doi:10.1023/B:UECO.0000044037.23965.45 Tapia Chocho, W. E., y Aguirre Aguirre, R. A. (2007). Análisis y diagnóstico del uso y la renta del suelo en la ciudad de Loja. (Trabajo de titulación de Arquitecto). Loja: UTPL. Obtenido el 03/04/2017 de http://dspace.utpl.edu.ec/handle/123456789/17524 Tayyebi, A., Pijanowski, B. C., y Tayyebi, A. H. (2011). An urban growth boundary model using neural networks, GIS and radial parameterization: An application to Tehran, Iran.

Landscape and Urban Planning, 100(1-2), 35-44. doi:10.1016/j.landurbplan.2010.10.007 Torrens, P. M., y O´Sullivan, D. (2001). Cellular Automata and Urban Simulation: Where Do We Go from Here? Environment and Planning B: Urban Analytics and City Science, 28(2), 163-168. doi:10.1068/b2802ed Triantakonstantis, D., y Mountrakis, G. (2012). Urban Growth Prediction: a review of computational models and human perceptions. Journal of Goegraphic Information System(4), 555-587. doi:10.4236/jgis.2012.46060 Valle Piñuela, R. C. (2015). Reseña Histórica de la Cartografía en el. Quito: INEC. Vilar del Hoyo, L., Pilar Martín, M., y Martínez Vega, J. (2008). Empleo de técnicas de regresión logística para la obtención de modelos de riesgo humano de incendio forestal a escala regional. Asociación de Geógrafos Españoles, 5-29.

Villatoro, M., Henríquez, C., y Sancho, F. (2008). Comparación de los interpoladores IDW y Kriging en la variación espacil de PH, CA, CICE y P del Suelo. Agronomía Costarricense, 95-105.

Wagner, D. (1997). Cellular automata and geographic information systems. Environment and Planning B: Planning and Design, 219-234.

135

Wolfram, S. (1994). Cellular Automata and Complexity: Collected Papers. Champaign: Westviewpress.

Obtenido el 01/05/2017 de http://wac.36f4.edgecastcdn.net/0036F4/small/stephen-wolfram/books/cellularautomata-and-complexity-collected-papers.pdf Wu, F. (1998a). An Experiment on the Generic Polycentricity of Urban Growth in a Cellular Automatic City. Environment and Planning B: Urban Analytics and City Science, 25(5), 731-752. doi:10.1068/b250731 Wu, F. (1998b). SimLand: a prototype to simulate land conversion through the integrated GIS and CA with AHP-derived transition rules. International Journal of Geographical Information Science, 12(1), 63-82. doi:10.1080/136588198242012 Yan, L. (2009). Modelling Urban Development with Geographical Information Systems and Cellular Automata. USA: Taylor & Francis Group.

Yang, Q., Li, X., y Shi, X. (2008). Cellular automata for simulating land use changes based on support vector machines. Computers & Geosciences, 34(6), 592-602. doi:10.1016/j.cageo.2007.08.003

7. ANEXO 7.1. Variables consideradas en la etapa de regresiĂłn logĂ­stica

136

137

138

139

140

141

142

143

144

145

146

147

148