EL METODO DEL COSTE DE VIAJE

El método de valorización del coste de viaje, es un método adaptado, como

acercamiento metodológico a un instrumento que permita la valorización de
las áreas naturales de recreación, que no han merecido el establecimiento de
una metodología específica para ser valoradas, y poder así establecer valores
" económicos exigibles de compensación en caso de ser afectados y
configurar costos ambientales .

Las áreas naturales que cumplen con la misión de recreación en la función de

generación de utilidad familiar, por el esparcimiento que la gente obtiene por
su disfrute, obliga en su valoración económica a medir, además del costo del
suelo y la infraestructura adecuada, los beneficios económicos que obtiene la
sociedad por el uso de ese tipo de áreas.

El método de "costo - viaje" es una de las técnicas más utilizadas para valorar
bienes y servicios turísticos ambientales a nivel mundial, con el se pretende
identificar la disponibilidad a pagar por el disfrute del bien ambiental, con el
objeto de calcular las preferencias reveladas por los consumidores para
establecer una función de demanda, que permite estimar el excedente del
consumidor frente a la elección, lo que orienta acerca de los aspectos
pertinentes a medir para contar con la información suficiente en la valoración
de bienes ambientales de este tipo.

El planteamiento se concibe como un procedimiento de tipo zonal, por definir

zonas concéntricas aproximadamente equidistantes en tomo al bien
ambiental avalorar, entre las cuales existen variaciones en los costos en los
que incurre un visitante para poder disfrutar de él, así la estimación de
variaciones en su demanda ante cambios en los costos, permite estimar y
analizar una curva específica de demanda para este bien.

PUNTO DE PARTIDA (HIPOTESIS)

En el establecimiento de la demanda por uso de un parque recreacional la

variable determinante es el costo de viaje en el que es necesario incurrir para
acceder a él, entre esos costos debe incluirse el tiempo que se emplea en el
desplazamiento.

El método de coste viaje es válido para realizar la valoración económica de un

parque recreativo con atributos naturales, basados en la consecución de
información primaria con la población beneficiaria para establecer un modelo
de regresión, que refleje la cuantificación en términos monetarios, del valor
del recurso ambiental.
El método de mínimos cuadrados o regresión lineal se utiliza tanto para
pronósticos de series de tiempo como para pronósticos de relaciones
causales. En particular cuando la variable dependiente cambia como
resultado del tiempo se trata de un análisis de serie temporal. En el caso por
ejemplo que queramos desarrollar un pronóstico de demanda haciendo uso
de la información histórica de las visitas a un determinado lugar recreacional
durante los últimos 12 trimestres (3 años).

Trimestr 1 2 3 4 5 6 7 8 9 10 11 12
es

Visitas 60 155 150 150 240 310 260 290 380 450 400 490
0 0 0 0 0 0 0 0 0 0 0 0

La ecuación de mínimos cuadrados para la regresión lineal es la que se

muestra a continuación donde β0 y β1 son los parámetros de intercepto y
pendiente, respectivamente:

Estimar los valores:

x y xy X2 Y2

1 600 600 1 360 000

2 1 550 3 100 4 2 402 500
3 1 500 4 500 9 2 250 000
4 1 500 6 000 16 2 250 000
5 2 400 12 000 25 5 760 000
6 3 100 18 600 36 9 610 000
7 2 600 18 200 49 6 760 000
8 2 900 23 200 64 8 410 000
9 3 800 34 200 81 14 440 000
10 4 500 45 000 100 20 250 000
11 4 000 44 000 121 16 000 000
12 4 900 58 800 144 24 010 000
78 33 350 268 200 650 112 583 500
Una vez obtenido los parámetros de la regresión lineal se puede desarrollar
un pronóstico de demanda (columna color azul) evaluando en la ecuación de
la regresión para los distintos valores de la variable independiente (x). Por
ejemplo para el primer trimestre el pronóstico es: Y
(1)=441,71+359,61*1=801,3.

Observación: los valores de los pronósticos han sido redondeados

arbitrariamente a un decimal.

x y xy X2 Y2 Y

1 600 600 1 360 000 801,3

2 1 550 3 100 4 2 402 500 1,160.9
3 1 500 4 500 9 2 250 000 1,520,5
4 1 500 6 000 16 2 250 000 1,880,2
5 2 400 12 000 25 5 760 000 2,239,8
6 3 100 18 600 36 9 610 000 2,599,4
7 2 600 18 200 49 6 760 000 2,959,0
8 2 900 23 200 64 8 410 000 3,318,6
9 3 800 34 200 81 14 440 000 3,678,2
10 4 500 45 000 100 20 250 000 4,037,8
11 4 000 44 000 121 16 000 000 4,397,4
12 4 900 58 800 144 24 010 000 4,757,0
78 13 350 268 200 650 112 583 500
Siguiendo con nuestro análisis a continuación podemos desarrollar un
pronóstico para los próximos 4 trimestres (un año) que corresponden a los
trimestres 13, 14, 15 y 16:

Y (13)=441,71+359,61*13=5.116,64

Y (14)=441,71+359,61*14=5.476,25

Y (15)=441,71+359,61*15=5.835,86

Y (16)=441,71+359,61*16=6.195,47
De una determinada empresa se conocen los siguientes datos, referidos al
volumen de ventas de tickets de entrada para visitar machu picchu (en
millones de soles) y al gasto en publicidad ( en miles de soles) de los 7 años :

Gasto de Volumen de
publicidad ventas (Y)
(X)
16 10
32 15
48 20
56 22
64 30
80 32
100 40

a) ¿Existe relación lineal entre las ventas de la empresa y sus gastos en

publicidad? Razona la respuesta.

b) Obtener las rectas de regresión mínimo cuadrático.

c) ¿Qué volumen de ventas de la empresa se podría esperar en un año que se

gaste de publicidad 80000 soles? ¿Y para un gasto en publicidad de
300000 soles?

d) Si lo único que interesase fuese la evolución del volumen de ventas en

términos de gastos en publicidad, sin tener en cuenta la cantidad concreta
de cada uno de ellas,

¿Existiría correlación ordinal entre ambas variables?

SOLUCION

x y xy X2 Y2

16 10 160 256 100

32 15 480 1 024 225
48 20 960 2 304 400
56 22 1 232 3 136 484
64 30 1 920 4 096 900
80 32 2 560 6 400 1 024
100 40 4 000 10 000 1 600
396 169 11 312 27216 4733
Ahora calculamos el coeficiente de determinación lineal para obtener una
medida descriptiva del grado de asociación lineal que existe entre las
variables. La expresión del coeficiente de determinación es:

𝑺𝟐 𝒙𝒚
r2 = ;
𝑺𝟐 𝒙 ∗ 𝑺𝟐 𝒚
Donde Sxy representa la covarianza de las variables X e Y. Cuya expresión
simplificada es :

𝜮 𝑿𝒊 ∗ 𝒀𝒊
Sxy = - 𝒙̅ * 𝒚
̅
𝒏
𝟑𝟗𝟔 𝟏𝟔𝟗
𝒙̅ = = 𝟓𝟔. 𝟓𝟕 ̅=
𝒚 = 𝟐𝟒. 𝟏𝟒
𝟕 𝟕
𝟑𝟗𝟔 ∗ 𝟏𝟔𝟗
𝑺𝟐 𝒙𝒚 = − 𝟓𝟔. 𝟓𝟕 ∗ 𝟐𝟒. 𝟏𝟒 = 𝟖. 𝟏𝟗 = 𝟖. 𝟐
𝟕

S2 x = 26.43

S2y = 9.65

𝟖.𝟐
r2 = = 0.03215
𝟐𝟔.𝟒𝟑 ∗ 𝟗.𝟔𝟓

b) Si expresamos las rectas de regresión como y*= a+bx y x*=c+dy los

coeficientes de los calculados son como:

𝑺𝟐 𝒙𝒚 𝑺𝟐 𝒙𝒚
b= ̅ – b*𝒙̅
a= 𝒚 d= c = 𝒙̅ - a𝒚
̅
𝑺𝟐 𝒙 𝑺𝟐𝒚

𝟖.𝟐
b=
𝟐𝟔.𝟒𝟑
= 0.31 a = 24.14 – 0.31 *56.57 = 6.60

𝟖.𝟐
d= = 0.85 c= 56.57 - 6.60*24.14 = 102.754
𝟗.𝟔𝟓

y= 6.60 + 0.31x x = 102.75 + 0.85 y

a= 3.56 a1 = 0.36
2. Los ahorros X y los ingreso s Y mensuales en cientos de soles de una muestra de 10
familias de una determinada región se presentan en la siguiente tabla:

X 1,9 1,8 2,0 2,1 1,9 2,0 2,2 2,3 2,7 3,0

Y 20,5 20,8 21,2 21,7 22,1 22,3 22,2 22,6 23,1 23,0

1. Ajustar los datos anteriores a un modelo lineal que explique lo ahorros familiares en
función de los ingresos de la región dada.
2. Ajustar los datos anteriores a un modelo lineal parabólico que explique los ahorros
familiares en función de los ingresos para la región dada.
3. ¿Qué ajuste es el mejor?
4. ¿Qué ahorro se puede prever para una familia de la región que ingrese 2500 soles
mensuales?
5.- Hallar la ecuación de parábola de mínimos cuadrados que se ajuste a los datos y
responder (4).

X Y XY Y2 XY2 Y3 Y4

1,9 20,5 38,95 420,25 798,475 8615,125 176610,063

1,8 20,8 37,44 432,64 778,752 8998,912 18717
2 21,2 42,4 449,44 898,88 9528,128 201996,314
2,1 21,7 45,57 470,89 988,869 10218,313 221737,392
1,9 22,1 41,99 488,41 927,979 10793,861 238544,328
2 22,3 44,6 497,29 994,58 11089,567 247297,344
2,2 22,2 48,84 492,84 1084,248 10941,048 242891,266
2,3 22,6 51,98 510,76 1174,748 11543,176 260875,778
2,7 23,1 62,37 533,61 1440,747 12326,391 284739,632
3 23,5 70,5 552,25 1656,75 12977,875 304980,063

21.9 220 484.64 4848.38 10744.028 107032.296 2366849.55

Luego el modelo lineal ajustado será: X = a0 + a1Y X= -5.4 + 0.34Y

Para medir la calidad de ajuste lineal utilizamos el coeficiente de correlación o su
cuadrado, el coeficiente de determinación, que se calcula como sigue

𝑺𝒙𝒚 𝟎,𝟐𝟖𝟒𝟐
r = = = 0,72421527
𝑺𝒙 𝑺𝒚 𝟎,𝟖𝟑𝟖 ∗ 𝟎,𝟏𝟑𝟐𝟗
Se observa que la calidad del ajuste es buena porque el coeficiente de determinación es
alto. El coeficiente de correlación vale √𝟎, 𝟕𝟐𝟒𝟐𝟏𝟓𝟐𝟕 = 851 que es un valor elevado
indicativo de alto grado de relación entre el ahorro y la renta de las familias.