ANÁLISIS DE NORMATIVIDAD PÚBLICA EN MATERIA DE CALIDAD …

ANÁLISIS DE NORMATIVIDAD PÚBLICA EN MATERIA DE CALIDAD DEL AIRE PARA LA CIUDAD DE BOGOTÁ: TENDENCIA TEMPORAL DE

CONTAMINANTES CRITERIO

ELABORADO POR: LUIS ALEJANDRO MANCO PERDOMO 20141180059 LUZ ANGÉLICA PÉREZ PADILLA 20141180070

DIRECTOR: CARLOS ALFONSO ZAFRA MEJÍA

Ph.D. INGENIERÍA AMBIENTAL

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE MEDIO AMBIENTE Y RECURSOS NATURALES

INGENIERÍA AMBIENTAL

BOGOTÁ D.C, COLOMBIA 2020

2

“A nuestras familias, por habernos formado como las personas que somos.

Estamos más que agradecidos por cada uno de sus esfuerzos, sus palabras

de aliento, su cuidado y amor a lo largo de estos años, éste logro es por y

gracias a ustedes.”

Autores

3

AGRADECIMIENTOS

A la Universidad Distrital Francisco José de Caldas por permitirnos hacer parte de

su comunidad educativa y formarnos como profesionales con las herramientas y

conocimientos necesarios para el desarrollo exitoso de esta investigación.

A nuestro director, el Ingeniero Carlos Alfonso Zafra Mejía, por apoyarnos y

atendernos con diligencia a lo largo de este proyecto de investigación, con su experiencia y

asesoría formativa; elementos esenciales para la culminación del mismo.

A nuestras familias por su apoyo incondicional y paciencia a lo largo de nuestras

carreras y durante el proceso de investigación desarrollado del presente trabajo.

Finalmente, agradecemos a las personas que con aportes teóricos, prácticos y

emocionales contribuyeron de manera directa e indirecta al alcance de los objetivos de este

trabajo de grado hasta su finalización.

4

RESUMEN

Reconociendo la necesidad de fortalecer medidas reglamentarias que respondan de manera

adecuada al manejo de la contaminación atmosférica en la ciudad de Bogotá (Colombia),

evitando afectaciones a su población y economía, el presente tuvo como objetivo analizar la

efectividad de la normatividad pública en materia de calidad del aire vigente en la ciudad

desde el año 2007 al 2017, con relación a las concentraciones de contaminantes

atmosféricos de criterio. Para esto se analizaron los componentes de modelos ARIMA

generados a partir de los datos de la Red de Monitoreo y Calidad del Aire de la ciudad

determinando así el comportamiento temporal de concentraciones de contaminantes

respecto a variables atmosféricas. Se analizó además la variación cronológica de la

concentración de contaminantes criterio respecto a la vigencia de la normatividad pública

identificada en el periodo de estudio relacionadas con la gestión distrital del aire.

Los resultados demostraron que la normatividad relacionada con calidad del aire se ajustan

en promedio cada dos años durante el periodo de estudio, enfocándose en la ordenación del

territorio a través de niveles de contaminación, la fijación de límites máximos permisibles

de emisión para diferentes fuentes y la mejora de combustibles; siendo estas dos últimas las

medidas más efectivas según la disminución en la concentración de contaminantes de

criterio a partir de la reglamentación en el 2008 de instrumentos normativos relacionados.

La mayoría de modelos ARIMA obtenidos poseen memoria corta (1≤p≤3) indicando que

las observaciones de las variables estudiadas no se relacionan de manera directa con sus

observaciones inmediatamente anteriores, además no poseen tendencias significativas (d≈1)

y los promedios móviles de las concentraciones de contaminantes criterio poseen

constantes fluctuaciones en comparación con datos anteriores (3≤q≤14).

Palabras clave: Calidad de aire, Normatividad pública, Contaminantes criterio, ARIMA,

gestión del aire.

5

ABSTRACT

Recognizing the need to strengthen regulatory measures that respond adequately to the

management of air pollution in the city of Bogotá (Colombia), avoiding effects on its

population and economy, this investigation was aimed at analyzing the effectiveness of air

public regulations in force in the city from 2007 to 2017, in relation to the concentrations of

criteria air pollutants. For this, the components of ARIMA models generated from the data

of the City's Monitoring and Air Quality Network were analyzed to determine the temporal

behavior of pollutant concentrations with respect to atmospheric variables. The

chronological variation of the criteria pollutant’s concentration was also analyzed regarding

the regimentation of the public regulations identified in the study period related to district

air management.

The results showed that the policies related to air quality are adjusted on average every two

years, focusing on the territory planning through pollution levels, the setting of maximum

allowable emission limits for different sources and the improvement of fuels; the latter two

were the most effective measures according to the decrease in the concentration of criteria

pollutants since the regulation of related regulatory instruments in 2008. The majority of

ARIMA models obtained have a short memory (1≤p≤3) indicating that the observations of

the variables studied are not directly related to their immediately previous observations, in

addition they do not have significant trends (d≈1) and those moving averages of the

concentrations of criteria pollutants have constant fluctuations compared to previous data

(3≤q≤14).

Keywords: Air quality, Public regulations, Criteria pollutants, ARIMA, air management.

6

INDICE

AGRADECIMIENTOS ....................................................................................................... 3

RESUMEN ............................................................................................................................ 4

ABSTRACT .......................................................................................................................... 5

INTRODUCCIÓN .............................................................................................................. 12

1. PLANTEAMIENTO DEL PROBLEMA ................................................................. 14

2. JUSTIFICACIÓN ....................................................................................................... 17

3. OBJETIVOS ............................................................................................................... 19

4. MARCO TEÓRICO ................................................................................................... 20

4.1 CONTAMINACIÓN ATMOSFÉRICA .................................................................. 20

4.1.1 Contaminantes atmosféricos de criterio .............................................................. 20

4.1.1.1 Monóxido de Carbono (CO) ......................................................................... 21

4.1.1.2 Material Particulado (PM) ............................................................................ 21

4.1.1.3 Dióxido de Carbono (CO2) ........................................................................... 21

4.1.1.4 Óxidos de Nitrogeno (NOx) .......................................................................... 22

4.1.1.5 Dióxido de Azufre (SO2) .............................................................................. 22

4.1.1.6 Ozono Troposférico (O3) .............................................................................. 23

4.2 NORMATIVIDAD PÚBLICA EN CALIDAD DEL AIRE ................................... 23

4.2.1 Enfoques internacionales en el estudio de normativas públicas de calidad del aire

...................................................................................................................................... 23

4.2.2 Enfoques nacionales normativos para el manejo de la contaminación atmosférica

...................................................................................................................................... 25

4.2.3 Valoración económica ambiental de la calidad del aire ...................................... 27

4.3 HERRAMIENTAS PARA EL ESTUDIO DE LA CALIDAD DEL AIRE .......... 28

4.3.1 Modelos de series de tiempo ............................................................................... 28

4.3.1.1 Modelos ARIMA .......................................................................................... 29

4.3.1.1.1 Modelos auto regresivos (AR) ............................................................... 29

4.3.1.1.2 Modelos de Promedios Móviles (MA) .................................................. 30

4.3.1.1.3 Modelos ARMA .................................................................................... 30

7

4.3.1.1.4 ARIMA .................................................................................................. 30

5. MATERIALES Y MÉTODOS ...................................................................................... 32

5.1 DESCRIPCIÓN GENERAL DEL ÁREA DE ESTUDIO ..................................... 32

5.2 RED DE MONITOREO Y CALIDAD DEL AIRE DE BOGOTÁ ....................... 32

5.3 METODOLOGÍA DESARROLLADA .................................................................. 35

5.3.1 Fase 1. Tratamiento inicial de datos .................................................................... 36

5.3.2. Fase 2. Análisis exploratorío .............................................................................. 36

5.3.3 Fase 3. Completación y selección de contaminantes criterio .............................. 39

5.3.4 Fase 4. Análisis de estudios de valoración económica ........................................ 44

5.3.5 Fase 5. Identificación de normatividad pública ................................................... 45

5.3.6 Fase 6. Desarrollo de modelos ARIMA .............................................................. 46

5.3.7 Fase 7. Presentación de resultados y conclusiones .............................................. 48

6. RESULTADOS Y DISCUSIÓN .................................................................................... 50

6.1 NORMATIVIDAD PÚBLICA EN CALIDAD DEL AIRE ................................... 50

6.1.1 Identificación de normatividad ............................................................................ 50

6.1.2 Análisis de la normatividad pública identificada ................................................ 57

6.1.3 Análisis comparativo con la normatividad a nivel internacional ........................ 59

6.2 VARIACIÓN TEMPORAL DE CONTAMINANTES CRITERIO ..................... 68

6.2.1 Desarrollo de modelos ARIMA ........................................................................... 68

6.2.2 Análisis de modelos ARIMA por contaminante.................................................. 71

6.2.2.1 Modelos arima para PM10 ............................................................................. 71

6.2.2.2 Modelos arima para PM2.5 ............................................................................ 73

6.2.2.3 Modelos arima para O3 ................................................................................. 74

6.2.2.4 Modelos arima para CO ................................................................................ 76

6.2.2.5 Modelos arima para SO2 ............................................................................... 77

6.2.2.6 Modelos arima para NOx .............................................................................. 79

6.2.3 Análisis comparativo entre modelos ARIMA ..................................................... 81

6.3 EFECTIVIDAD DE LA NORMATIVIDAD PÚBLICA DE CALIDAD DEL

AIRE ................................................................................................................................ 84

6.3.1 Propuesta metodológica ....................................................................................... 84

8

6.3.1.1 Dato atípico innovador ................................................................................. 87

6.3.1.2 Dato atípico de cambio de nivel ................................................................... 89

6.3.2 Análisis de efectividad de la normatividad pública ............................................. 91

6.3.2.1 Efectividad en el PM2.5 ................................................................................. 95

6.3.2.2 Efectividad en el PM10 .................................................................................. 97

6.3.2.3 Efectividad relacionada con la concentración de O3 .................................... 99

7. CONCLUSIONES ........................................................................................................ 102

8. RECOMENDACIONES .............................................................................................. 105

9. BIBLIOGRAFÍA .......................................................................................................... 106

INDICE DE TABLAS

Tabla 1. Niveles máximos permisibles para contaminantes criterio vigentes durante el

periodo de estudio (2007-2008). ........................................................................................... 23

Tabla 2. Normatividad relacionada con la contaminación atmosférica en el entorno

nacional. ................................................................................................................................ 26

Tabla 3. Ubicación de las estaciones en la RMCAB ............................................................ 33

Tabla 4. Parámetros de medición de las estaciones en la RMCAB. ..................................... 34

Tabla 5. Cantidad de datos faltantes por monitor en cada una de las estaciones de la

RMCAB. ............................................................................................................................... 36

Tabla 6. Porcentaje de datos disponibles por monitor en cada estación de la RMCAB. ..... 37

Tabla 7. Fragmento del promedio anual de las variables por estación. ................................ 37

Tabla 8. Fragmento de la variación anual de las variables por estación .............................. 38

Tabla 9. Ajuste periodo de estudio del contaminante NO en la estación Guaymaral. ......... 39

Tabla 10. Ajuste de periodos de estudio para cada una de las por estación. ........................ 39

Tabla 11. Coeficiente de correlación de Pearson para las variables de la estación

Guaymaral. ........................................................................................................................... 41

Tabla 12. Coeficiente de correlación de Spearman para las variables de la estación

Guaymaral. ........................................................................................................................... 41

Tabla 13. Modelos de regresión para variables de la estación Guaymaral........................... 41

Tabla 14. Proceso de completación de la estación Guaymaral............................................. 44

9

Tabla 15. Normativa pública aplicable a nivel distrital con impacto en la calidad del aire. 51

Tabla 16. Índices de citación para la búsqueda bibliográfica de normatividad internacional

de calidad del aire. ................................................................................................................ 62

Tabla 17. Normatividad internacional relacionadas con calidad del aire. ............................ 63

Tabla 18. Modelos mensuales de PM10. ............................................................................... 71

Tabla 19. Muestra de modelos mensuales ARIMA válidos para PM10. ............................... 72

Tabla 20. Modelos mensuales de PM2.5. .............................................................................. 73

Tabla 21. Muestra de modelos mensuales ARIMA válidos para PM2.5. .............................. 74

Tabla 22. Modelos mensuales de O3 .................................................................................... 75

Tabla 23. Muestra de modelos ARIMA mensuales válidos para O3. ................................... 75

Tabla 24. Modelos mensuales de CO. .................................................................................. 76

Tabla 25. Muestra de modelos mensuales ARIMA válidos para CO. .................................. 77

Tabla 26. Modelos mensuales de SO2. ................................................................................. 77

Tabla 27. Muestra de modelos mensuales ARIMA válidos para SO2. ................................. 78

Tabla 28. Modelos mensuales de NO, NO2 y NOX. ............................................................. 79

Tabla 29. Muestra de modelos mensuales ARIMA válidos para NO, NO2 y NOX. ............ 80

Tabla 30. Modelos mensuales frecuentes. ............................................................................ 81

Tabla 31. Cantidad de datos atípicos innovadores por estación de las series de

contaminantes criterio con medias móviles mensuales. ....................................................... 88

Tabla 32. Cantidad de datos atípicos innovadores por contaminante de las series de


Tabla 33. Cantidad de datos atípicos de cambio de nivel por estación de las series de


Tabla 34. Cantidad de datos atípicos de cambio de nivel por contaminante de las series de


Tabla 35. Efectividad en la reducción de carga contaminante atmosférica de PM10, PM2.5 y

O3 a causa de normatividad pública identificada con la metodología propuesta. ................ 94

Tabla 36.Variaciones en la concentración de PM2.5 con media móvil mensual en la estación

de Carvajal. ........................................................................................................................... 95

Tabla 37.Datos atípicos de PM2.5 con media móvil mensual para la estación Carvajal. ...... 96

10

Tabla 38. Variaciones en la concentración de PM10 con media móvil mensual en la estación

de Carvajal. ........................................................................................................................... 97

Tabla 39. Datos atípicos de PM10 con media móvil mensual para la estación Carvajal. ..... 98

Tabla 40. Variaciones en la concentración de O3 con media móvil mensual en la estación de

Carvajal. .............................................................................................................................. 100

Tabla 41. Datos atípicos de O3 con media móvil mensual para la estación Carvajal. ........ 101

INDICE DE FIGURAS

Figura 1. Ubicación de las estaciones de la RMCAB (Autores con información de la Sec.

Ambiente de Bogotá). ........................................................................................................... 34

Figura 2. Diagrama de flujo de la metodología utilizada para el desarrollo del proyecto.... 35

Figura 3. Dispersión de datos PM10 y PM2.5 para la estación Guaymaral. ........................... 42

Figura 4. Verificación gráfica de valores completados con el algoritmo EM para la estación

Guaymaral.. .......................................................................................................................... 43

Figura 5. Normas distritales de calidad del aire durante el periodo 2007-2017 relacionadas

con diferentes temáticas........................................................................................................ 50

Figura 6. Líneas temporales de entrada en vigencia, derogación o ajuste de la normatividad

pública aplicable a nivel distrital con impacto en la calidad del aire.. ................................. 58

Figura 7. Validación modelo ARIMA para la media móvil diaria de PM2.5 en la estación

Carvajal para el año 2013.. ................................................................................................... 69

Figura 8. Análisis sintético de los modelos ARIMA con medias móviles mensuales. ........ 70

Figura 9. Variación espacial del término autoregresivo (AR) en modelos mensuales. ........ 82

Figura 10. Variación espacial del término de medias móviles (MA) en modelos mensuales.

.............................................................................................................................................. 83

Figura 11. Diferencia mensual de reglamentación de normas públicas. .............................. 86

Figura 12. Comportamiento tipo de un dato atípico innovador (IBM, 2014). ..................... 87

Figura 13. Comportamiento tipo de un dato atípico de cambio de nivel (IBM, 2014). ....... 89

Figura 14. Comportamiento anual de la concentración promedio con media móvil mensual

de PM2.5 en la estación Carvajal.. ......................................................................................... 96

11


de PM10 en la estación Carvajal.. ........................................................................................ 98


de O3 en la estación Carvajal.. ............................................................................................ 100

INDICE DE ECUACIONES

Ecuación 1. Modelos Autoregresivos (AR) .......................................................................... 29

Ecuación 2. Modelos de Promedios Móviles (MA) ............................................................. 30

Ecuación 3. Modelos ARMA ............................................................................................... 30

Ecuación 4. Modelos ARIMA .............................................................................................. 30

Ecuación 5. Índice de citación .............................................................................................. 45

Ecuación 6. Ecuación básica de modelos RD ...................................................................... 85

Ecuación 7. Efectividad porcentual de las políticas ............................................................. 86

12

INTRODUCCIÓN

La necesidad de las entidades gubernamentales de evaluar la normatividad pública para

generar instrumentos en pro de la gestión adecuada de recursos tales como el aire, presenta

una serie de retos en el reconocimiento de las dinámicas de dispersión atmosférica de cada

territorio. Por ejemplo, para el año 2015 en Colombia se generó un costo de 1,93% del PIB

anual debido a muertes y enfermedades relacionadas con la contaminación atmosférica

(DNP, 2017). En el año 2016 en Bogotá se presentaron 1.593.747 casos relacionados con

infecciones respiratorias, presentando un incremento de casos del 1,0% (16.124) con

respecto al año 2015 (RMCAB, 2017); por lo que la generación de normativas encaminadas

a reducir y controlar esta problemática debe ser acorde a las características físicas y

dinámicas de cada territorio. Lo anterior, toma mayor relevancia en centros urbanos como

Bogotá, ya que en el mundo se ha relacionado la contaminación atmosférica con elevados

costos en salud por complicaciones respiratorias, disminución productiva por incapacidades

médicas, y reducción de la expectativa de vida en diferentes ciudades europeas y asiáticas;

las cuales han adelantado diferentes estudios para determinar el efecto de la calidad del aire

en su economía (Hao et al., 2018).

Debido a los grandes retos que se presentan en el panorama nacional y local por la entrada

en vigencia de la nueva norma de calidad del aire, en el presente documento se propone

evaluar la posible relación entre la normatividad pública implementada en Bogotá y las

concentraciones de contaminantes criterio (CO, SO2, NO2, O3 y PM) durante el período

comprendido entre los años 2007-2017. Lo anterior, reconociendo que las condiciones

meteorológicas y de relieve propias de la ciudad le otorgan particular singularidad en

cuanto a dinámicas de estabilidad atmosférica, siendo la más crítica, la inversión térmica.

En estas condiciones atmosféricas las capas de aire en altitud son más calientes que las de

los niveles cerca de la superficie, frenando la dispersión vertical de los contaminantes

(Ramírez et al., 2013). Requiriendo así la generación de herramientas normativas propias

que permitan el alcance de las metas establecidas en el marco legal, partiendo de la

identificación de aquellas medidas ambientales, económicas o de movilidad con mejor

desempeño durante el período de estudio. Dicha evaluación se adelanta por ejemplo

mediante el uso de métodos estadísticos no causales como lo son los modelos ARIMA,

13

teniendo como insumo los valores de concentración atmosférica de cada uno de los

contaminantes mencionados. En este estudio se utilizarán los datos reportados por la Red de

Monitoreo y Calidad del Aire de Bogotá para así determinar la variación temporal de dichas

concentraciones, considerando la entrada en vigencia de las diferentes herramientas

normativas públicas implementadas en la ciudad de Bogotá.

Para exponer de manera adecuada el contenido del proyecto, éste se estructura de la

siguiente manera. En los primeros tres capítulos se presenta el planteamiento del problema,

la justificación y los objetivos establecidos para el desarrollo del mismo. En el capítulo 4 se

exponen los elementos conceptuales y teóricos; en el capítulo 5 se especifican las técnicas

utilizadas para la realización de esta investigación y, posteriormente, en el capítulo 7 se

presentan los resultados y análisis obtenidos, producto del desarrollo de la investigación,

seguidos de las respectivas conclusiones en el capítulo 7, para finalizar en el capítulo 8 con

recomendaciones.

.

14

1. PLANTEAMIENTO DEL PROBLEMA

El estado de la calidad del aire es un factor que influye en la salud y bienestar de las

personas. Se pueden relacionar enfermedades y síntomas con los efectos de las emisiones

de contaminantes a la atmósfera provenientes de fuentes fijas asociadas a procesos

industriales y de manufactura, o fuentes móviles relacionadas con actividades de transporte

(IDEAM, 2016). En Colombia, las fuentes fijas producen 30% de la contaminación

atmosférica y el 70% restante las fuentes móviles (DNP, 2017). Al respecto, para el año

2007 en Bogotá el transporte público le aportó a la ciudad de Bogotá cerca del 54% del

PM10 presente en su atmósfera (Pachon, Behrentz, & Rojas, 2007). Larsen (2004) también

reportó que en áreas urbanas 6.000 muertes prematuras anuales se relacionaron con la

contaminación atmosférica y debido a esta se presentaron 7.400 nuevos casos de bronquitis.

En Bogotá, durante el año 2016 se atendieron 1.593.747 personas por afecciones

relacionadas con infecciones respiratorias, presentando un incremento de casos del 1,0%

(16.124) con respecto al año 2015 (RMCAB, 2017).

La Organización Mundial de la Salud (OMS, 2016) reportó que para el año 2012 la

contaminación atmosférica en las ciudades y zonas rurales de todo el mundo provocó tres

millones de defunciones prematuras. Según Landrigan et al. (2018), las enfermedades

relacionadas con baja calidad de aire causan pérdidas de productividad que reducen el

producto interno bruto (PIB) de los países de ingresos bajos y medianos en hasta un 2,0%

anual y las pérdidas de bienestar debido a la contaminación atmosférica ascendieron a $4,6

billones de USD por año; es decir, el 6,2% de la producción económica mundial. En

Colombia aproximadamente ocho mil muertes anuales estarían relacionadas con la

contaminación atmosférica, las cuales equivalen al 9,0% de las muertes no violentas en los

lugares con medición de calidad aire; y 67,8 millones de síntomas y enfermedades

relacionados son atendidos en el sistema de salud, para lo cual los costos asociados por

atención ascendieron a 15,4 billones de pesos, 1,93% del PIB de 2015 (DNP, 2017).

Debido a situaciones como la descrita anteriormente, la calidad del aire es considerada

como un indicador clave para la planeación urbana y el ordenamiento territorial (Borrego et

al., 2006). Sin embargo, gran parte de las ciudades en el mundo sufren problemas para la

15

gestión ambiental en este tema, en especial por el crecimiento poblacional y el cambio en el

uso del suelo por la expansión urbana (Mayer, 1999). En ciudades latinas la contaminación

atmosférica se debe principalmente al aumento poblacional por déficit de vivienda, el uso

de tecnología industrial altamente contaminante y la falta de programas de manejo

ambiental que garanticen un desarrollo sostenible (Lijteroff et al., 1999). En países pobres

la concentración de contaminantes atmosféricos también presentó un alza debido a los

niveles de desarrollo industrial acelerado (Baldasano et al., 2003). Cabe destacar que si bien

las emisiones per cápita de contaminantes son más bajas en mega ciudades modernas por

los adelantos tecnológicos con los que cuentan, la densidad poblacional se traduce en

mayores concentraciones y tiempos de exposición que afectan en mayor medida a la

población (Baklanov et al., 2016).

Con el fin de aliviar esta problemática se han adelantado diferentes mecanismos para el

control de la contaminación atmosférica a través de normatividad pública. Por ejemplo, la

Unión Europea en el año 2008 introdujo una nueva directiva de calidad de aire que

estableció estándares de emisión más estrictos, lo que conllevó a consideraciones regionales

sobre monitoreo y reporte unificado de contaminantes para un seguimiento adecuado. Esto

forzó a los países miembros a desarrollar normativas de carácter regional que consideraran

dinámicas de dispersión intrafronterizas (Gemmer & Bo, 2013). En Estados Unidos desde

1990 hasta el 2014 se han establecido límites cada vez más estrictos (Colsa, 2016), siendo

los resultados de estas medidas disminuciones significativas en las emisiones por fuentes

móviles en el país y la mejora en la economía de nuevas tecnologías para la movilidad,

como los vehículos eléctricos (EPA, 2017).

A nivel local, ciudades como Ciudad de México han mejorado su calidad del aire

promoviendo normativas públicas integrales de reducción de emisiones. Por ejemplo, desde

1990 se desarrollan e implementan programas integrales de gestión de la calidad del aire,

que incluyen la eliminación del plomo de la gasolina, el uso de convertidores catalíticos en

automóviles, la reducción del contenido de azufre en el combustible de vehículos diésel, la

sustitución de fuel oíl en la industria, la modernización del programa de restricción

vehicular (día sin conducción), el fortalecimiento del programa de inspección y

mantenimiento de vehículos, (Baklanov et al., 2016).

16

Entre las muchas medidas que se poseen para evitar niveles de contaminación atmosférica

que afecten a la población y su economía en Bogotá, ciudad que posee una tasa de

crecimiento poblacional anual cercana al 1,5%; se desconoce cuáles de estas según sus

niveles de efectividad relacionados con las dinámicas de dispersión, concentración y

manejo de contaminantes atmosféricos deben apalancarse en mayor medida para facilitar la

implementación y satisfacción a largo plazo de estándares ambientales (Cardona, 2014),

como los establecidos por la norma de calidad del aire nacional.

Es por todo lo anterior, que surgió la siguiente pregunta de investigación: ¿Qué

normatividad pública implementada para el manejo de la contaminación atmosférica en la

ciudad de Bogotá fue más efectivas en cuanto a la disminución de la concentración de

contaminantes criterio?

17

2. JUSTIFICACIÓN

La generación de normatividad pública, su evaluación y ajuste depende de diversos

factores, destacándose la capacidad técnica y tecnológica y la apropiación ciudadana.

Sumado a esto, el legislar depende de manera inherente a las dinámicas económicas del

territorio y, por consiguiente, a los recursos del mismo. Esto implica la inexistencia de una

estrategia legislativa universal (Gwilliam et al., 2004). Por lo que acciones encaminadas a

la reducción de la contaminación atmosférica han de variar dependiendo del territorio. Es

por esto, que conocer la efectividad de la normativa pública en Bogotá en materia de

reducción y control en contaminación atmosférica, mediante el presente estudio, permitirá

reorientar las herramientas distritales para el alcance de un ambiente sano a partir de

conceptos técnicos que prioricen aquellas que mejor respondan a las condiciones de la

ciudad.

Como ejemplo de medidas distritales en materia de movilidad que han influido en la carga

contaminante atmosférica, se tiene la introducción del Sistema de Buses de Tránsito Rápido

(Transmilenio), la cual según Bel & Holst (2018) generó un ahorro de US $114 millones

por reducción de emisiones luego de finalizadas las dos primeras fases del sistema. Después

de la implementación de Transmilenio, la alcaldía de Bogotá reportó una reducción del

43% en las emisiones de SO2, del 18% en NOX y del 12% en el material particulado. Con

un sistema similar para la Ciudad de México poco después de su implementación se

obtuvieron reducciones promedio de 6,35% de CO, 5,6% de NOX y 8,25% de PM10 (Bel &

Holst, 2018).

De igual manera, este proyecto se considera la base para futuros estudios que busquen

determinar beneficios resultantes de la gestión de la calidad del aire en materia de salud

pública para Bogotá, similar al estudio de Liu et al. (2018) en el que se reportó que se

evitaron un total de 121.658 muertes debido a la disminución de las tasas de mortalidad de

enfermedades cardiovasculares y respiratorias, cáncer de pulmón y de mama; las cuales

estuvieron relacionadas con la disminución de la concentración de PM2.5 durante el período

entre 2013 - 2015 en 31 municipalidades y ciudades provinciales de China.

18

Por otro lado, este estudio también podría ser un punto de partida para estudios orientados

en determinar los beneficios económicos relacionados con la gestión de la contaminación

atmosférica en la ciudad de Bogotá, como el adelantado por Pascal et al. (2013), quienes

reportaron un ahorro de 3,1 mil millones de euros en 25 ciudades europeas por disminución

de gastos de salud, ausentismo y costos intangibles; como por ejemplo el bienestar, la

esperanza de vida y la calidad de vida a causa de una mejoría en la calidad del aire; o el de

Sarigiannis et al. (2017) quienes modelaron un ahorro de 56,6 millones de euros

relacionado con la mortalidad evitada de leucemia correspondiente a la reducción de

exposición a PM10, de igual forma 45 millones por disminución de exposición a PM2.5 y

uno de 37,7 millones por el mismo concepto relacionado con NO2. Considerando otro

enfoque, Hao et al. (2018) investigaron mediante un modelo de ecuaciones simultáneas la

influencia de las concentraciones de PM2.5 en el PIB per cápita en China para el período

comprendido entre los años 2013-2015, encontrando que un aumento de 5 mg/m3 en las

concentraciones de PM2.5 pudo causar una disminución del 0,5% en el PIB per cápita de ese

país.

Adicionalmente, con este estudio se apunta al fortalecimiento de la línea de investigación

de Impactos Ambientales del proyecto curricular de Ingeniería Ambiental, al dirigirse a la

generación, desarrollo y difusión de conocimiento de la afectación del sistema social por

actividades productivas y dinámicas propias de la ciudad en materia de calidad del aire;

permitiendo mediante una visión analítica generar consideraciones de actuación y manejo

ambiental para la reducción de la problemática expuesta. Este estudio también aporta

antecedentes al grupo de Investigación AMBIENTUD para futuras investigaciones

relacionadas.

19

3. OBJETIVOS

General

Analizar temporalmente la efectividad de la normatividad pública de calidad del aire en la

ciudad de Bogotá en relación a las concentraciones de contaminantes atmosféricos de

criterio (CO, SO2, NO2, O3, PM10 y PM2.5), utilizando modelos estadísticos durante el

período comprendido entre los años 2007 - 2017.

Específicos

Identificar la normatividad pública en materia de movilidad y calidad del aire,

implementada en la ciudad de Bogotá durante el período de estudio.

Estudiar mediante modelos estadísticos ARIMA la variación temporal de las

concentraciones de contaminantes criterio en la ciudad de Bogotá.

Evaluar temporalmente mediante modelos ARIMA la relación entre la normatividad

pública implementada en la ciudad de Bogotá y las concentraciones de

contaminantes criterio.

20

4. MARCO TEÓRICO

4.1 CONTAMINACIÓN ATMOSFÉRICA

La inmisión o calidad del aire se define como la concentración de contaminantes que llegan

a un receptor más o menos lejano de la fuente de emisión, una vez transportados y

difundidos por la atmósfera. Las emisiones de contaminantes a la atmosfera por fuentes

móviles son una de las causas de la contaminación atmosférica en las principales ciudades,

como lo mencionan Nagpure & Gurjar (2014), en la ciudad de Mumbai, el aporte del

transporte terrestre en las concentraciones de CO, SO2, NOx y HC es de aproximadamente

26%, 1%, 12% y 26% respectivamente. Para Nueva Delhi la emisión de NOX del sector

transporte es del 66% al 74% y sugiere también que para Calcuta este mismo sector es la

fuente predominante de NOx debido a la gran cantidad vehículos.

Por otra parte, se demuestra que las actividades industriales son la segunda fuente de

emisiones a la atmósfera y que las ramas industriales con mayor coeficiente de

participación en la emisión de contaminantes al aire son: textiles, papel y cartón, química

básica, resinas, plásticos y fibras artificiales, abonos y fertilizantes, otras industrias

químicas, e industrias básicas de metales no ferrosos (Camacho & Flamand, 2008). De

acuerdo con el análisis realizado en el año 2005 por el documento CONPES 3344, la

contaminación del aire en Colombia está causada principalmente por el uso de

combustibles fósiles. El 41% del total de las emisiones se generan en ocho ciudades

principales (Bogotá, Medellín, Cali, Barranquilla, V. Sogamoso, Bucaramanga, Cartagena y

Pereira). Las mayores emisiones de PM10, NOx y CO están ocasionadas por las fuentes

móviles, mientras que las PST y SOx son generadas por las fuentes fijas.

4.1.1 CONTAMINANTES ATMOSFÉRICOS DE CRITERIO

Dentro de todos los contaminantes que existen en la atmósfera, se identifican cinco

contaminantes denominados de criterio, los cuales afectan a la salud inmediatamente desde

su inhalación: CO, SO2, NO2, O3 y PM10. Además de éstos, se incluye al CO2 por su aporte

al efecto invernadero. El comportamiento de los gases en la atmósfera depende no sólo de

las características químicas del componente y del ambiente donde se encuentra, sino

21

además de condiciones físicas y meteorológicas donde se emiten. Por esto, las entidades

regulatorias ambientales toman las decisiones de estandarizar niveles máximos permisibles

de concentración para cada uno de los contaminantes criterio (Ramírez et al., 2013). A

continuación, se presenta una breve descripción de cada contaminante criterio.

4.1.1.1 MONÓXIDO DE CARBONO (CO)

Se produce en las reacciones de combustión cuando no se presenta la oxidación completa

del carbón (Ministerio de Ambiente Vivienda y Desarrollo Territorial & Instituto de

Hidrología Meteorología y Estudios Ambientales IDEAM, 2007). Se caracteriza por ser un

gas incoloro e inodoro, producido de manera natural por volcanes, lagos y durante el

metabolismo de algunos organismos. Entre las principales fuentes antropogénicas están las

emisiones de vehículos, así como diferentes procesos industriales de combustión. Aunque

el CO se considera un precursor del ozono, los efectos de la CO solo en el medio ambiente

son limitados y la principal preocupación en torno a este contaminante es su muy alta

toxicidad, que actúa limitando el transporte de O2 en el cuerpo (Neal Hickey & Ilan

Boscarato, 2014).

4.1.1.2 MATERIAL PARTICULADO (PM)

El PM son partículas sólidas o líquidas presentes en el aire que tienen la capacidad de

penetrar las vías respiratorias. Según la (OMS, 2005), existe plena evidencia científica de la

relación entre la presencia de este con enfermedades respiratorias y cardíacas, los más

afectados son los niños menores de 5 años y personas de la tercera edad; su peligrosidad

depende de su tamaño y de las sustancias que se adhieren a su superficie. Estas se clasifican

en PST (partículas suspendidas totales), partículas con diámetro menos a 10 µm (PM10) y

con diámetro menor a 2.5 µm (PM2.5). Las últimas se consideran más peligrosas pues

pueden alcanzar las partes más pequeñas de los pulmones, de aquí que la acción natural de

limpieza del cuerpo no pueda ser llevada a cabo y se necesite de intervención quirúrgica,

entre otras complicaciones.

4.1.1.3 DIÓXIDO DE CARBONO (CO2)

Es uno de los gases traza más comunes e importantes en el sistema atmósfera-océano-

Tierra. Es el GEI (gas de efecto invernadero) más importante asociado a actividades

22

humanas y el segundo gas más importante en el calentamiento global después del vapor de

agua. En relación a las actividades humanas el CO2 se emite principalmente, por el

consumo de combustibles fósiles (gas natural, carbón, petróleo y sus derivados) y leña para

generar energía, por la tala y quema de bosques como pastizales (Benavides & León, 2007).

Según CCSSO (2006), la exposición a corto plazo de CO2 a niveles por debajo del 2%

(20,000 ppm) no ha reportado efectos nocivos. Concentraciones altas pueden afectar la

función respiratoria y provocar excitación seguida por depresión del sistema nervioso

central. Adicionalmente, mayores concentraciones de este gas, pueden desplazar oxígeno

en el aire, resultando en concentraciones de oxígeno menores para la respiración. Por lo

tanto, los efectos de la deficiencia de oxígeno pueden combinarse con efectos de toxicidad

mencionados.

4.1.1.4 ÓXIDOS DE NITROGENO (NOX)

Los NOx, especialmente el dióxido de nitrógeno (NO2), son promotores de otros

contaminantes como el smog y la lluvia ácida. En un centro urbano, el 55% de las

emisiones son del sector transporte y 22% es de generación energética. La presencia del

NO2 en la tropósfera en conjunto con radicales libres HC, hace que se forme O3

troposférico, mientras que en la atmósfera, reacciona con el monóxido de cloro formando

nitrato de cloro y liberando átomos de cloro que destruyen la capa de ozono al reaccionar

con el ácido clorhídrico (Banco Mundial, 1997). El tiempo de exposición prolongado

propicia la formación de partículas en todo el tracto respiratorio, aumentando problemas

cardiovasculares, bronquitis, asma y muerte prematura para la población más vulnerable.

4.1.1.5 DIÓXIDO DE AZUFRE (SO2)

El SO2 es un gas estable que se produce por la quema de combustibles (Banco Mundial,

1997). En un centro urbano, el 67% de las emisiones vienen de las generadoras de energía y

el 18% del sector industrial. La contribución del sector transporte a las emisiones mundiales

de SO2 se estiman entre 2% y 6%. Es un gas irritante, que afecta a las partes superiores de

las vías respiratorias y está asociado con la disminución en el funcionamiento pulmonar. La

OMS determinó que los efectos mortales están entre 500 µg/m3 por un tiempo de

exposición de 24 horas y una morbilidad respiratoria en ambientes con exposiciones

superiores a 250 µg/m3.

23

4.1.1.6 OZONO TROPOSFÉRICO (O3)

Se forma a partir de otros compuestos en el aire como el NO2. En presencia de los rayos del

sol, los enlaces del NO2 se rompen formando óxido de nitrógeno (NO) y oxígeno molecular

(O) que combinados con el O2 presente en la atmósfera genera O3. De aquí que los niveles

de concentración del ozono dependan de la intensidad lumínica, la concentración de óxidos

de nitrógeno y variables meteorológicas. En tiempos de exposición bajos, la inhalación de

ozono genera inflamación del sistema respiratorio superior (fosas nasales, garganta y

laringe). Existe evidencia de generación de mutaciones en las células respiratorias debido a

la presencia de ozono, aumentado el riesgo de cáncer (OMS, 2005). En el periodo de

estudio se tuvieron dos resoluciones que dieron cambios a los niveles máximos permisibles

para contaminantes criterio expuestos anteriormente. En la tabla 1 se muestran los límites

establecidos.

Tabla 1. Niveles máximos permisibles para contaminantes criterio vigentes durante el periodo de estudio (2007-2008).

Contaminante Unidad Tiempo de exposición

Límite máximo permisible Año 2006 Año 2010

PM10 µg/m3 Anual 70 50 24 h 150 100

PM2.5 µg/m3 Anual - 25 24 h - 50

SO2 ppm Anual 80 80 24 h 250 250

3 horas 750 750

NO2 ppm Anual 100 100 24 h 150 150

1 hora 200 200 O3 ppm 24 h 80 80

1 hora 120 120

CO ppm 24 h 10 10.000 1 hora 40 40.000

Fuente: Resolución 601 de 2006 y Resolución 610 de 2010.

4.2 NORMATIVIDAD PÚBLICA EN CALIDAD DEL AIRE

4.2.1 ENFOQUES INTERNACIONALES EN EL ESTUDIO DE NORMATIVAS

PÚBLICAS DE CALIDAD DEL AIRE

En general, los estudios académicos sobre los efectos de la contaminación sugieren que las

normativas gubernamentales de control de calidad del aire pueden mejorar las condiciones

24

ambientales, al evitar, por ejemplo, daños a áreas verdes y la presencia de lluvia ácida o de

cambios climáticos locales; y pueden restringir los impactos negativos de la contaminación

sobre la salud de las personas. A continuación se presentan adelantos y acciones

internacionales para el manejo de la contaminación atmosférica proveniente de fuentes fijas

y móviles reportadas en el estudio de Slovic et al. (2016) y Camacho & Flamand (2008):

En Londres, un estudio del año 2004 reconoce la importancia de los estrictos

estándares de emisión y las mejoras en la tecnología del vehículo, antes de la

implementación del cargo de congestión vehicular. Esto demuestra que los

estándares de emisión son esenciales para hacer frente a la contaminación del aire

local, pero sus beneficios para la salud pueden reducirse si no se combinan con

mejoras de la tecnología del vehículo y medios de transporte alternativos. El

esquema de cobro contra la congestión fue una herramienta importante para reducir

los niveles de NOx y PM10.

En Toronto (Canadá), se descubre que los vehículos eléctricos híbridos con pila de

combustible/enchufables logran mejores resultados en la reducción de

contaminantes. Sin embargo, todas las tecnologías probadas de vehículos

alternativos, incluidos los vehículos eléctricos híbridos, los vehículos de pila de

combustible y los vehículos eléctricos híbridos de pila de combustible/enchufables,

tienen en común ser precursores de impacto del smog fotoquímico.

En Bangkok (Tailandia), el programa de mantenimiento de inspección para

vehículos es una norma de restricción exitosa donde los beneficios de salud fueron

mayores que los costos de implementación. Otra medida con efectos positivos fue la

carga de la carretera, que reduce la congestión.

Un estudio llevado a cabo en Nueva Delhi (India) correlaciona el cambio de 2002 a

combustible GNC (gas natural comprimido) con un aumento en CO2 y CH4, pero

también con una reducción en el black carbon (carbón negro), un importante

contaminante para la reducción de GEI. Un resultado similar se encuentra en Dhaka

(Bangladesh), donde el GNC ayuda a reducir la contaminación del aire local, pero

tiene poco efecto en la mitigación del cambio climático.

En Shenyang (China), los resultados muestran la necesidad de incluir la renovación

de la flota de autobuses en las normas de transporte de vehículos ecológicos y la

25

mejora de la infraestructura para maximizar los beneficios. El MDL (mecanismo de

desarrollo limpio, es un instrumento basado en el mercado de reducción de

emisiones) no solo es beneficioso para la mitigación de la contaminación

atmosférica y de gases de efecto invernadero, sino que es un paso más allá al

identificarlo como una herramienta para medir la responsabilidad y la sostenibilidad

de la normativa.

En Beijing (China), los estudios reportan que los estándares actuales de emisión

tienen poco efecto en la reducción de NOx, demostrando la falta de tecnologías de

control eficientes y el cumplimiento de los programas como una limitación para el

éxito de estos estándares. Los beneficios de los estándares de emisiones también se

ven compensados por la cantidad de camiones que circulan por la ciudad que

constituían una gran fuente de carbón negro y PM2.5; lo que sugiere que las medidas

que se centran solo en estándares y en mejorar los motores no son suficientes.

La cultura empresarial estadounidense influye de manera decisiva en la ciudad de

Monterrey (México). Desde finales del siglo XIX, la intensa relación con los

industriales de la frontera sur de Estados Unidos ha promovido el uso de tecnología

industrial de punta en fábricas regiomontanas. Las industrias de Monterrey

incorporan tecnología moderna en sus procesos productivos, lo cual promueve

mayor eficiencia, una disminución en las emisiones fijas y mejores prácticas

ambientales.

4.2.2 ENFOQUES NACIONALES NORMATIVOS PARA EL MANEJO DE LA

CONTAMINACIÓN ATMOSFÉRICA

Consciente de la problemática y del impacto que genera la contaminación atmosférica, en

los últimos años el país ha establecido medidas a nivel normativo, institucional y operativo

que se han mejorado y actualizado al punto de contar con herramientas claras para afrontar

la situación de la calidad del aire. Estas herramientas incluyen elementos para el control de

las emisiones atmosféricas y de ruido generadas por fuentes fijas y móviles, y mejora en la

calidad de los combustibles (Ministerio de Ambiente, 2010). Con el fin de contribuir al

cumplimiento de la norma de calidad del aire, el 5 de junio de 2008, Día Internacional del

Medio Ambiente, el Ministerio de Ambiente, Vivienda y Desarrollo Territorial expidió una

26

reglamentación sobre emisiones de fuentes fijas (Resolución 909), la cual impuso niveles

de emisión de contaminantes para toda la industria nacional, con la cual se actualizó la

reglamentación expedida por el Ministerio de Salud 25 años atrás, sin embargo esta medida

en la actualidad presenta diferentes modificaciones y/o derogaciones . En la tabla 2 se

puede observar la normatividad nacional relacionada con la contaminación atmosférica.

Tabla 2. Normatividad relacionada con la contaminación atmosférica en el entorno nacional. ACTO CONSIDERACIONES

DECRETO 02 DE 1982 Establece el control de Emisiones Atmosféricas, estipula las normas y parámetros de la calidad del aire y los rangos y límites permisibles de emisión.

DECRETO 2206 DE 1983 Sustituye el Capítulo XVI de la vigilancia, el control y las sanciones, del Decreto No. 02 de 1982 sobre emisiones atmosféricas.

DECRETO 948 DE 1995 Reglamenta parcialmente la Ley 23 de 1973, los artículos 33, 73, 74, 75 y 75 del Decreto-Ley 2811 de 1974; los artículos 41, 42, 43, 44, 45, 48 y 49 de la Ley 9 de 1979; y la Ley 99 de 1993, en relación con la prevención y control de la contaminación atmosférica y la protección de la calidad del aire.

DECRETO 898 DE 1995 Regula los criterios ambientales de calidad de los combustibles líquidos y sólidos utilizados en hornos y calderas de uso comercial e industrial y en motores de combustión interna de vehículos automotores.

RESOLUCION 1351 DE 1995.

Por medio de la cual se adopta la declaración denominada Informe de Estado de Emisiones.

DECRETO 1098 DEL 2000 Primera norma distrital que impulsó el día sin carro el primer jueves de todos los meses de febrero. Actualmente derogada.

RESOLUCIÓN 1015 DEL 2005

Fija los niveles permisibles de emisión de contaminantes producidos por las fuentes móviles con motor a gasolina y diésel, dentro del perímetro urbano del Distrito Capital y se toman otras determinaciones.

RESOLUCION 003500 DEL 2005

Establece las condiciones mínimas que deben cumplir los Centros de Diagnóstico Automotor para realizar la revisión técnico-mecánica y de gases de los vehículos automotores que transiten por el territorio nacional.


Por la cual se modifica parcialmente la Resolución 003500 de noviembre 21 de 2005, por la cual se establecen las condiciones mínimas que deben cumplir los Centros de Diagnóstico Automotor para realizar las revisiones técnico-mecánicas y de gases de los vehículos automotores que transitan por el territorio nacional.


Por la cual se modifica parcialmente la Resolución 3500 del 21 de noviembre de 2005, modificada por la Resolución 2200 del 30 de mayo de 2006.


Por la cual se modifica parcialmente la Resolución 3500 del 21 de noviembre de 2005, modificada por las Resoluciones 2200 del 30 de mayo de 2006 y 5975 del 28 de diciembre de 2006.

Ley 1205 DEL 2008 Estrategia que ha exigido una reducción gradual del contenido de azufre en el combustible diésel, con el fin de que se situé con un ACPM de calidad internacional.


Establece las normas y estándares de emisión admisibles de contaminantes a la atmósfera por fuentes fijas y se dictan otras disposiciones


Reglamenta los niveles permisibles de emisión de contaminantes que deberán cumplir las fuentes móviles terrestres, se reglamenta el artículo

27

ACTO CONSIDERACIONES 91 del Decreto 948 de 1995 y se adoptan otras disposiciones.

DECRETO 035 DEL 2009 Impone medidas sobre la circulación de motocicletas, cuatrimotor, moto triciclos, motociclos, ciclomotores y motocarros en el Distrito Capital.

DECRETO 1076 DE 2015 Reglamenta los niveles permisibles de emisión de contaminantes que deberán cumplir las fuentes móviles terrestres, se reglamenta el artículo 91 del Decreto 948 de 1995 y se adoptan otras disposiciones.

DECRETO 054 DEL 2017 Establece medidas para la circulación de vehículos automotores y motocicletas, en la ciudad de Bogotá el primer jueves del mes de febrero de todos los años y se dictan otras disposiciones.

RESOLUCIÓN 2254 DEL 2017

Establece la norma de calidad del aire o nivel de inmisión y adopta disposiciones para la gestión del recurso el aire en el territorio nacional, con el objeto de garantizar un ambiente sano y minimizar el riesgo sobre la salud humana que pueda ser causado por la exposición a los contaminantes en la atmósfera.

Fuente: Compilado informático de normatividad, doctrina y jurisprudencia de la Secretaría Jurídica Distrital.

4.2.3 VALORACIÓN ECONÓMICA AMBIENTAL DE LA CALIDAD DEL AIRE

La valoración económica ambiental es considerada la base para la presentación,

formulación y evaluación de normativas ambientales al considerar dentro de este proceso

factores sociales al igual que el desempeño ambiental, así como los costos relacionados de

explotación y uso de los recursos naturales. Por lo anterior, e igualmente dadas las

consideraciones excluyentes del mercado, la valoración descrita juega un papel crucial en la

toma de decisiones sobre conservación y protección; puede contraponerse al status quo

económico al considerar que el factor dinero excluye parámetros y aspectos relevantes del

estado al igual que la afectación del medio, ya sean en componentes bióticos o abióticos

(los cuales están estrechamente relacionados). Esta también cuestiona la capacidad del

mercado para asignar precios reguladores eficaces inmersos en las medidas tomadas para

conservar y proteger recursos específicos, como el aire, siendo este en particular uno de los

más afectados dentro los procesos industriales (Castiblanco, 2008).

Como antecedente para Bogotá, Díaz y Galindo (2015) mediante un análisis econométrico

en el cual partían de la investigación del gasto ambiental y del Índice de Fuerza

Gubernamental (IFG), compuesto este último por cuatro variables de las cuales se destaca

la relación del tamaño de la RMCAB y la densidad poblacional de la ciudad; determinaron

que los actos administrativos distritales desde el 2003 al 2014 no explican directamente los

cambios en los niveles de PM10 y conducen a pensar que las actividades adelantadas no

obtuvieron el alcance proyectado.

28

Si bien diferentes organizaciones o entes internacionales se han pronunciado en cuanto a las

medidas que deben ser tomadas por diferentes gobiernos para reducir la contaminación

atmosférica, Gwilliam et al. (2004) mencionan que los principios básicos de los

instrumentos que busquen reducir las emisiones principalmente de fuentes móviles son

elevar la alerta sobre el estado de la polución y sus daños, presionar al sector por medidas

eficientes de consumo, y trabajar mancomunadamente con los diferentes actores inmersos

en el transporte; siendo estas variables de partida para estudios de valoración económica

ambiental que busquen determinar viabilidad de la normatividad.

4.3 HERRAMIENTAS PARA EL ESTUDIO DE LA CALIDAD DEL AIRE

4.3.1 MODELOS DE SERIES DE TIEMPO

Una serie temporal o serie de tiempo es una secuencia ordenada de observaciones, las

cuales están asociadas a un momento específico y único en el tiempo, por lo que el orden de

los datos es fundamental, ejemplo de estas series pueden ser los precios diarios de las

acciones o las exportaciones mensuales, en meteorología por ejemplo correspondería a los

registros de temperatura, precipitación y/o velocidad del viento para un día especifico. Los

métodos estadísticos que emplean este tipo series en el análisis de fenómenos no

consideran el total de los datos como un conjunto de variables mutuamente aleatorias sino

que parten de que las observaciones son dependientes entre sí y la naturaleza de su

dependencia es de especial interés en análisis multivariantes, en los cuales se estudian

varias series al mismo tiempo (González, 2007); como puede ser el análisis de

contaminación atmosférica en una ciudad a partir de las series de niveles de contaminación

y variables meteorológicas.

Fuente (2008) menciona que se han desarrollado modelos matemáticos simplificados

predictivos para series temporales que tienen en cuenta la dependencia existente entre los

datos, es decir, cada observación en un momento dado es modelada en función de los

valores anteriores, algunos de los más conocidos son los denominados modelos ARIMA,

los cuales se valen de promedios móviles autoregresivos ajustados para sus pronosticar

variables. Sin embargo también se tienen otros abordajes recientes como el de redes

neuronales, en los que no se poseen modelos matemáticos simplificados lo que suponen

una dificultad para el estudio del modelo, pero que han alcanzado a su vez gran acogida por

29

sus niveles de certeza el análisis de fenómenos empleando series temporales (Puerta &

Correal, 2011).

Independiente del tipo de análisis realizado, se tener claro que para el adelanto de los

modelos autorregresivos mencionados anteriormente, es necesario conocer sobre procesos

estocásticos; los cuales se definen como la sucesión de variables aleatorias Yt ordenadas,

pudiendo tomar t cualquier valor entre -∞ e ∞, representando este los pasos de tiempo

manejados (Arce, 2010). Según González (2007), es una familia de variables aleatorias que,

en general, están relacionadas entre sí y siguen una ley de distribución conjunta, por lo que

en el marco estadístico de los procesos estocásticos una serie temporal (Y1; Y2; … YT) se

puede interpretar como una realización muestral de un proceso estocástico que se observa

únicamente para un número finito de periodos, t = 1, 2, … T.

4.3.1.1 MODELOS ARIMA

Los modelos auto regresivos e integrados de promedios móviles (ARIMA, por sus siglas en

inglés), permiten describir un valor como una función lineal de datos anteriores y errores

debido al azar, estos pueden ser abordados desde componentes cíclicos o estacionales

(Fuente, 2008). En otras palabras, son modelos no causales en los cuales se pretende

identificar un patrón en los datos, de tal manera que se pueda predecir con base en registros

históricos (Puerta & Correal, 2011). Para generar de manera adecuada estos modelos se

debe cumplir con la condición de estacionariedad (media y varianza constante de la serie,

sin tendencia) y la eliminación de la estacionalidad (supresión de la periodicidad con la que

se presentan ciertos datos en la serie) (Puerta & Correal, 2011), A continuación se presenta

de manera concisa los componentes de todo modelo ARIMA, según lo expuesto por Fuente

(2008).

4.3.1.1.1 MODELOS AUTO REGRESIVOS (AR)

𝐴𝑅(𝑝) ≡ 𝑋𝑡 = Ф1 𝑋𝑡−1 + Ф2 𝑋𝑡−2 + ⋯ + Ф𝑝 𝑋𝑡−𝑝 + 𝑎𝑡 Ecuación 1

El proceso autoregresivo consiste en una ecuación de regresión lineal en la cual su

resultado en el tiempo t depende incondicionalmente de sus resultados anteriores en “p”

órdenes o escenarios anteriores, siendo estos ponderados por su respectivo valor Ф. Se

destaca que este es siempre invertible.

30

4.3.1.1.2 MODELOS DE PROMEDIOS MÓVILES (MA)

𝑀𝐴 (𝑞) = 𝑋𝑡 = 𝑎𝑡 − 𝑣1 𝑎 𝑡−1 − 𝑣2 𝑎 𝑡− 2 − ⋯ − − 𝑣𝑞 𝑎 𝑡−𝑞

Ecuación 2

En este modelo el valor actual puede predecirse a partir de la componente aleatoria de este

momento y, en menor medida, de los impulsos aleatorios anteriores. Es decir, se posee un

proceso estocástico en el cual se exaltan la dependencia de ciertos datos con otros. Es un

proceso siempre estacionario.

4.3.1.1.3 MODELOS ARMA

𝑋𝑇 = Ф1 𝑋𝑡−1 + Ф2 𝑋𝑡−2 + ⋯ + Ф𝑃 𝑋𝑡−𝑝 + 𝑎𝑡− 𝑣1 𝑎 𝑡−1 −

𝑣2 𝑎 𝑡− 2 − ⋯ − 𝑣𝑞 𝑎 𝑞−1

Ecuación 3

Este componente surge de la combinación de los anteriores (AR (p) y MA (q)), puede ser

estacionario si lo es su componente autorregresivo (AR (p)), y es invertible si lo es su

componente de medias móviles (MA (q)).

4.3.1.1.4 ARIMA

(1 − Ф1𝐵 − Ф2𝐵2 − ⋯ − Ф𝑝𝐵 𝑝) (1 − 𝐵)𝑑 𝑋𝑡 = (1 − 𝑉 1𝐵 − 𝑉 2𝐵2 −

⋯ − 𝑉 𝑞𝐵2𝑞 )𝑎 t

Ecuación 4

Un modelo ARIMA (p, d, q) es una serie temporal que se convierte en ruido blanco

(proceso puramente aleatorio) después de ser diferenciada “d” veces. Cabeza & Torres

(2001) opinan que estos modelos presentan como ventajas la facilidad de comprensión

acerca de su estructura interna, el uso del razonamiento y lógica humana para establecer los

posibles modelos a estimar y la fácil identificación del modelo ARIMA a utilizar tras la

comprensión del funcionamiento sistemático del procedimiento; en cuanto a desventajas, la

inexistencia de un modelo definitivo, ya que en el proceso de prueba y error para escoger el

modelado se incurre en un gran número de verificaciones que hacen del proceso ineficiente,

y recomiendan se estudie el comportamiento de la serie con anterioridad, puesto que esto

generará pautas para determinar el rango de “p” y “q” de prueba.

31

Para el presente proyecto de investigación se consideran relevantes los siguientes estudios

por el uso de modelos ARIMA, para la predicción del comportamiento de los distintos

contaminantes atmosféricos:

Estudio exploratorio del comportamiento de los óxidos de nitrógeno y el ozono en

dos estaciones de calidad del aire en Bogotá e identificación de modelos ARIMA

para su comportamiento temporal (Barreto & Vega, 2010). El cual dentro de sus

conclusiones destaca que existen diferencias entre los resultados de las regresiones

y el modelo ARIMA, por lo cual este modelo subestima en la mayoría de casos los

valores observados.

Evolución de la contaminación del aire en la ciudad de San José, Costa Rica:

2004-2008 (Murillo et al., 2011). En este caso, se aplicó un modelo ARIMA de

orden (1,1,1) a los datos univariados de concentración de PM10; al aplicar el

modelo en Minitab, tomando en cuenta un factor de estacionalidad para comparar

el comportamiento de sus predicciones contra los datos observados, se concluye

que el modelo planteado se ajusta muy bien a los datos observados.

Asociación entre la contaminación atmosférica por dióxido de azufre y partículas

totales en suspensión y la mortalidad diaria en la ciudad de Madrid (1986-1992)

(Díaz et al., 1998). Para este estudio una de las conclusiones es que la

modelización ARIMA frente a modelos lineales generalizados, basados en una

distribución Poisson de la variable independiente, hace pensar en la existencia de

una relación causal entre la contaminación atmosférica y la mortalidad.

Análisis del efecto de la cobertura de la superficie terrestre sobre las

concentraciones de PM10 en una mega ciudad de gran altitud usando modelos

ARIMA realizado por Zafra et al. (2017) quienes determinaron que en Bogotá se

tiene mayor persistencia en la contaminación por PM10 en presencia de coberturas

vegetales (árboles y pastos) y menor en presencia de superficies impermeables

como techos, pavimentos y senderos. Sin embargo, en áreas con coberturas

vegetales registraron concentraciones más bajas de este contaminante,

aproximadamente 43% menos que en coberturas impermeables.

32

5. MATERIALES Y MÉTODOS

5.1 DESCRIPCIÓN GENERAL DEL ÁREA DE ESTUDIO

Bogotá posee un total de 307 km2 en su área urbana, para el 2015, el total del parque

automotor registrado en la ciudad fue de 2.148.541 vehículos, siendo el 93,91%

(2.017.779) particular, 5,3% (113.856) público y 0,79% (0,79%) oficial (Secretaria de

Movilidad, 2015), al día se realizan más de 15 millones de viajes de ida y vuelta, una

tercera parte de estos viajes se hacen a pie, una tercera parte por transporte público, y tan

sólo el 10% se hace en automóviles privados. El promedio de pasajeros diarios

transportados por Transmilenio es de alrededor de 2 millones, cerca de 717 millones en un

año (Alcaldía Mayor de Bogotá, 2017). Las fuentes industriales en la ciudad emiten

anualmente a la atmósfera 1,400 ton de PM; 2,600 ton de NOX; y 2,200 toneladas de SOx.

Estas cantidades representan uno de los principales aportes al problema de contaminación

del aire en la ciudad. En la ciudad hay más de 45,000 industrias manufactureras, sin

embargo, menos de 1,000 (pertenecientes al sector formal) se encuentran asociadas con

emisiones de contaminantes a la atmósfera. Como parte de estas empresas, la ciudad cuenta

con cerca de 2,000 chimeneas industriales (Secretaría Distrital de Ambiente, 2009).

Según el Observatorio Ambiental de la ciudad, para el año 2017, se atendieron 47.014

casos en salas de Enfermedad Respiratoria Aguda (ERA), la morbilidad de esta enfermedad

en niños menores de 5 años fue de 584.864 y la prevalencia de sibilancias en menores de 5

años posiblemente asociado a PM fue de 13,58. Para la ciudad se han adelantado varios

instrumentos en el control de polución, algunos de ellos relacionados con la normatividad

contenida en la tabla 2. Para el presente estudio se emplearán los datos generados por 10

estaciones pertenecientes a la Red de Monitoreo y Calidad del Aire de Bogotá, las cuales se

encuentran distribuidas a lo largo de la ciudad (ver Figura 1).

5.2 RED DE MONITOREO Y CALIDAD DEL AIRE DE BOGOTÁ

La Red de Monitoreo de Calidad del Aire de Bogotá es un sistema de monitoreo ambiental

continuo, con transmisión de datos vía telefónica y/o banda ancha y celular que inició su

funcionamiento en agosto de 1997 (Secretaría Distrital de Ambiente, 2011). A la fecha

cuenta con 12 estaciones de monitoreo de contaminantes atmosféricos y meteorología

33

(estaciones mixtas) distribuidas a lo largo de la ciudad, una estación móvil, una estación

central de datos y 2 estaciones exclusivas para monitoreo de variables meteorológicas. Esta

red monitorea partículas (PM10 y PM2.5), gases (CO, SO2, NOX, NO2, NO, O3, CH4,) y

variables meteorológicas (precipitación, velocidad y dirección del viento, temperatura,

humedad relativa, presión atmosférica, radiación UVB y global) Referirse a la tabla 4.

La red fue implementada con el objetivo de evaluar el cumplimiento de estándares de

calidad del aire en la ciudad. Para el 2007 considerando los datos generados por esta desde

1997, según Rojas (2007) el PM10 seguido por el O3 eran los contaminantes con mayor

índice de excedencia frente a la norma, este primero presentaba a la fecha una tendencia

clara de disminución, mientras que el segundo mostraba un aumento en su concentración

media anual, especialmente a partir del ingreso de la gasolina con etanol. Además, la zona

occidental de la ciudad, particularmente en las localidades de Puente Aranda, Kennedy y

Fontibón, presentaba las mayores concentraciones de contaminantes, especialmente de

material particulado. En la figura 1 y la tabla 3 se muestra la ubicación de las estaciones de

la red de monitoreo.

Tabla 3. Ubicación de las estaciones en la RMCAB

N Estación Latitud Longitud Localidad

1 Carvajal 4°35'44.22"N 74°8'54.90"W Kennedy 2 Centro de Alto rendimiento 4°39'30.48"N 74°5'2.28"W Barrios Unidos 3 Guaymaral 4°47'1.52"N 74°2'39.06"W Suba 4 Kennedy 4°37'30.18"N 74°9'40.80"W Kennedy 5 Las Ferias 4°41'26.52"N 74°4'56.94"W Engativá 6 Puente Aranda 4°37'54.36"N 74°7'2.94"W Puente Aranda 7 San Cristóbal 4°34'21.19"N 74°5'1.73"W San Cristóbal 8 Suba 4°45'40.49"N 74° 5'36.46"W Suba 9 Tunal 4°34'34.41"N 74°7'51.44"W Tunjuelito

10 Usaquén 4°42'37.26"N 74°1'49.50"W Usaquén Fuente: Secretaría de ambiente (2013).

34

Figura 1. Ubicación de las estaciones de la RMCAB (Autores con información de la Sec. Ambiente de Bogotá). Tabla 4. Parámetros de medición de las estaciones en la RMCAB.

N. Estación Altura (m.s.n.m.)

CONTAMINANTES MEDIDOS

VARIABLES METEOROLOGICAS

MEDIDAS

PM10

PST

PM2.

5

O3

NO

2

CO

SO2

V V

DV

T P R

S

H R

PA

1 Carvajal 2563 m X X X X X X X X X X

2 Centro de Alto rendimiento 2577 m X X X X X X X X X X X X

3 Guaymaral 2580 m X X X X X X X X X X

4 Kennedy 2580 m X X X X X X X X X X X X

5 Las Ferias 2552 m X X X X X X X X X X X X

6 Puente Aranda 2590 m X X X X X X X X X

7 San Cristóbal 2688 m X X X X X X X X X X

8 Suba 2571 m X X X X X X X X

9 Tunal 2589 m X X X X X X X X X X X X

10 Usaquén 2570 m X X X X X X X X Nota: Léase VV Velocidad del viento, DV Dirección del viento, T Temperatura, P Precipitación, RS Radiación solar, H R Humedad Relativa y PA Presión atmosférica. Fuente: Secretaría de ambiente (2013).

35

5.3 METODOLOGÍA DESARROLLADA En la figura 2 se muestra el diagrama de la metodología empleada para el desarrollo de la

presente investigación. La fase 1 - Tratamiento inicial de datos, incluyó la obtención de

datos de concentración de contaminantes criterio y variables meteorológicas para cada una

de las estaciones consideradas en la tabla 4. Las fases 2 - Análisis exploratorio y 3 -

Completación y selección de contaminantes criterio, contemplaron acciones para el

adecuado aprestamiento de los datos requeridos en la generación de modelos estadísticos de

la fase 6 - Identificación de modelos. La información que se obtuvo se contrastó con la

información obtenida en la revisión bibliográfica adelantada en la fase 4 - Análisis de

estudios de valoración económica y el estudio de normativa pública en materia de calidad

del aire de la fase 5 - Identificación de normativa pública. En la fase 7 Resultados y

conclusiones se presentaron y discutieron los resultados obtenidos en las etapas previas.

Partiendo de esto, y teniendo en cuenta los objetivos propuestos, se finalizó dando

conclusiones y recomendaciones.

Estas fases metodológicas responden a casos de investigación similares en materia

ambiental, en los cuales se emplearon diferentes series de tiempo para solucionar

problemáticas como la del presente estudio. A continuación, se detallan cada una de las

fases de la metodología desarrollada.

Figura 2. Diagrama de flujo de la metodología utilizada para el desarrollo del proyecto. Fuente: Los autores.

FASE 1. Tratamiento inicial de datos.

FASE 2. Análisis exploratorio.

FASE 3. Completación y selección de contaminan-tes a trabajar.

FASE 4. Análisis de estudios de valoración económica de contami-nación atmosférica.

FASE 5. Identificación de normatividad pública.

FASE 6. Desarrollo de modelos.

FASE 7. Presentación de resultados, dis-cusión y conclusiones.

36

5.3.1 FASE 1. TRATAMIENTO INICIAL DE DATOS

Desde el portal de la RMCAB se obtuvieron los reportes horarios de concentración de

contaminantes criterio (SO2, NO, NO2, NOX, PM2.5, PM10, O3 y CO) y de datos

meteorológicos (Temperatura, Precipitación, Dirección del viento y Velocidad del viento)

de cada una de las estaciones mencionadas en la tabla 3. El tratamiento inicial de la

información se asemejó al empleado por Tsai et al. (2018) en su estudio: (i) descarga de

datos; (ii) generación de scripts primarios y cambio de formato de datos: necesario para el

procesamiento de las series de tiempo en los paquetes informáticos a emplear; (iii) limpieza

y perfilamiento de las bases de datos: conteo de datos faltantes (en la tabla 5 se resaltan

aquellas series que poseen menos del 75% de datos en el periodo de estudio), y (iv)

identificación de valores atípicos, mínimos y máximos (esto se realizó en la fase 3). A

continuación, se muestra la cantidad de datos faltantes. Tabla 5. Cantidad de datos faltantes por monitor en cada una de las estaciones de la RMCAB.

Nota: Los datos resaltados responden a las series con más del 25% de datos faltantes en el periodo de estudio. Fuente: Los autores.

5.3.2. FASE 2. ANÁLISIS EXPLORATORÍO

Con las series de tiempo construidas, se procedió a determinar la calidad de los datos para

la posterior construcción de los modelos. Este análisis consideró la cantidad y confiabilidad

de datos y en él se generó un resumen de estadísticas para todas las variables contempladas,

permitiendo así una evaluación primaria de los parámetros estudiados. Se utilizó como

MONITOR Carvajal Centro Alto Rendimiento Guaymaral Kennedy Las

Ferias Puente Aranda

San Cristobal Suba Tunal Usaquén

Temperatura 4.699 5.940 13.741 14.935 8.458 1.134 32.886 14.703 20.783 88.725 Precipitación 6.628 3.862 4.564 16.011 6.212 3.433 39.235 6.719 4.945 8.716 Dir. Viento 5.165 5.386 6.076 9.345 6.885 5.469 34.051 8.064 4.679 9.194 Vel. Viento 5.761 5.265 9.849 7.287 6.122 2.557 39.419 8.293 7.233 22.486

SO2 28.852 16.471 96.360 36.046 45.043 6.656 96.360 29.320 39.844 96.360 NO 45.196 19.986 38.988 43.419 31.335 23.386 96.360 96.360 28.643 96.360 NO2 47.454 19.435 39.124 43.845 34.928 23.480 96.360 96.360 96.360 96.360 NOX 45.339 19.420 38.875 43.399 30.595 23.367 96.360 96.360 28.652 96.360 PM2.5 63.897 32.637 62.107 14.063 39.902 86.687 68.009 66.344 35.310 30.997 PM10 6.653 12.569 10.596 8.693 8.704 4.742 40.735 15.349 10.389 20.499

O3 15.630 96.360 21.499 69.356 26.614 25.155 43.441 27.129 96.360 32.894 CO 17.010 16.320 96.360 32.063 14.338 16.505 63.805 96.360 96.360 58.683

37

referente metodológico el trabajo realizado por Kadiyala & Kumar (2017). En la tabla 6 se

muestra el porcentaje de datos disponibles de cada variable por cada estación. Se resaltan

aquellos que no superaron el 75% (considerando 96.432 datos como el 100%), lo cual

supone un reajuste del periodo de estudio para estas variables en el desarrollo de los

modelos estadísticos.

Tabla 6. Porcentaje de datos disponibles por monitor en cada estación de la RMCAB.



San Cristóbal Suba Tunal Usaquén

Temperatura 95,1 93,8 85,7 84,5 91,2 98,8 65,9 84,7 78,4 7,9 Precipitación 93,1 96,0 95,3 83,4 93,6 96,4 59,3 93,0 94,9 91,0 Dir. Viento 94,6 94,4 93,7 90,3 92,9 94,3 64,7 91,6 95,1 90,5 Vel. Viento 94,0 94,5 89,8 92,4 93,7 97,4 59,1 91,4 92,5 76,7

SO2 70,1 82,9 0,0 62,6 53,3 93,1 0,0 69,6 58,7 0,0 NO 53,1 79,3 59,5 54,9 67,5 75,7 0,0 0,0 70,3 0,0 NO2 50,8 79,8 59,4 54,5 63,8 75,6 0,0 0,0 0,0 0,0 NOX 53,0 79,9 59,7 55,0 68,3 75,8 0,0 0,0 70,3 0,0 PM2.5 33,7 66,1 35,6 85,4 58,6 10,0 29,4 31,2 63,4 67,8 PM10 93,1 87,0 89,0 91,0 91,0 95,1 57,7 84,1 89,2 78,7

O3 83,8 0,0 77,7 28,0 72,4 73,9 54,9 71,9 0,0 65,9 CO 82,4 83,1 0,0 66,7 85,1 82,9 33,8 0,0 0,0 39,1

Nota. Los datos resaltados corresponden a porcentajes menores al 75%. Fuente: Los autores. Las tablas 7 y 8 muestran un fragmento de los promedios anuales y variación estándar para

cada una de las variables por cada estación objeto de estudio. En el anexo 1 se encuentran

las estadísticas para el total del periodo de la investigación.

Tabla 7. Fragmento del promedio anual de las variables por estación.

AÑ

O




…

2015

Temperatura 15,7 15,1 13,8 15,2 14,3 14,3 13,3 14,5 13,4 Precipitación 444,6 601,4 526,2 448,9 573,3 389,5 567,7 443,0 503,9 455,9 Dir. Viento 166,0 98,0 71,0 149,0 86,0 172,0 97,0 44,0 182,0 154,0 Vel. Viento 2,5 1,4 1,0 2,7 1,9 2,3 1,1 1,8 1,1 1,6

SO2 4,2 1,2 1,2 1,1 3,2 1,1 NO 66,6 21,4 22,6 28,6 15,0 22,4 15,5 NO2 27,9 17,2 12,9 13,5 21,9 17,1 NOX 94,4 38,6 35,5 42,1 37,3 39,6 30,7 PM2.5 30,7 17,2 13,8 27,0 16,9 8,8 21,5 21,2 12,8 PM10 86,3 28,2 30,8 66,2 34,7 52,1 25,5 47,4 42,6 29,7

O3 7,7 11,3 11,2 16,6 8,7 15,3 10,8 23,7 CO 1,1 0,6 0,6 0,5 0,7 0,4 0,3

20 16

Temperatura 16,0 15,3 14,1 15,2 14,6 14,9 13,6 792,2 13,7

38

AÑ

O




Precipitación 0,1 780,0 942,1 729,7 894,1 818,3 773,1 14,9 734,8 879,3 Dir. Viento 198,3 358,0 59,0 178,0 67,0 234,0 90,0 1,3 201,0 122,0 Vel. Viento 2,1 1,1 0,8 2,3 1,6 2,0 1,6 29,0 1,1 1,6

SO2 5,4 1,5 1,7 1,6 1,9 NO 51,3 21,2 23,8 29,7 15,2 23,8 22,9 NO2 28,9 17,2 11,7 10,8 25,2 17,2 NOX 79,5 38,5 35,9 40,6 31,7 41,1 39,0 PM2.5 29,7 19,9 16,0 30,1 18,5 23,3 10,4 21,8 50,2 17,2 PM10 76,1 35,2 32,0 58,4 40,2 52,1 26,9 51,3 23,2 42,1

O3 9,5 12,6 7,9 11,7 7,6 9,6 14,5 19,2 CO 1,0 0,7 0,8 0,6 0,8 0,6

…

Nota: Las casillas en blanco significan que la estación no mide la variable. Fuente: Los autores. Tabla 8. Fragmento de la variación anual de las variables por estación

AÑ

O




…

2015


SO2 4,6 1,2 1,1 1,2 4,7 1,4 NO 40,1 35,2 35,1 23,6 19,1 29,8 24,3 NO2 8,0 11,3 6,7 5,7 11,1 9,8 NOX 43,7 42,1 38,0 27,2 27,4 36,3 30,5 PM2.5 13,8 13,4 15,1 12,4 7,0 12,7 14,4 9,7 PM10 41,5 23,0 19,3 32,9 22,8 32,3 23,8 25,3 27,5 17,5

O3 7,1 9,6 9,6 9,3 7,8 8,8 8,8 12,4 CO 0,6 0,5 0,4 0,4 0,5 0,3 0,2

2016


SO2 4,7 1,3 1,7 1,4 3,0 NO 48,1 31,3 36,8 32,9 24,0 30,4 36,9 NO2 10,2 10,6 6,9 6,7 13,6 10,1 NOX 54,0 37,1 40,3 37,6 34,7 36,6 46,8 PM2.5 15,6 12,7 17,4 14,9 13,3 9,6 14,8 37,4 14,3 PM10 37,5 26,6 20,5 30,0 26,9 32,7 25,8 28,8 18,6 24,8

O3 10,4 12,0 10,1 12,0 8,4 9,2 13,9 12,7 CO 0,7 0,5 0,6 0,4 0,5 0,3

…

Nota: Las casillas en blanco significan que la estación no mide la variable. Fuente: Los autores.

39

5.3.3 FASE 3. COMPLETACIÓN Y SELECCIÓN DE CONTAMINANTES CRITERIO

Inicialmente, se eliminaron los registros negativos de las concentraciones de contaminantes,

precipitación, dirección y velocidad del viento, debido a que estos no podrían ser datos

reales dada la naturaleza de las variables. Acto seguido, se ajustaron los periodos de estudio

de cada variable en las estaciones, buscando tener al menos el 75% de datos. En la tabla 9

se ejemplifica este ajuste, para el caso del NO en la estación Guaymaral.

Tabla 9. Ajuste periodo de estudio del contaminante NO en la estación Guaymaral.

Año Datos

anuales obtenidos

Datos anuales

esperados % por año Acumulado

obtenidos Acumulado esperados

% acumulado

2007 0,0 8.760 0,0 0,0 8.760 0,0 2008 4.693 8.784 53,4 4.693 17.544 26,7 2009 6.423 8.760 73,3 11.116 26.304 42,3 2010 5.946 8.760 67,9 17.062 35.064 48,7 2011 5.739 8.760 65,5 22.801 43.824 52,0 2012 4.423 8.784 50,4 27.224 52.608 51,7 2013 3.236 8.760 36,9 30.460 61.368 49,6 2014 8.484 8.760 96,8 38.944 70.128 55,5 2015 8.123 8.760 92,7 47.067 78.888 59,7 2016 6.317 8.784 71,9 53.384 87.672 60,9 2017 3.988 8.760 45,5 57.372 96.432 59,5

∑(2014 - 2017) 76,8 Nota. Los años bisiestos (2008, 2012 y 2016), en comparación con el resto de años poseen 24 datos más por el día adicional que poseen. Fuente: Los autores.

El porcentaje acumulado adecuado de datos disponibles (>75%) para la variable en

cuestión se consiguió desde el año 2014 al 2017. De esta manera, se ajustaron el resto de

periodos de estudio por variable en cada estación como se observa en la tabla 10.

Tabla 10. Ajuste de periodos de estudio para cada una de las por estación.

MONITOR Carvajal - Sevillana

Centro de Alto

Rendi-miento

Guaymaral Kennedy Las Ferias Puente

Aranda San

Cristobal Suba Tunal Usaquén

Temp. T T T T T T 01/01/2010 31/12/2017 T T 01/01/2008

31/12/2008 Precip. T T T T T T 01/01/2010

31/12/2017 T T T

Dir Viento T T T T T T 01/01/2010

31/12/2017 T T T

Vel Viento T T T T T T 01/01/2010

31/12/2017 T T T

SO2 01/01/2007 31/12/2013 T N 01/01/2007

1/10/2011 01/01/2010 31/12/2015 T N 01/01/2008

31/12/2017 01/01/2007 31/12/2013 N

NO 26/05/2008 31/12/2013 T 01/01/2014

31/12/2017 01/01/2010 31/12/2015

01/01/2007 31/12/2012 T N N 01/01/2008

31/12/2017 N

40

MONITOR Carvajal - Sevillana

Centro de Alto

Rendi-miento

Guaymaral Kennedy Las Ferias Puente

Aranda San

Cristobal Suba Tunal Usaquén

NO2 01/01/2008 22/06/2011 T 01/01/2014

31/12/2017 01/01/2010 31/12/2015

01/01/2007 31/12/2012 T N N N N

NOX 01/01/2009 31/12/2010 T 01/01/2014

31/12/2017 01/01/2010 31/12/2015

01/01/2007 31/12/2012 T N N 01/01/2008

31/12/2017 T

PM2.5 25/09/2013 31/12/2017

11/09/2008 31/12/2017

01/01/2015 31/12/2017 T 01/01/2009

31/12/2017 12/10/2016 31/12/2017

01/01/2014 31/12/2017

01/01/2014 31/12/2017

01/01/2009 31/12/2017

01/01/2008 31/12/2017

PM10 T T T T T T 01/01/2011 31/12/2017 T T T

O3 T N T 22/12/2014 31/12/2017

01/01/2008 31/12/2017

01/01/2008 31/12/2017

01/01/2011 31/12/2017

01/01/2008 31/12/2017 T 01/01/2011

31/12/2017

CO T T N 01/01/2009 31/12/2017 T T 01/01/2010

31/12/2011 T T 27/08/2010 31/12/2011

Nota: Léase, T: 01/01/2007 al 31/12/217, N: No se mide. Fuente: Los Autores. Contando con esto, se procedió a completar las series de datos mediante el método de la

razón normal en los nuevos periodos de interés. Se emplearon los registros de las tres

estaciones más cercanas a la estación a completar, siguiendo la metodología del IDEAM

(1990) dispuesta en su guía de técnicas estadísticas en el manejo de datos hidrológicos y

meteorológicos. Esto se adelantó según las ubicaciones de la figura 1 y la tabla 3. Para el

caso de Guaymaral las estaciones de apoyo fueron Centro de Alto Rendimiento, Suba y Las

Ferias.

Debido a que el método mencionado exige que se complete tan solo con información de las

estaciones más cercanas, algunas variables no fueron posibles completarlas debido a que no

todas midieron lo mismo. Para Guaymaral tan solo fue posible con PM2.5, PM10,

precipitación, dirección y velocidad del viento. Por esta razón, el proceso se continuó

determinando los índices de correlación de Pearson y Spearman, entre las propias variables

de cada estación, con lo cual se identificaron relaciones entre estas para la generación de

modelos de regresión. A continuación, en las tablas 11 y 12 se presentan dichos índices

para la estación Guaymaral y en la tabla 13 sus modelos de regresión.

41

Tabla 11. Coeficiente de correlación de Pearson para las variables de la estación Guaymaral.

Tempera-tura (C)

Precipita-ción (mm)

Dir. Viento

(grados)

Vel. Viento (m/s)

NO (ppb)

NO2 (ppb)

NOX (ppb

)

PM2.5 (ug/m3)

PM10 (ug/m3)

OZONO (ppb)

Temperatura (C) 1 -0,02 0,075 0,662 -0,519 -0,385 -0,5 0,093 -0,172 0,719 Precipitación (mm) -0,02 1 0,035 0,009 -0,043 0,074 -0 0,028 0,004 0,049 Dir. Viento (grados) 0,075 0,035 1 -0,006 -0,112 -0,01 -0,1 0,186 0,054 0,171 Vel Viento (m/s) 0,662 0,009 -0,006 1 -0,411 -0,440 -0,5 0,207 -0,179 0,611 NO (ppb) -0,519 -0,043 -0,112 -0,411 1 0,332 1 -0,016 0,472 -0,481 NO2 (ppb) -0,385 0,074 -0,010 -0,44 0,332 1 0,5 -0,034 0,402 -0,406 NOX (ppb) -0,547 -0,026 -0,107 -0,456 0,982 0,489 1 -0,023 0,505 -0,515 PM2.5 (ug/m3) 0,093 0,028 0,186 0,207 -0,016 -0,034 -0 1 0,169 0,149 PM10 (ug/m3) -0,172 0,004 0,054 -0,179 0,472 0,402 0,5 0,169 1 -0,095 O3 (ppb) 0,719 0,049 0,171 0,611 -0,481 -0,406 -0,5 0,149 -0,095 1

Nota. Se resaltan con negrilla los índices entre|0,5| y |0,75| y se colorean aquellos mayores a |0,75|. Fuente: Los autores. Tabla 12. Coeficiente de correlación de Spearman para las variables de la estación Guaymaral.

Tempera-tura (C)

Precipita-ción (mm)

Dir. Viento (grados)

Vel. Viento (m/s)

NO (ppb)

NO2 (ppb)

NOX (ppb)

PM2.5 (ug/m3)

PM10 (ug/m3)

OZONO (ppb)

Temperatura (C) 1 -0,068 0,174 0,714 -0,568 -0,5 -0,632 -0,129 -0,185 0,779 Precipitación

(mm) -0,068 1 0,043 -0,053 -0,032 0,07 0,0016 0,026 -0,061 -0,023 Dir. Viento

(grados) 0,174 0,043 1 0,085 -0,229 -0,1 -0,2 0,077 0,019 0,213

Vel Viento (m/s) 0,714 -0,053 0,085 1 -0,526 -0,5 -0,611 -0,044 -0,232 0,721 NO (ppb) -0,568 -0,032 -0,229 -0,526 1 0,52 0,942 0,254 0,418 -0,768 NO2 (ppb) -0,452 0,065 -0,082 -0,508 0,518 1 0,723 0,249 0,434 -0,502 NOX (ppb) -0,632 0,00169613 -0,2 -0,611 0,942 0,72 1 0,292 0,494 x

PM2.5 (ug/m3) -0,129 0,026 0,077 -0,044 0,254 0,25 0,292 1 0,559 -0,158 PM10 (ug/m3) -0,185 -0,061 0,019 -0,232 0,418 0,43 0,494 0,559 1 -0,224

O3 (ppb) 0,779 -0,023 0,213 0,721 -0,768 -0,5 -0,773 -0,158 -0,224 1 Nota. Se resaltan con negrilla los índices entre|0,5| y |0,75| y se colorean aquellos mayores a |0,75|. Fuente: Los autores.

Tabla 13. Modelos de regresión para variables de la estación Guaymaral. Variable Correlaciones Modelos de regresión

NO NO2 P:0,332 S: 0,518 NOX P:0,982 S: 0,942 O3 S:-0,768

NO = 0,907(NOX)-8,721 R2= 0,9763

NO2

NO S: 0,518 NOX S: 0,723 O3 S: -0,502

NO2= y ; NOX=x y = 0,0885x + 8,6774 R2 = 0,2391 y = -0,0008x2 + 0,2181x + 6,0372 R2 = 0,3469 y=6E-06x3 - 0,0029x2 + 0,4x + 3,6 R2 = 0,4124

NOX

NO P: 0,982 NO2 S: 0,723 PM10 P: 0,505 O3 P:-0,515 S: -0,773

NOx= 1,062(NO)+10,642 R2= 0,9763

O3

Temp P:0,719 S: 0,779 NO S: -0,768 NO2 S: -0,50 NOX P:-0,515 S: -0,773

NO2= y ; NOX=x y = 28,0671n(x) - 61,085 R2 = 0,4658 y = 28,0671n(x) - 61,085 R2 = 0,4658 y = 0,0866x2 - 0,1981x - 3,0826 R2 = 0,5305

Fuente: Los autores.

42

Como se observa en la tabla 13, tan solo a los contaminantes NO y NOX se les pudo aplicar

este método; sin embargo, esto no permitió completar una gran cantidad de datos debido a

que ambas variables coincidían en registros faltantes, por lo cual no se tenía variable

independiente para calcular la dependiente. Se analizaron otras relaciones como la de PM2.5

y PM10, la cual según la literatura tiende a ser directa, sin embargo, para esta estación no se

comportó de tal manera como se observa en la figura 3.

Figura 3. Dispersión de datos PM10 y PM2.5 para la estación Guaymaral. Fuente: los autores.

Finalmente, se completaron los datos restantes, empleando el algoritmo de Esperanza-

Máxima (EM) en IBM SPSS V 25. Este algoritmo imputa los datos perdidos por valores

estimados, los cuales son reestimados sucesivamente procediendo iterativamente hasta la

convergencia (Alcaráz, 2006), momento en el que se obtienen los estimadores máximos

verosímiles, siendo estos los datos faltantes. Se verificó también que los datos completados

en este punto no superaran los valores máximos ni mínimos propios de cada variable

(figura 4). De esta manera, se obtuvieron porcentajes de datos disponibles mucho más altos

para el desarrollo de los modelos (última columna de la tabla 14).

y = 0,5543x + 22,881 R² = 0,0287

0

50

100

150

200

250

300

350

0 50 100 150 200 250 300 350 400

PM

2.5

(µ

g/m

3 )

PM2.5 (µg/m3)

43

Figura 4. Verificación gráfica de valores completados con el algoritmo EM para la estación Guaymaral. En el eje de las ordenadas se encuentra la concentración de contaminantes en las unidades indicadas en su respectivo rótulo y en las abscisas el orden temporal de las observaciones. Los rombos representan los datos obtenidos de la RMCAB, mientras que los cuadrados los valores imputado con el algoritmo EM. Fuente: Los autores. Si bien tan solo se presenta el procedimiento para completar los datos de la estación Guaymaral, resumido en la tabla 14, este procedimiento fue el mismo empleado en el resto de estaciones.

NO (ppb)

EM NO (ppb)

NO2 (ppb)

EM NO2 (ppb)

NOX (ppb)

EM NOX (ppb)

PM10 (µg/m3)

EM PM10 (µg/m3)

44

Tabla 14. Proceso de completación de la estación Guaymaral.

Variable Periodo de estudio

Total datos

Datos iniciales

Datos a completar

Completación método de razón

Correlación con variable

Completación algoritmo EM

Cant. % Cant. % C SC % DT C SC % DT C SC % DT

Temperatura (C)

29/02/2008 31/12/2017 86233 82619 95,8 3614 4,2 2456 1158 98,6 1158 0 100,0

Precipitación (mm)

01/01/2007 31/12/2017 96432 91796 95,1 4636 4,8 4636 0 100

Dir Viento (grados)

01/01/2007 31/12/2017

96432 90284 93,6 6148 6,4 6148 0 100

Vel Viento (m/s)

01/01/2007 31/12/2017

96432 86511 89,7 9921 10,3 9921 0 100

NO (ppb) 01/01/2014 31/12/2017 35064 26912 76,7 8152 23,2 49 8103 76,9 6383 1720 95,1

NO2 (ppb) 01/01/2014 31/12/2017 35064 26860 76,6 8204 23,4 8121 83 99,7

NOX (ppb)

01/01/2014 31/12/2017 35064 27073 77,2 7991 22,8 10 7981 77,2 7320 671 98,1

PM2.5 (ug/m3)

15/10/2014 16:00 - 31/12/2017

28161 25554 90,7 2607 9,3 1637 970 96,6 950 20 99,9

PM10 (ug/m3)

01/01/2007 31/12/2017 96432 85764 88,9 1066

8 11,1 5695 4973 94,8 4972 1 100,0

O3 (ppb) 03/06/2008 31/12/2017 93057 83954 90,2 9103 9,8 8426 677 99,3

Rad Solar (w/m2)

01/01/2014 31/12/2017 92552 83449 90,1 9103 9,8 6586 2517 97,3

Nota: léase C: Completados, SC: Sin Completas, %DT: porcentaje datos totales. Fuente: Los autores

5.3.4 FASE 4. ANÁLISIS DE ESTUDIOS DE VALORACIÓN ECONÓMICA

Para esta fase, se realizó una revisión bibliográfica en fuentes primarias de estudios de

valoración económica relacionados con contaminación atmosférica a nivel Bogotá los

cuales fueron comparados con estudios adelantados en ciudades de Iberoamérica,

permitiendo ahondar en componentes teóricos para el estudio de la efectividad de las

diferentes normativas distritales de calidad del aire. Para la identificación de los estudios se

empleó la metodología de búsqueda bibliográfica propuesta por Ome & Zafra (2018), la

cual establece un orden de importancia a través de un índice de citación para los factores

clave de estudio, identificados a partir de su frecuencia de citación en documentos

científicos, lo que permiten inferir la relevancia de determinados conceptos o variables para

cierto tema de interés. Esta metodología se compone de las siguientes fases:

45

I. Definición de palabras clave base: Se determinan una serie de palabras base

relacionadas con el tema las cuales se ingresan a diferentes motores de búsqueda (para

el presente estudio (i) ScienceDirect, (ii) Scopus y (iii) Google Scholar), identificando

la cantidad de publicaciones en un mismo periodo de tiempo para cada motor, siendo

este dato la base del índice de citación.

II. Uso de descriptores temáticos: Sobre los resultados de la primera fase se realiza la

búsqueda de diferentes palabras clave que permitan dar cuenta de la relevancia de otros

términos en diferentes sub categorías del tema de estudio. Para la identificación de las

palabras de esta etapa se emplea la herramienta Keywords de Scopus, y estas mismas

se usan en los demás motores.

III. Generación de índices de citación: Se relacionan la cantidad de citaciones de la

segunda fase con las de la primera, para determinar índices de citación de la siguiente

manera:

𝑄 =𝐶𝐵𝑆

𝐶𝐵

Ecuación 5

Donde Q: Índice de citación, CB: Número publicaciones con presencia de palabras

clave base, CBS: cantidad de publicaciones con una palabra clave específica dentro del

grupo CB. Cada índice se clasifica en un cuartil de citación, a saber, Q1 < 0,25, 0,25 <

Q2 < 0,5, 0,5 < Q3 < 0,75 y Q4 > 0,75, para la identificación rápida de la relevancia de

la palabra clave en el campo de estudio.

Tras aplicar este proceso para el presente estudio, se obtuvieron 16 publicaciones que

permitieron la comparación de enfoques empleados para el adelanto de estudios de

valoración económica relacionados con calidad del aire entre Bogotá y ciudades

iberoamericanas de referencia.

5.3.5 FASE 5. IDENTIFICACIÓN DE NORMATIVIDAD PÚBLICA

Haciendo uso del compilado informático de normatividad, doctrina y jurisprudencia de la

Secretaría Jurídica Distrital de Bogotá, se repasó el régimen legal histórico de la ciudad,

identificando las normativas públicas distritales y nacionales en materia de movilidad y

46

calidad del aire implementadas durante el período comprendido entre el año 2007 y el

2017. Se tuvieron también en cuenta aspectos tales como las fechas de expedición,

reglamentación, derogación o ajuste de cada una y se clasificaron según el tipo de metas

que poseían (cuantitativas o cualitativas) y el tipo de enfoque que poseían.

Buscando un punto de comparación de la normatividad aplicable a nivel distrital con

adelantos internacionales relacionados, se empleó la metodología de búsqueda bibliográfica

desarrollado por Ome & Zafra (2018) anteriormente explicada. A partir de esta para el

presente proyecto se seleccionaron catorce publicaciones (ver capítulo de resultados y

discusión) con información clara de medidas implementadas en otras ciudades o países, las

cuales permitieron tener una aproximación de la efectividad de diferentes mecanismos de

gestión de la calidad de aire en contextos internacionales.

5.3.6 FASE 6. DESARROLLO DE MODELOS ARIMA

Partiendo de las bases de datos debidamente tratadas, completadas, y obtenidas en las fases

anteriores, se continuó con el desarrollo de los modelos estadísticos ARIMA tal como se

detalló en el apartado 4.3.1 (modelos de series de tiempo). El desarrollo respondió a lo

expuesto por González (2007), siguiendo las siguientes subfases:

I. Identificación: Utilizando los datos y/o cualquier tipo de información disponible

sobre cómo ha sido generada la serie, se sugiere una subclase de modelos ARIMA (p,

d, q) que merezca la pena ser investigada. El objetivo es determinar los órdenes p, d,

q que parecen apropiados para reproducir las características de la serie bajo estudio y

si se incluye o no la constante δ. Es posible identificar más de un modelo candidato.

Para esto, se recurrió al modelizador experto de IBM SPSS V.25 para la

identificación de los modelos más adecuados, en los casos que el software arrojaba

varias posibilidades se optaba por aquel con menor BIC (Criterio de Información

Bayesiana) normalizado; el cual es un criterio calculado para los diferentes modelos

como una función de la bondad de ajuste del log Lik, el número de parámetros

ajustados (K) y el número total de datos (N). El modelo con menor BIC es

considerado el mejor en explicar los datos con el mínimo número de parámetros

(Posada & Noguera, 2007).

47

II. Estimación: Usando los datos se infieren los parámetros condicionados a que el

modelo investigado sea apropiado. Dado un determinado proceso propuesto, se trata

de cuantificar los parámetros del mismo: θ1, . . . θq, φ1, . . .φp , σ2 y, en llegado el

caso, δ.

III. Validación: La idoneidad del modelado fue evaluada empleando la estadística

LjungBox generada por IBM SPSS V 25, la cual refleja la aleatoriedad de los errores

residuales en el modelo. Cuanto más aleatorios sean los errores, más posibilidades

hay de que sea un buen modelo. Este se estudia desde su nivel de significancia, el

cual con un valor menor a 0,05 indica que los errores residuales no son aleatorios, lo

que alerta sobre la existencia una estructura en la serie observada que el modelo no

explica (IBM SPSS, n.d.)

IV. Predicción: una vez obtenidos los pronósticos en términos probabilísticos de los

valores futuros de la variable. Se evalúa la capacidad predictiva del modelo a través

de las siguientes medidas de bondad arrojadas por el programa (IBM SPSS, n.d.):

Grados de libertad: muestra el número de parámetros del modelo que pueden

variar libremente cuando estiman un objetivo concreto.

R cuadrado estacionaria: proporciona una estimación de la proporción de la

variación total de la serie que se explica con el modelo. Cuanto mayor sea el valor

(hasta un máximo de 1,0), mejor se ajustará el modelo.

RMSE: es la raíz del error cuadrático promedio, una medida que indica cuánto

difieren los valores reales de una serie de los valores predichos por el modelo, y se

expresa en las mismas unidades que las utilizadas para las series.

MAXAPE: El error absoluto porcentual mide lo que varía una serie objetivo

respecto al nivel predicho por el modelo, expresado como un valor de porcentaje.

Al examinar la media y el máximo en todos los modelos, puede obtener una

indicación de la incertidumbre de las predicciones.

MAPE: muestra la media de incertidumbre de los modelos.

MAE: el error absoluto medio muestra la media de los valores absolutos de los

errores de previsión. Al igual que el valor RMSE, se expresa en las mismas

unidades que las empleadas para las series.

48

MAXAE: muestra el mayor error previsto en las mismas unidades e indica el peor

de los casos para las previsiones.

Para la generación de estos modelos ARIMA fue necesario aplicar el método de las medias

móviles en algunas variables. Este modelo se empleó para sustituir la serie original por una

serie suavizada que se toma como línea de tendencia, ya que suprime las variaciones

estacionales y accidentales que puedan generar ruido para encontrar un modelo adecuado

(Fuente, 2007). Esto se realiza sustituyendo cada registro de la serie por la media móvil, la

cual se calcula con los datos exactamente anteriores a la observación en un periodo de

tiempo determinado.

Para esta investigación se establecieron medias móviles de 24 horas para las series de datos,

buscando IBM SPSS V 25 con su herramienta Modelizador Experto convergiera en

modelos adecuados. En varios casos esto no fue suficiente, debido a que el modelo no

llegaba a la convergencia por lo que se procedió a reducirlo el nivel de detalle aún más,

aumentando la media móvil para las series de tiempo problemáticas en semanas, quincenas,

meses, semestres o años, según se requiriera hasta obtener modelos que cumplieran con las

medidas estadísticas de bondad de ajuste y el estadístico Ljung-Box ya mencionados.

Los modelos hallados por variable se consignaron en tablas de frecuencia que los

relacionaban con la media móvil empleada para su cálculo. Con esto se procedió al análisis

de los elementos p, d y q de los modelos calculados con la misma media móvil, empleando

gráficos de dispersión que permitían la comparación de cada elemento en cada uno de los

parámetros estudiados (temperatura, precipitación, dirección del viento, velocidad del

viento, SO2, NO, NO2, NOX, PM2.5, PM10, O3, CO) para cada estación (ver de la figura 8 a

la 12).

5.3.7 FASE 7. PRESENTACIÓN DE RESULTADOS Y CONCLUSIONES

En esta fase se comparó el comportamiento temporal de cada uno de los contaminantes

criterio y variables meteorológicas estudiadas por los modelos ARIMA, respecto a la

aplicación de diferentes actos administrativos en la ciudad de Bogotá pensados para el

manejo de la movilidad o encaminados al manejo y reducción de la contaminación

atmosférica, previamente estudiados y seleccionados para este proyecto; estos resultados

49

también se contrastaron con la información secundaria obtenida durante el análisis de

estudios de valoración económica realizado en la fase 4 y posteriormente se concluyó. Todo

esto orientado a la generación de recomendaciones específicas para el distrito, que permitan

el adelanto de nuevos instrumentos de gestión que respondan a las dinámicas de los

contaminantes en la ciudad, siendo este trabajo un aporte para el análisis de datos atípicos

obtenidos por modelos ARIMA y la evaluación de la normatividad pública en materia de

calidad del aire a partir de estos.

50

6. RESULTADOS Y DISCUSIÓN

6.1 NORMATIVIDAD PÚBLICA EN CALIDAD DEL AIRE

6.1.1 IDENTIFICACIÓN DE NORMATIVIDAD

En la tabla 15 se resume la identificación de herramientas e instrumentos normativos que,

por su objeto, planes y/o programas, influyeron en el manejo de la calidad del aire de la

capital durante el periodo de estudio. Para esta se entendió derogación o ajuste, como la

modificación de la medida en cuanto a su entrada en vigencia o fijación de estándares

diferentes a los inicialmente contemplados. Se excluyeron actos administrativos que versan

sobre la presentación de estudios, planes o demás elementos conceptuales que no afectaron

la concentración de contaminantes en la atmósfera. Si bien se reportaron 34 normas, se

requirió de la revisión de 49 de ellas para definir de manera clara los alcances y objetivos

de cada una, aquellas que no se listaron de manera expresa se nombran en la columna

denominada “derogaciones o ajustes”.

Las normas reportadas fueron agrupadas en siete categorías según sus objetivos, a saber,

cambios en combustibles (Co), fijación o cambio de límites máximos permisibles de

emisión (L), acciones de reducción sobre emisiones de varias fuentes denominadas como

medidas conjuntas (C), mejora o cambio en el seguimiento de fuentes de emisión (S),

promoción de mejoras tecnológicas (MT), ordenación del territorio a partir de niveles de

contaminación atmosférica (O) y fijación o cambio de niveles máximos de inmisión (I). De

las 34 normas consideradas, 22 (64,7%) poseen metas cuantitativas y 29 (85%) están

dirigidas a la gestión de la contaminación atmosférica en la ciudad a partir del manejo de

fuentes móviles. En la figura 5 se observa que la mayor cantidad de medidas

implementadas en el distrito con relación al manejo de la contaminación atmosférica se

enfocan en tener mejores combustibles y la fijación de límites máximos permisibles.

Figura 5. Normas distritales de calidad del aire durante el periodo 2007-2017 relacionadas con diferentes temáticas. Fuente: Los Autores.

12 7 6 5

2 2 1 05

1015

Combustibles Límitesmáximos

permisible

Conjunta Seguimiento Mejoratecnológica

Ordenamiento Nivelesmáxmos de

inmisión

Co L C S MT O I

Cantidad de normas distritales

relacionadas

Tabla 15. Normativa pública aplicable a nivel distrital con impacto en la calidad del aire.

MC OA Tipo de medida

POLÍTICA OBJETO FECHAS

S N FM FF L Co O C S I MT EXPEDICIÓN REGLAMENTACIÓN DEROGACIÓN O AJUSTE

1 X X X X R.

1180/2006 Calidad de combustibles a partir de los contenidos permisibles de azufre. 21/06/2006 21/06/2006

2 X X X X DD.

174/2006

Clasificación de áreas-fuente de contaminación ambiental Clase I, II y III de Bogotá, D.C., y se dictan otras disposiciones

30/05/2006 30/05/2006 26/12/2011 (D. 623/2011)

3 X X X DD.

417/2006

Reducir la contaminación y mejorar la calidad del aire en el Distrito Capital: Arborizado, planeación ambiental, seguimiento y control de actividades específicas como minería.

05/10/2006 05/10/2006 26/12/2011 (D. 623/2011)

4 X X X D.

2629/2007

Promover el uso de biocombustibles en el país; medidas aplicables a los vehículos y demás artefactos a motor que utilicen combustibles para su funcionamiento. Plazo para adaptación de motores.

10/07/2007 01/01/2012 31/03/2009 (D. 1135/2009)

5 X X X

R. 180158/200

7

Determina los combustibles limpios y fija los límites máximos de emisiones permitidos para vehículos con motor a gasolina o diésel, evaluados mediante ciclos de Estados Unidos (FTP – 75) y /o ciclos de la Unión Europea (ESC y ETC).

02/02/2007 02/02/2007 24/12/2009 (RC 2604/2007)

6 X X X R.180782

/2007 Modifica los parámetros de calidad en la composición de combustibles diésel fósiles y el combustible diésel regular y sus mezclas para su uso en procesos de combustión.

30/05/2007 30/05/2007 17/12/2007 (R 182087/2007)

7 X X X R. 182087/

2007 17/12/2007 17/12/2007 10/09/2014 (R. 90963/2014)

8 X X X R.

2380/2007

Reglamenta los niveles máximos de emisión permisibles de contaminantes para motocicletas, motociclos y mototriciclos.

31/12/2007 18/01/2008 05/06/2008 (R. 910/2008)

9 X X X L

1205/2008

Declara de interés público colectivo, social y de conveniencia nacional, la producción, importación, almacenamiento, adición y distribución de combustibles diésel, que minimicen el impacto ambiental negativo y

14/07/2008 14/07/2008

52




que su calidad se ajuste a los parámetros usuales de calidad internacional. (combustibles diésel < S 50 ppm)

10 X X X R.

909/2008

Establece las normas y estándares de emisión admisibles de contaminantes a la atmósfera por fuentes fijas y tipos de fuentes de combustión, y se dictan otras disposiciones.

05/06/2008 15/07/2008

11 X X X R.

910/2008

Reglamenta los niveles permisibles de emisión de contaminantes que deberán cumplir las fuentes móviles terrestres.

05/06/2008 24/06/2008

12 X X X AD.

410/2009

Disminuir y mitigar la contaminación atmosférica y la calidad del aire. Los vehículos nuevos de servicio de transporte terrestre de pasajeros público individual, colectivo y masivo que comiencen a operar o sean objeto de reposición en el Distrito Capital, deberán utilizar para su funcionamiento combustibles y tecnologías limpias.

02/12/2009 01/01/2010

13 X X X D.

1135/2009

Vehículos automotores hasta 2000 cm3 que se fabriquen, ensamblen, importen, distribuyan y comercialicen en el país y que requieran para su funcionamiento gasolinas, deberán estar acondicionados para que sus motores funcionen con sistema Flex-fuel (E85), es decir, que puedan funcionar normalmente utilizando indistintamente gasolinas básicas o mezclas compuestas por gasolina básica de origen fósil con al menos 85% de alcohol carburante. Plantea porcentajes de complimiento a partir del 2012 hasta el 100% en 2016.

31/03/2009 01/01/2012

14 X X X DD.

035/2009

Restringe circulación de motocicletas, cuatrimotos, mototriciclos, motociclos, ciclomotores y motocarros en el Distrito

05/02/2009 16/02/2009 11/11/2011

(DD. 497/2011) 11/07/2012

53




Capital. A partir del 1º de Abril de 2009, no podrán registrarse en el Distrito Capital, motocicletas, mototriciclos, cuatrimotos, motociclos, ciclomotores y motocarros ni ciclomotores propulsados por motores de ciclo de dos (2) tiempos.

(DD. 345/2012) 30/04/2014

(DD. 171/2014)

15 X X X X RC.

2604/2009

Determina los combustibles limpios teniendo como criterio fundamental el contenido de sus componentes. Reglamentan los límites máximos de emisión permisibles en prueba dinámica para los vehículos que se vinculen a la prestación del servicio público de transporte terrestre de pasajeros y para motocarros que se vinculen a la prestación del servicio público de transporte terrestre automotor mixto.

24/12/2009 01/01/2010

16 X X X R.

760/2010

Adopta el Protocolo para el Control y Vigilancia de la Contaminación Atmosférica Generada por Fuentes Fijas

20/04/2010 23/04/2010 08/11/2010 (R. 2153/2010)

17 X X X R.

2153/2010

Ajusta el Protocolo para el Control y Vigilancia de la Contaminación Atmosférica Generada por Fuentes Fijas y se adoptan otras disposiciones.

02/11/2010 08/11/2010

18 X X X X R.

650/2010 Adopta el Protocolo para el Monitoreo y Seguimiento de la Calidad del Aire. 29/03/2010 06/04/2010

19 X X X X R. 2154 /2010

Ajusta el Protocolo para el Monitoreo y Seguimiento de la Calidad del Aire. 02/11/2010 08/11/2010

20 X X X X R. 610 /2010

Modifica los niveles máximos permisibles dispuestos en la R. 601/2006 y agrega ciertas definiciones para el completo entendimiento de la norma

24/03/2010 06/04/2010

21 X X X DD. 677/ 2011

Incentiva el uso del vehículo eléctrico en el Distrito. Autoriza una operación piloto. Los vehículos de servicio particular y los de servicio público individual impulsados

29/12/2011 30/12/2011

Define pruebas piloto de vehículos eléctricos

54




exclusivamente por energía eléctrica se excluyen de restricciones de circulación.

29/08/2012 (D. 407/2012)

22 X X X DD. 623

/2011

Clasifican las áreas-fuente de contaminación ambiental Clase I, II y III de Bogotá. Establece: programas de Reducción de Emisiones, medidas de Contingencia para las áreas-fuente y establece suspensión de calderas y hornos.

26/12/2011 28/12/2011

23 X X X R. 2394 /2011

Reglamenta el art. 4 de la D.035/2009 el cual restringe el tránsito de motocicletas y demás vehículos dos tiempos, además plantea fechas para salida de circulación de este tipo de automotores las cuales se derogan entre todas las modificaciones y/o derogaciones.

25/04/2011

Define pruebas piloto de vehículos

eléctricos 29/08/2012

(D. 407/2012)

06/07/2011 (R. 4166/11) 31/08/2011

(R. 5031/11) 17/11/2011

(R. 6155/2012)

24 X X X R. 6982 /2011

Prevenir y controlar la contaminación atmosférica por fuentes fijas, fijando límites máximos permisibles para emisiones a la atmósfera provenientes de fuentes fijas de combustión externa y prohíbe la utilización de aceite usado no tratado como combustible.

27/12/2011 02/01/2012

25 X X X R. 1304 /2012

Establece los niveles máximos de emisión y los requisitos ambientales a los que están sujetas las fuentes móviles del sector de servicio público de transporte terrestre de pasajeros en los sistemas colectivo, masivo e integrado que circulen en el Distrito Capital.

25/10/2012 29/10/2012 03/02/2015 (R. 088/2015)

26 X X X R. 90963

/2014

Modifica los criterios de calidad de los biocombustibles para su uso en motores diésel como componente de la mezcla con el combustible diésel de origen fósil en procesos de combustión.

10/09/2014 10/09/2014

27 X X X R. 123/2015

Establece el Programa de Filtros de Partículas Diésel para Bogotá – BDPF, enfocándose en automotores empleados en el SITP, tanto para aquellos troncales como

06/02/2015 Definitiva: 30/11/2015

21/08/2015 (R. 01241/2015)

04/05/2016 (R. 450/2016)

55




para los zonales.

28 X X X R.

41214/2015

Establece medidas temporales en cuanto a los parámetros de calidad de la gasolina motor corriente, del diésel, y de sus mezclas con biocombustibles. Exceptúa temporalmente el cumplimiento de la especificación para RVP, máximo (valor máximo de la presión del vapor) de las gasolinas básicas, establecida en la tabla 2A del artículo 1o de la Resolución 898 de 1995, modificada por la Resolución 1565 de 2004, a su vez modificada por la Resolución 1180 de 2006, la cual podrá ser de 9,6 Psia.

09/11/2015 09/11/2015 31/03/2016

29 X X X R. 646/2015

Adopta el plan para la mitigación de emisiones de los vehículos con motor de ciclo de dos (2) tiempos que circulan en la ciudad de Bogotá 2015 – 2020 (-MMT-).

14/09/2015 16/09/2015

30 X X X X RC. 2410

/2015

Definición niveles de prevención, alerta o emergencia por contaminación atmosférica en Bogotá estableciendo el Índice Bogotano de Calidad del Aire –IBOCA, el cual opera como indicador para la gestión y articulación de las acciones conjuntas entre los sectores de ambiente y salud.

11/12/2015 18/12/2015

31 X X X RC. 789

/2016

Modifica la Resolución 898 de 1995 en lo relacionado con los parámetros y requisitos de calidad del Etanol Anhidro Combustible y Etanol Anhidro Combustible Desnaturalizado utilizado como componente oxigenante de gasolinas.

20/05/2016

Inicial: 24/05/2017 Definitiva: 31/05/2018

31/05/2017 (R.40619/2017)

32 X X X X R. 2254 /2017

Adopta la norma de calidad del aire ambiente y se dictan otras disposiciones. 01/11/2017 01/01/2018

33 X X X R.40619

/2017

Modifica el artículo 4° de la R. 898/1995, en relación con los criterios de calidad del combustible diésel (ACPM) y los

30/06/2017 04/10/2017

56




biocombustibles para su uso en motores diésel como componente de la mezcla de procesos de combustión, y se dictan otras disposiciones como establecer los contenidos para la calidad de los combustibles

34 X X X R.40937

/2017

Establece medidas temporales en cuanto a los parámetros de calidad de la gasolina con el fin de asegurar el abastecimiento de combustibles en el territorio nacional.

13/09/2017 13/09/2017 31/12/2017

T 23 13 30 13 8 13 3 7 6 2 3 % 67,6 38,2 88,2 38,2 23,5 38,2 8,8 20,6 17,6 5,9 8,8

Nota. MC: Metas cuantitativas, S: Si, N: No, OA: Orientada a, FM: Fuente Móvil, FF: Fuente Fija, O: Ordenamiento territorial, C: Medida conjunta, S: Seguimiento, I: Inmisión, L: Límites, Co: Combustibles, MT: Mejora tecnológica, R: Resolución, RC: Resolución conjunta, D: Decreto, DD: Decreto distrital, AD: Acuerdo Distrital, D: Decreto, L: Ley. T: Total. Fuente: Los Autores.

6.1.2 ANÁLISIS DE LA NORMATIVIDAD PÚBLICA IDENTIFICADA

En el proceso de revisión, se dificultó conocer de manera clara el alcance y metas de varios

instrumentos debido a las modificaciones constantes a las que fueron sometidos. En

algunos casos, estos cambios se realizaron en menos de un año, siendo el caso de las Res.

2380 del 2008, y 760 y 650 del 2010, como se observó en la línea de tiempo de la figura 6.

Además, se observó una periodicidad de cambio normativo promedio de dos años, al

reconocer sobre la misma línea de tiempo los años 2008, 2010, 2012, 2015 y 2017 como

aquellos en los que más lanzamientos, ajustes o derogaciones de norma existieron. Esto se

confirmó con la expedición de la Ley 1972 de 2019, por medio de la cual se estableció la

protección de los derechos a la salud y al medio ambiente sano, instituyendo medidas

tendientes a la reducción de emisiones contaminantes de fuentes móviles; la cual no fue una

norma contemplada en el estudio pero que fue presentada dos años después de establecidas

las medidas del 2017. Esta condición cambiante de la normatividad se tradujo posiblemente

en una planeación inadecuada de los instrumentos normativos, lo cual pudo estar

relacionado con una gestión débil, el desborde de capacidades institucionales o carencia de

sistemas adecuados de seguimiento; lo que posiblemente implicó un constante ajuste de las

normas para dar cumplimiento parcial o total a lo dispuesto en un primer instante por estas.

Considerando lo anterior, para el presente estudio causó interés la Res. 2394 de abril de

2011, la cual restringió el tránsito de vehículos de motor de dos tiempos y estableció fechas

para la salida de circulación de los mismos. Esta fue ajustada en tres oportunidades por

otras resoluciones, inicialmente la Res. 4166 de junio del mismo año, la cual aplazó la

reglamentación de las sanciones propuestas. Después la Res. 5031 de agosto, reajustó las

fechas para la salida de circulación de los automotores y, finalmente, la Res. 6155 de

septiembre viabilizó su entrada en vigencia para septiembre del año 2012. Con todo esto,

tras 17 meses de ser expedido el instrumento fue reglamentado.

Figura 6. Líneas temporales de entrada en vigencia, derogación o ajuste de la normatividad pública aplicable a nivel distrital con impacto en la calidad del aire. Nota: Los años se subdividen en semestres. Léase: entrada en vigencia, derogación o ajuste, continuidad sin cambios hasta la fecha, y ajuste de la resolución 898 de 2015. El detalle de cada instrumento normativo está disponible en la tabla 15. Fuente: Los Autores.

Analizando el proceso de reajuste de normas se identificó que algunas perdieron apartes

que pudieron apalancar su efectividad. Por ejemplo, el artículo segundo del Decreto 497 de

2011 planteó la realización de estudios técnicos a partir de los datos obtenidos por la

RMCAB para verificar los avances derivados de las medidas interpuestas por la Res. 2394,

la cual prohibía las motos de dos tiempos; sin embargo, esto no se adelantó ya que el

Decreto se derogó con la expedición del Decreto Distrital 345 del 2012. Debido a lo

anterior, no fue posible determinar si las medidas propuestas por la Res. 2394 respondían

de manera adecuada a la reducción de la contaminación atmosférica. Tampoco se procedió

a ajustar la norma contando con conceptos técnicos significativos.

Por otra parte, los resultados mostraron que más de la mitad de las normas (22 de 34,

67,6%) contaron con metas cuantitativas claras. Sin embargo, la ausencia de esta

característica en medidas de ordenamiento territorial desarrolladas para disminuir la

contaminación atmosférica, como el Decreto Distrital 623 de 2011 (clasifica las áreas-

fuente de contaminación ambiental Clase I, II y III de Bogotá), no permitió un desarrollo

adecuado de este tipo de normatividad, ya que no contaron con un marco cuantitativo base

para la generación de planes armonizados trazables de calidad atmosférica en los territorios

priorizados. Frente a esto y considerando los contenidos del siguiente apartado, se destacó

como posible solución u opción de mejora a esto el caso de la Unión Europea; la cual fijó

límites de emisión totales como un marco restrictivo común, pero a su vez estableció la

competencia de cada estado miembro para definir los mecanismos que les permitieran el

cumplimiento de estos a nivel regional, considerando sus diferencias territoriales dadas por

dinámicas propias en materia social, de movilidad, actividad económica y climática (Bollen

& Brink, 2014).

6.1.3 ANÁLISIS COMPARATIVO CON LA NORMATIVIDAD A NIVEL INTERNACIONAL

A partir de la búsqueda bibliográfica adelantada según lo expuesto en la fase 5 de la

metodología desarrollada, se obtuvieron los índices de citación contenidos en la tabla 16,

partiendo de las palabras clave en inglés base escogidas (Policy y atmospheric pollution);

las cuales se asumieron de acuerdo al objetivo de este estudio. La búsqueda bibliográfica se

realizó para el periodo 2000-2018, detectando entre artículos y libros en diferentes bases de

60

datos las siguientes cantidades de documentos: Scopus = 3.723, ScienceDirect = 23.613 y

Google Schoolar = 26.100. Estos índices de citación dan cuenta de los avances y temas de

investigación de mayor interés relacionados con contaminación atmosférica, siendo

agrupados en seis categorías temáticas; las cuales permitieron saber los enfoques bajo los

cuales se desarrollan este tipo de estudios, los contaminantes más estudiados, la población

objetivo, el entorno con mayor desarrollo de estas investigaciones (rural o urbano), así

como la distribución mundial y continental de estos estudios.

Con estos índices se destacó que la mayoría de estudios sobre normas enfocadas al manejo

de la contaminación atmosférica se adelantaron bajo tres enfoques: (i) control de la

contaminación, (ii) calidad del aire y (iii) el control de emisiones. En general los estudios

priorizaron el análisis de la concentración atmosférica de O3, PM y CO2, los cuales para la

OMS (2005) fueron los contaminantes que mayor relación tuvieron con efectos sobre la

salud según estudios epidemiológicos realizados a partir de series cronológicas de gran

volumen. Se encontró también que los estudios no se enfocaron en grupos poblacionales

específicos, exceptuando dos publicaciones aisladas que se concentraron en la afectación

que causó la contaminación atmosférica sobre adultos mayores.

En cuanto a la distribución de estudios, se identificó que el entorno urbano fue el que

presentó mayor desarrollo de estos. Se reconoció al continente europeo como aquel en el

cual se ha estudiado en mayor medida este tipo de normatividad, seguido por el americano

y el asiático; siendo el australiano aquel con menor número de reportes. En América, la

región norte es aquella con más citaciones, mientras que la central o la sur no alcanzan ni a

un 37% de esta primera. El hecho de que sean los países desarrollados aquellos con más

adelantos responde posiblemente a que tras la acumulación por más de 100 años de altas

emisiones, producto de su industrialización y patrones de consumo, se les requirió desde

agendas políticas internacionales y demandas ambientales niveles más bajos de emisión;

por lo cual desplegaron programas de investigación que dieran luces para el cumplimiento

de esto (Escudero & Scheelje, 2003).

Con los documentos filtrados empleando las palabras clave base en inglés se detectaron 14

publicaciones de los motores de búsqueda, las cuales evaluaban normatividad; de estas, 11

poseían metas cuantitativas (78,5%), 2 se enfocaban en fuentes fijas (FF = 14,3%), 4 en

61

fuentes móviles (FM = 28,6%) y 8 plantearon acciones para el manejo conjunto de ambas

fuentes (C = 57,1%), 4 proponían modelos de seguimiento (S = 28,6%), 2 se orientaban a la

mejora tecnológica (MT = 14,38%) y 1 a la mejora de combustibles (Co = 7,1%). Partiendo

de estas, en la tabla 17 se presenta un breve recuento de la normatividad de calidad del aire

en contextos internacionales.

Tabla 16. Índices de citación para la búsqueda bibliográfica de normatividad internacional de calidad del aire.

Palabras clave en inglés

Bases de datos Índice promedio

(Q)

Cuartil promedio

Variación del cuartil

Scopus ScienceDirect GoogleScholar Documentos detectados

Índice (Q)

Documentos destacados

Índice (Q)


Índice (Q)

Policy and atmospheric pollution 3.723 1,000 23.613 1,000 26.100 1,000 - - - - -

Enfoque Air quality 1.623 0,436 15.477 0,655 19.000 0,728 0,606 Q3 Q2 Q3 Q3 Emission control 1.358 0,365 15.261 0,646 3.390 0,130 0,380 Q2 Q2 Q3 Q1 Pollution control 1.858 0,499 19.414 0,822 9.990 0,383 0,568 Q3 Q2 Q4 Q2 Emission inventory 408 0,110 5.576 0,236 3.000 0,115 0,154 Q1 Q1 Q1 Q1 Pollution monitoring 1.024 0,275 14.098 0,597 2.780 0,107 0,326 Q2 Q2 Q3 Q1 Pollution exposure 660 0,177 8.851 0,375 1.770 0,068 0,207 Q1 Q1 Q2 Q1 Health impact 740 0,199 13.843 0,586 2.410 0,092 0,292 Q2 Q1 Q3 Q1 Life quality 138 0,037 10.703 0,453 501 0,019 0,170 Q1 Q1 Q2 Q1 Environmental economics 332 0,089 6.267 0,265 5.400 0,207 0,187 Q1 Q1 Q2 Q1 Environmental planning 417 0,112 13.201 0,559 1.550 0,059 0,243 Q1 Q1 Q3 Q1 Contaminante estudiado Particulate matter 978 0,263 7.410 0,314 12.300 0,471 0,349 Q2 Q2 Q2 Q2 PM10 277 0,074 1.211 0,051 8.890 0,341 0,155 Q1 Q1 Q1 Q2 PM2.5 379 0,102 1.333 0,056 5.530 0,212 0,123 Q1 Q1 Q1 Q1 Carbon monoxide 216 0,058 3.540 0,150 7.830 0,300 0,169 Q1 Q1 Q1 Q2 Carbon dioxide 490 0,132 7.386 0,313 13.100 0,502 0,315 Q2 Q1 Q2 Q3 Nitrogen oxides 474 0,127 4.127 0,175 7.820 0,300 0,201 Q1 Q1 Q1 Q2 Nitrogen monoxide 144 0,039 122 0,005 350 0,013 0,019 Q1 Q1 Q1 Q1 Nitrogen dioxide 445 0,120 1.826 0,077 5.620 0,215 0,137 Q1 Q1 Q1 Q1 Sulfur dioxide 448 0,120 4.008 0,170 6.440 0,247 0,179 Q1 Q1 Q1 Q1 Volatile organic compound 216 0,058 3.197 0,135 1.150 0,044 0,079 Q1 Q1 Q1 Q1 Ozone 520 0,140 6.973 0,295 15.400 0,590 0,342 Q2 Q1 Q2 Q3 Población objetivo Male 126 0,034 1.908 0,081 14.900 0,571 0,229 Q1 Q1 Q1 Q3 Female 134 0,036 1.550 0,066 13.000 0,498 0,200 Q1 Q1 Q1 Q2 Child 138 0,037 1.316 0,056 13.200 0,506 0,200 Q1 Q1 Q1 Q3 Elder 2 0,001 268 0,011 11.100 0,425 0,146 Q1 Q1 Q1 Q2

63

Fuente: Los autores

Tabla 17. Normatividad internacional relacionadas con calidad del aire.

N MC OA Tipo de medida

Medidas/Políticas Objetivo COI Autores País,

ciudad o continente FM FF L Co O C S I MT

S N

1 X X

(Forestry programme) programa forestal: es una política de reforestación que apunta a aumentar la cobertura forestal de 10,7% a 18% en 2020.

Proveer un sumidero total de más de 6 millones de toneladas de dióxido de carbono durante el período 2021-2030, y aumentando más allá 2030.

CO2 Valmassoi, et al. (2017) Irlanda

2 X X X X

Programa de lluvia ácida (ARP), es una implementación del comercio de emisiones que se dirige principalmente a las centrales eléctricas que queman

Permitir a las empresas de servicios públicos adoptar la estrategia más rentable para reducir las emisiones. Las empresas de servicios públicos

SO2 NO2, NOX

Abrams et al. (2019)

Estados Unidos

Palabras clave en idioma inglés

Bases de datos Índice promedio

(Q)

Cuartil promedio

Variación del cuartil

Scopus ScienceDirect GoogleScholar Documentos detectados

Índice (Q)


Índice (Q)


Índice (Q)

Entorno de interés Urban 966 0,259 12.426 0,526 17.400 0,667 0,484 Q2 Q2 Q3 Q3 Rural 183 0,049 7.359 0,312 17.200 0,659 0,340 Q2 Q1 Q2 Q3 Cities 793 0,213 11.331 0,480 16.000 0,613 0,435 Q2 Q1 Q2 Q3 Distribución mundial Europe 496 0,133 14.276 0,605 16.300 0,625 0,454 Q2 Q1 Q3 Q3 Asia 241 0,065 6.095 0,258 15.700 0,602 0,308 Q2 Q1 Q2 Q3 Africa 80 0,021 4.952 0,210 13.700 0,525 0,252 Q2 Q1 Q1 Q3 Australia 54 0,015 5.316 0,225 12.900 0,494 0,245 Q1 Q1 Q1 Q2 America 261 0,070 9.476 0,401 17.900 0,686 0,386 Q2 Q1 Q2 Q3 Continente Americano South America 28 0,107 1.594 0,168 3.380 0,189 0,155 Q1 Q1 Q1 Q1 North America 213 0,816 4.776 0,504 9.250 0,517 0,612 Q3 Q4 Q3 Q3 Central America 35 0,134 548 0,058 1.180 0,066 0,086 Q1 Q1 Q1 Q1

64




S N carbón, permitiéndoles comprar y vender permisos de emisión (llamados "derechos de emisión") de acuerdo con las necesidades y costos individuales.

afectadas también deben instalar sistemas que monitoreen continuamente las emisiones de SO2, NOX y otros contaminantes relacionados con el fin de rastrear el progreso, garantizar el cumplimiento y proporcionar credibilidad al componente comercial del programa.

3 X X

Programa de comercio de presupuestos de NOx (NBP) y Plan asociado de implementación del estado (SIP) es un programa de comercio y capitalización basado en el mercado.

Reducir el transporte regional de emisiones de óxidos de nitrógeno (NOx) de centrales eléctricas y otras grandes combustiones fuentes que contribuyen al deterioro de la capa de ozono.

Georgia 4 X X Regla interestatal de aire limpio (CAIR) y GRAQCss.

Mediante el uso del enfoque probado de límite y comercio, CAIR logra reducciones sustanciales de emisiones de dióxido de azufre (SO2) y óxidos de nitrógeno (NOx).

5 X X

Programas de inspección y mantenimiento, programa de gasolina de nivel 2, regla de comercialización de gasolina de Georgia (GRAQCbbb) y regla de diésel de servicio pesado.

Regular las emisiones de fuentes móviles.

Abrams et al. (2019)

6 X X X

Control para vehículos de dos y tres ruedas, Introducción de EURO VI, estándares para el 2015 y cambio de buses de diésel

Dholakia et al. (2013) Delhi

65




S N a gas natural comprimido.

7 X X X

Cambio de las plantas de carbón a gas natural, Industrias contaminantes a las afueras de la ciudad, prohibición de la quema de plásticos y basuras en zonas residenciales.

Regular las emisiones de fuentes fijas.

8 X X X

Air pollution legislation by 2030. Directivas sobre el contenido de azufre en combustibles líquidos, controles para vehículos y fuentes off-road hasta el EURO-V, normas EURO-VI para nueva combustión, plantas y techos de emisión, así como la versión revisada de MARPOL VI.

Regular y disminuir las emisiones de fuentes móviles.

PM2.5 O3

Schucht et al. (2015) Europa

9 X X

Restricción de circulación, iniciativas alternativas de combustibles limpios y tecnologías más eficientes.

PM10 O3

SO2

Slovic & Ribeiro (2018)

São Paulo, New York City, Paris

10 X X

Estándares de emisión en centrales eléctricas que utilizan carbón, evitar la construcción de centrales eléctricas a base de carbón, reducir la quema de cultivos, reducir la producción de residuos municipales, disminuir el consumo de petróleo, aplicación de hornos en zigzag, limites más fuertes en los sulfuros, introducir nuevos estándares de emisión, medidas de control de polvo.

Disminuir las emisiones de fuentes fijas

SO2

Chen et al. (2019) India NOx

66




S N

11 X X X

Zona de Baja Emisión (por su sigla en inglés LEZ), en las cuales se prohíbe de manera total circulación de los vehículos que no cumplen con ciertos estándares ambientales.

Reducción en la concentración media anual de PM10 del 23% y NO2.

PM10 PM2.5 NO2

Moran et al. (2019)

Alemania y Lisboa

12 X X Política de contaminación del aire de la UE son los techos nacionales de emisión (NEC)

Establece límites superiores para cada Estado miembro para las emisiones totales de contaminantes atmosféricos. Estos límites son específicos de cada país, ya que toman en cuenta las diferencias regionales en el impacto de la contaminación del aire.

GEI SO2 NOx

PM2.5 NH3

Bollen & Brink (2014)

Europa

13 X X

Adaptación de la norma española a los estándares de la comunidad europea contenidos en la directiva 2008/50/EC. Regular y disminuir las

emisiones.

NOx NO2, PM10 PM2.5

O3

Vedrenne et al. (2015) España

14 X X X

Restricciones de acceso al tráfico por carretera al centro de la ciudad (50% de los vehículos privados convencionales basados en los números de placa).

SO2 NH3 COV

Borge et al. (2018) Madrid

T 11 3 4 2 0 1 0 8 4 0 2 % 78,5 28,5 28,6 14,3 0 7,1 0 57,1 28,6 0 14,38

Nota. Léase: MC: Metas Cuantitativas, S: Si, N: No, MCOI: Contaminantes objeto de interés, OA: Orientada a, FM: Fuente Móvil, FF: Fuente Fija, O: Ordenamiento, C: Conjunta, S: Seguimiento, I: Inmisión, L: Limites, Co: Combustibles, MT: Mejora tecnológica, R: Resolución, RC: Resolución Conjunta, D: Decreto, DD: Decreto distrital, AD: Acuerdo Distrital, D: Decreto, L: Ley, T: Total. Fuente: Los Autores.

67

Varias de estas medidas al igual que las distritales se enfocaron en la ordenación del

territorio a través de los niveles de contaminación, la fijación de límites máximos

permisibles de emisión para diferentes fuentes, el recambio tecnológico y la mejora de

combustibles. Sin embargo, algunas otras plantearon estrategias que el distrito no

contempló como la expuesta por Abrams et al. (2019), la cual fue un esquema de cobro que

capitaliza la descarga de emisiones con la compra y venta de permisos de emisión de

acuerdo con las necesidades de quien requiera esta actividad. Además, se observó la

innovación de algunas normativas internacionales respecto a los mercados de carbono, el

peso del factor económico en la generación de normatividad pública y el trabajo del estado

ligado a las empresas para la mejora continua de las tecnologías de producción para la

reducción, control y seguimiento de emisiones.

Por otra parte, destacando que la mayor parte de medidas implementadas en la ciudad de

Bogotá estuvieron dirigidas hacia la mejora de combustibles y la regulación de fuentes

móviles, se observó que este tipo de medidas a nivel mundial se han implementado desde

1990 en Estados Unidos; mientras que las restricciones vehiculares son estrategias que se

han probado en mega ciudades tales como Nueva York, São Paulo y París desde el año

2000, con impactos positivos significativos en la calidad del aire según los reportes. Esto

sería consecuente para la gestión de la contaminación atmosférica, considerando lo

mencionado por el IDEAM (2015), el cual atribuyó a las fuentes móviles el mayor aporte a

las emisiones atmosféricas y mencionó que el crecimiento de la flota vehicular en las

grandes ciudades capitales y centros urbanos durante los últimos años empeoró esta

condición.

Con la revisión de literatura se muestra también cómo la mayoría de normativas

internacionales promovieron no sólo la mejora tecnológica para la disminución de

emisiones en las fuentes fijas, también reglamentaron el control y seguimiento riguroso de

estas; factores que posiblemente no son tenidos en cuenta en gran medida por la

normatividad colombiana y distrital. De igual manera, se observó que la normativa nacional

como la internacional utilizaron los límites máximos de emisión como la herramienta más

acertada para la reducción de emisiones en las distintas fuentes.

68

6.2 VARIACIÓN TEMPORAL DE CONTAMINANTES CRITERIO

6.2.1 DESARROLLO DE MODELOS ARIMA

Este apartado tuvo como finalidad la determinación de los órdenes de los polinomios

autorregresivos (AR, “p”), de medias móviles (MA, “q”) y del número de veces de

aplicación del operador diferencia (I, “d”) para eliminar la tendencia en las series

temporales objeto de estudio; elementos requeridos para generar los modelos univariantes

ARIMA (AR, I, MA) según lo expuesto en la fase 6 de la metodología. Para esto, se

empleó la herramienta Modelizador Experto del paquete estadístico IBM SPSS V.25, el

cual identificó y estimó de manera automática el modelo ARIMA con mejor ajuste para una

o más series de variables. No se empleó el modelo tradicional de prueba y error debido a las

dimensiones de las bases de datos empleadas.

Inicialmente, se intentaron establecer los modelos para cada variable partiendo de sus

respectivos datos a escalas horarias, con los cuales no se cumplió la fase de verificación,

debido a que negaban la hipótesis nula de existencia de una autocorrelación significativa en

los residuos del modelo y su p-valor fue inferior a 0,05; lo que indicó un ajuste incorrecto

(Guisande et al., 2011). Esta situación posiblemente se relacionó con las fluctuaciones

constantes de las contaminantes en periodos de tiempo cortos (hora a hora) y a la falta de

datos en varias series producto de fallos o calibración inadecuada en los sistemas de

medición de las estaciones de la RMCAB (Pinzón & Tique, 2018).

A partir de lo anterior y para desarrollar modelos ajustados, se empleó la herramienta para

la iteración de sub-periodos de tiempo (años) de series suavizadas, obtenidas mediante la

aplicación de medias móviles progresivas sobre el conjunto de datos validados de cada

variable de la siguiente manera: diaria (24h), semanal (168 h) y mensual (720 h). De este

proceso se obtuvieron tres modelos por cada sub-periodo por variable y se identificaron

aquellos que arrojaron los mejores resultados para las medidas estadísticas de bondad

propuestas por Box & Jenkins (1970), mencionadas en el literal 5.3.6 “desarrollo de

modelos ARIMA” y calculadas por el software SPSS (i.e., estadístico Ljung-Box Q´, BIC,

R2, RMSE, MAXAPE, MAPE y MAXAE), siendo estos los más adecuados en la

modelación de la serie. En la figura 7 se presenta un ejemplo de la salida gráfica del

69

modelizador con los elementos mencionados para la verificación del modelo (1,1,13),

identificado para la variable PM2.5 en la estación Carvajal para la temporalidad diaria.

Figura 7. Validación modelo ARIMA para la media móvil diaria de PM2.5 en la estación Carvajal para el año 2013. Fuente: Los autores.

Este modelo fue válido al poseer un p-valor del estadístico Q’ mayor a 0,05 y un

coeficiente de determinación R2 positivo significativo. Para el manejo y análisis final de

todas las variables se priorizó la presentación de los índices R2 y el de significancia del

Ljung-Box Q’, ya que estos permitieron de manera rápida evaluar el ajuste de los modelos

ARIMA y fueron los que más variaron a lo largo de la modelización (Referirse al anexo

3.1). Sin embargo, para identificar el modelo que mejor modelara cada serie de datos se

consideraron otras medidas como el menor valor del BIC normalizado y el menor valor

MAPE, los cuales según Guisande et al. (2011) se relacionaron con la simplicidad del

modelo.

Partiendo de lo anterior, la etapa de verificación arrojó que los mejores modelos para los

contaminantes criterio en la ciudad de Bogotá se obtuvieron empleando las series

suavizadas con medias móviles mensuales, esta es la razón por lo que en los apartados

subsiguientes se da especial relevancia a esta temporalidad (Referirse al Anexo 3.1 para ver

todos los modelos identificados para cada contaminante). Para facilitar el análisis sintético

de estos modelos se establecieron los siguientes rangos de magnitud en los términos auto-

70

regresivos (AR “p”, relacionados con la persistencia de las concentraciones) y de medias

móviles (MA “q”, relacionados con las fluctuaciones de la serie sobre su punto de

equilibrio), los cuales además se engloban en la figura 8:

Persistencia o fluctuación baja: términos entre 1-4. En cuanto al término p, los

modelos con valores en este rango indicaron que los contaminantes persistieron por

máximo 4 meses en el área de estudio, relacionándose con una memoria de corto

plazo. Para el término q, indicaron fluctuaciones bajas de las concentraciones no

mayores a 4 meses.

Persistencia o fluctuación media: términos entre 5-8. En cuanto al término p, los

modelos con valores en este rango indicaron que los contaminantes persistieron más

tiempo en el área de estudio, entre 5 a 8 meses. Es decir, modelos con memorias

medias. Para el término q, indicaron fluctuaciones medias de las concentraciones,

superiores a 5 meses, pero inferiores a 8.

Persistencia o fluctuación alta: términos > 8. En cuanto al término p, los modelos

con valores superiores a ocho indicaron que los contaminantes poseían una

persistencia prolongada en el área de estudio, superior a 8 meses (memorias

prolongadas); y fluctuaciones altas de la misma escala temporal de sus

concentraciones, según el término q.

Figura 8. Análisis sintético de los modelos ARIMA con medias móviles mensuales. Fuente: Los Autores.

71

6.2.2 ANÁLISIS DE MODELOS ARIMA POR CONTAMINANTE

6.2.2.1 MODELOS ARIMA PARA PM10

Partiendo de la validación de los modelos generados para este contaminante, en la tabla 18

se consignaron aquellos que según sus valores de verificación eran los más acertados para

cada serie de tiempo en cada estación. Los términos autorregresivos (AR, “p”) presentaron

una persistencia baja (1-2); es decir, las series de tiempo presentaron una memoria de corto

plazo para esta escala de tiempo, cumpliendo así con el concepto de persistencia, indicando

que las concentraciones de este contaminante probablemente no superaron los 2 meses en el

área de estudio. Estos resultados coincidieron con los obtenidos por Pozza (2009) respecto

a la modelación de las concentraciones mensuales de PM10 en la ciudad de São Carlo (São

Paulo) y los obtenidos por López (2011) (citado por Pinzón & Tique, 2018) para el área

metropolitana de la ciudad de México.

Tabla 18. Modelos mensuales de PM10.

CNT T ESTACIONES ZONA NORTE ESTACIONES ZONA SUR

Guaymaral Suba Usaquén Las Ferias

Centro de Alto Rendimiento

Puente Aranda Kennedy Carvajal Tunal San

Cristóbal

PM10 p 2 2 2 2 1 2 2 2 2 2 d 1 1 1 1 1 1 1 1 1 1 q 14 10 10 1 3 1 1 1 1 3

Léase CNT: Contaminante T: Término. Fuente: Los autores.

En cuanto al operador de diferencia (I, “d”), se observó que en todos los modelos fue

necesario aplicar un grado de diferencia para estabilizar la varianza y garantizar la

estacionariedad de la serie; indicando baja variabilidad de las concentraciones de los

contaminantes a escala mensual. En relación con el componente de promedios móviles

(MA, “q”), el cual estuvo asociado con el número de fluctuaciones que se presentaron

alrededor del punto de equilibrio de las series. Este tuvo valores bajos (1-3) para siete de las

diez estaciones y valores altos para las otras tres (>14), las cuales corresponden a las

estaciones ubicadas en el extremo norte de la ciudad; en otras palabras, los valores de

concentración de PM10 en llegaron a fluctuar entre 1 a 14 meses dependiendo de la zona de

la ciudad. Por esta razón y considerando la frecuencia del término, para modelar este

contaminante en la ciudad se requerirá una clara diferenciación de las zonas norte y sur.

72

En la tabla 19 se presenta una muestra de modelos mensuales para PM10 que superaron la

fase de validación en cada uno de las estaciones en varios años. Las diferencias entre estos,

especialmente entre los modelos de los primeros años del periodo de estudio y de los

últimos (2007-2017), denotaron la influencia de la calidad de los datos sobre el desarrollo

de los modelos, al obtener modelos más complejos en periodos con menor disponibilidad

de datos (con magnitudes elevadas en alguno de sus términos). Por ejemplo, para la

estación de Guaymaral, en el año 2007 el modelo tuvo un valor MA q = 14, mientras que

en el año 2012 fue q = 2.

Tanto los modelos de la tabla 18 como los de la tabla 19 en relación con los resultados de la

bondad de ajuste, sus coeficientes de determinación se ajustaron de manera adecuada (R2 >

0,96). Además, se encontraron los valores más bajos del BIC normalizado en esta

temporalidad (mensual), al adquirir valores entre -5,930 y -9,899 como se muestra en la

tabla 19. Es decir, existió mayor simplicidad en los modelos mensuales (menos términos)

en comparación con los modelos semanales y diarios, los cuales aun cumpliendo con los

criterios de validación poseían valores de BIC normalizados mayores, en los rangos entre

-0,099 y 1,147, y -5 y 6, respectivamente.

Tabla 19. Muestra de modelos mensuales ARIMA válidos para PM10.

ESTACIÓN AÑO TRANS. ARIMA (p,d,q) R2 RMSE MAPE BIC DF SIG.

Q'

USAQUEN 2017 Ninguna 1,1,11 1,00 0,023 0,045 -7,501 11,00 0,075 2007 Ninguna 3,1,6 1,00 0,027 0,047 -7,246 12,00 0,344

TUNAL 2016 Ninguna 1,1,8 1,00 0,022 0,070 -7,583 9,00 0,059 2015 Ninguna 1,1,2 1,00 0,031 0,055 -6,950 15,00 0,750 2013 Ninguna 2,1,2 1,00 0,027 0,049 -7,205 14,00 0,188

SUBA 2013 Ninguna 1,1,6 1,00 0,024 0,030 -7,477 12,00 0,094 2012 Ninguna 2,1,2 1,00 0,022 0,030 -7,595 14,00 0,068 2011 Ninguna 2,1,3 1,00 0,024 0,035 -7,416 13,00 0,188

SAN CRISTOBAL

2014 Ninguna 2,1,7 1,00 0,007 0,048 -9,899 9,00 0,094 2015 Ninguna 1,1,3 1,00 0,021 0,065 -7,748 15,00 0,691 2017 Ninguna 2,1,1 1,00 0,023 0,061 -7,520 15,00 0,457

PUENTE ARANDA


KENNEDY

2015 Ninguna 1,1,1 1,00 0,026 0,033 -7,266 17,00 0,951 2016 Ninguna 1,2,1 0,96 0,031 0,041 -6,823 18,00 0,338

2017 Raíz cuadrada 1,1,1 1,00 0,033 0,046 -6,811 17,00 0,140

LAS FERIAS 2011 Ninguna 1,1,1 1,00 0,024 0,035 -7,459 17,00 0,902 2014 Ninguna 3,1,8 0,98 0,427 0,135 -1,534 11,00 0,764

GUAYMARAL 2007 Ninguna 1,1,14 1,00 0,022 0,042 -7,627 3,00 0,477

73

ESTACIÓN AÑO TRANS. ARIMA (p,d,q) R2 RMSE MAPE BIC DF SIG.

Q' 2008 Ninguna 2,1,2 1,00 0,022 0,046 -7,590 14,00 0,126 2012 Ninguna 3,1,2 1,00 0,019 0,040 -7,928 14,00 0,108

CENTRO DE ALTO

RENDIMIENTO


CARVAJAL 2008 Ninguna 1,2,1 1,00 0,050 0,038 -5,932 18,00 0,834 2011 Ninguna 1,1,2 1,00 0,045 0,040 -6,148 16,00 0,798 2012 Ninguna 1,1,2 1,00 0,040 0,037 -6,407 16,00 0,571

Léase Trans.: Transformación, RMSE (raíz error cuadrático promedio), MAPE (media de incertidumbre), BIC (criterio de información bayesiano), DF (grados de libertad), SIG. Q' (significancia) Fuente: Los autores.

6.2.2.2 MODELOS ARIMA PARA PM2.5

Partiendo de la validación de los modelos generados para este contaminante, en la tabla 20

se consignaron aquellos que según sus valores de verificación eran los más acertados para

cada serie de tiempo en cada estación. Los modelos mensuales para PM2.5 presentaron un

comportamiento en la componente autorregresivo (AR, “p”) en un rango bajo (1-3),

indicando la influencia de las concentraciones no mayor a tres meses sobre la serie;

cumpliendo igual que el PM10 el concepto de persistencia. Esto fue similar a lo mencionado

por Pozza (2009) y Liu (2015) citado por Pinzón & Tique (2018), quienes reportaron un

valor p = 2 en los modelos ARIMA de las concentraciones diarias de PM2.5 en San Carlos

(Brasil) y Guangzhou (China). Sin embargo, para la ciudad de Bogotá los modelos con

componente p = 3 presentes al norte de la ciudad superaron a los modelos con p = 1-2 en

relación con el desempeño en las medidas de error y el BIC normalizado, es decir, estos

fueron más precisos.

Tabla 20. Modelos mensuales de PM2.5.





Cristóbal

PM2.5 p 3 3 3 - 2 2 1 - 2 2 d 1 1 1 - 1 1 1 - 1 1 q 1 1 3 - 1 1 1 - 7 8

Léase CNT: Contaminante, T: Término. Nota: se identifican con (-) aquellos parámetros no estimados por carencia o inexistencia de datos. Fuente: Los autores

Para asegurar la estacionariedad de la serie en estos modelos mensuales fue necesaria la

aplicación de un primer grado de diferencia (I, “d”) en todas las estaciones. Para el

parámetro de los promedios móviles (MA) se evidenciaron valores bajos (1-3) y medios (1-

8) de q. Los órdenes mayores a siete fueron para las estaciones de San Cristobal y Tunal, lo

74

cual pudo indicar mayor variabilidad de las concentraciones en estas zonas de la ciudad

posiblemente por el tráfico vehicular y las industrias presentes en ellas.

Estos modelos al igual que los contemplados en la tabla 21, en la cual se presenta una

muestra de modelos válidos para este contaminante, presentaron resultados satisfactorios

con respecto a su bondad de ajuste; coeficientes de determinación R2 > 0,99, MAPE =

0,021-0,078% y BIC = -10,904- -6,204. Valores menores frente a las mismas magnitudes

de la temporalidad semanal (MAPE = 0,093-0,37%, BIC = -6,8-1) y de la temporalidad

diaria (MAPE = 1,061-2,369%, BIC = -2,94 y -0,591), en toda la ciudad; demostrando la

superioridad de los modelos mensuales debido a su simplicidad de términos para modelas

este contaminante.

Tabla 21. Muestra de modelos mensuales ARIMA válidos para PM2.5.

ESTACIÓN AÑO TRANS. ARIMA (p,d,q) R2 RMSE MAPE BIC DF SIG

Q'

USAQUEN 2010 Ninguna 1,1,7 1,00 0,010 0,063 -9,275 11,00 0,261 2009 Raíz cuadrada 1,1,6 1,00 0,026 0,078 -7,259 1,00 0,272 2008 Ninguna 1,1,7 1,00 0,010 0,053 -9,205 11,00 0,150

TUNAL 2013 Raíz cuadrada 2,1,2 1,00 0,012 0,038 -8,901 14,00 0,470 2012 Ninguna 2,1,5 1,00 0,017 0,058 -8,198 13,00 0,065 2011 Ninguna 3,1,1 1,00 0,016 0,057 -8,243 14,00 0,642

SUBA

2016 Raíz cuadrada 1,2,8 1,00 0,015 0,061 -8,381 9,00 0,377 2015 Ninguna 1,1,1 1,00 0,014 0,050 -8,466 16,00 0,256

2014 Logaritmo natural 1,1,8 1,00 0,013 0,043 -8,712 7,00 0,050

SAN CRISTOBAL


PUENTE ARANDA 2017 Ninguna 1,2,7 1,00 0,007 0,027 -9,868 10,00 0,056

KENNEDY 2009 Ninguna 1,1,1 0,99 0,018 0,041 -7,986 17,00 0,873 2011 Ninguna 1,1,1 1,00 0,016 0,038 -8,234 17,00 0,717 2013 Ninguna 1,1,1 0,99 0,010 0,033 -9,138 17,00 0,535

GUAYMARAL 2015 Ninguna 3,1,1 1,00 0,014 0,067 -8,398 16,00 0,893 2016 Ninguna 1,2,7 1,00 0,021 0,070 -3,086 15,00 0,177 2017 Ninguna 2,1,2 1,00 0,045 0,077 -6,204 14,00 0,119

CENTRO DE ALTO

RENDIMIENTO

2012 Ninguna 2,1,1 1,00 0,014 0,056 -8,520 15,00 0,051 2013 Raíz cuadrada 3,1,2 1,00 0,013 0,052 -8,597 3,00 0,147 2014 Ninguna 1,2,4 1,00 0,015 0,056 -8,414 13,00 0,250

Léase Trans: Transformación, RMSE (raíz error cuadrático promedio), MAPE (media de incertidumbre), BIC (criterio de información bayesiano), DF (grados de libertad), SIG Q' (significancia). Fuente: Los autores.

6.2.2.3 MODELOS ARIMA PARA O3

Como se observa en la tabla 22, los modelos mensuales para el contaminante O3

identificados por cada estación, que satisficieron en mayor medida la modelación al

75

considerar sus criterios estadísticos, presentaron en el componente autorregresivo (AR) un

orden p bajo (1-2), lo cual indicó que las concentraciones de este contaminante tuvieron

influencia no superior a dos meses en el área de estudio. Para el componente de diferencia

(I, “d”), todas las estaciones requirieron la aplicación de un operador de diferencia de

primer grado, señalando así según lo expuesto por Guerrero (2008), una menor fluctuación

alrededor del punto de equilibrio de esta serie frente a las del material particulado. El

componente de medias móviles (MA) tuvo valores bajos 1-2 para seis estaciones,

exceptuando Suba = 10 y Carvajal = 18, las cuales al poseer valores altos (>8), indiciaron

mayores fluctuaciones del contaminante en estas áreas.

Tabla 22. Modelos mensuales de O3





Cristóbal

O3 p 1 2 2 - - 2 1 1 - 1 d 1 1 1 - - 1 1 1 - 1 q 2 10 1 - - 1 1 18 - 1

Léase CNT: Contaminante T: Término, TF: Término más frecuente, F: Porcentaje de frecuencia Nota: se identifican con (-) aquellos parámetros no estimados por carencia o inexistencia de datos. Fuente: Los autores

Respecto a la bondad de ajuste de estos modelos en todas las estaciones, esta se comportó

como la de los modelos contemplados en la tabla 23. El coeficiente de determinación R2 fue

mayor a 0,96, y el BIC normalizado se ubicó en un rango de -5,065 a -10,163. Las medidas

de error arrojaron resultados positivos RMSE = 0,004 - 0,197% y MAPE = 0,029 - 0,157%.

Lo anterior con respecto a los modelos semanales (MAPE = 0,043 - 0,056 %), y diarios

(MAPE = 0,526 - 1,840%). Esto implicó mayor simplicidad de los modelos mensuales y

por lo tanto un mejor ajuste usando estos para modelar el contaminante.

Tabla 23. Muestra de modelos ARIMA mensuales válidos para O3.

ESTACION AÑO TRANS. ARIMA (p,d,q) R2 RMSE MAPE BIC DF SIG

Q'

USAQUEN


SUBA


SAN CRISTOBAL


PUENTE ARANDA

2016 Ninguna 1,1,3 1,00 0,016 0,052 -8,242 14,00 0,783 2015 Ninguna 1,1,1 1,00 0,004 0,043 -10,836 16,00 0,464

76


Q' 2010 Ninguna 2,1,0 1,00 0,008 0,046 -9,714 16,00 0,943

KENNEDY 2015 Ninguna 1,1,1 1,00 0,006 0,037 -10,163 16,00 0,895

GUAYMARAL


CARVAJAL



6.2.2.4 MODELOS ARIMA PARA CO

Partiendo de los modelos mensuales más adecuados para CO, contenidos en la tabla 24,

todas las estaciones presentaron términos autorregresivos (AR, “p”) bajos (p = 1-2), lo cual

indicó que en todas las estaciones existió una memoria corta; es decir, los valores de

concentración se vieron influenciados máximo por dos meses precedentes. Se requirió un

primer grado de diferencia (I, “d”) para asegurar la estacionariedad de todos los modelos,

suceso similar al descrito por Siew et al. (2008) en la ciudad de Shah Alam (Malasia). El

parámetro de medias móviles (MA, “q”) tuvo valores bajos (q = 1-3), lo cual implicó que

las series de estos contaminantes presentaron fluctuaciones de 1 a 3 meses en los valores

reportados de concentración.

Tabla 24. Modelos mensuales de CO.





Cristóbal

CO p - 1 - 2 2 2 2 2 - 1 d - 1 - 1 1 1 1 1 - 1 q - 1 - 2 2 3 2 1 - 1

Léase CNT: Contaminante T: Término. Nota: se identifican con (-) aquellos parámetros no estimados por carencia o inexistencia de datos. Fuente: Los autores

En cuanto a los resultados de la bondad de ajuste, estos modelos al igual que los

contemplados en la tabla 25 presentaron coeficientes de determinación adecuados (R2 >

0,93) y valores de BIC normalizados bajos (entre -15,824 y -4,288), los cuales

considerando los valores MAPE = 0,056-0,398% de los modelos semanales y MAPE =

0,526-1,840% de los diarios, demuestran la superioridad de los modelos mensuales para

modelar las series de concentración de este contaminante.

77

Tabla 25. Muestra de modelos mensuales ARIMA válidos para CO.


Q'

USAQUEN 2012 Raíz cuadrada 1,1,8 0,98 0,041 0,384 -6,084 9,00 0,277 2011 Ninguna 1,2,2 0,93 0,117 0,666 -4,288 15,00 0,585 2010 Ninguna 1,1,1 1,00 0,001 0,061 -13,885 16,00 0,399

SAN CRISTOBAL


PUENTE ARANDA

2017 Raíz cuadrada 3,1,12 1,00 0,001 0,046 -15,172 3,00 0,155 2012 Ninguna 2,1,15 1,00 0,001 0,040 -14,961 13,00 0,056 2011 Ninguna 2,1,15 1,00 0,001 0,040 -14,961 13,00 0,056

KENNEDY

2012 Ninguna 2,1,2 1,00 0,001 0,033 -15,411 14,00 0,290 2014 Ninguna 2,1,2 1,00 0,001 0,033 -15,363 14,00 0,091

2015 Logaritmo Natural 3,1,1 1,00 0,001 0,037 -15,474 14,00 0,051

LAS FERIAS 2007 Ninguna 2,1,1 1,00 0,001 0,036 -15,191 16,00 0,163 2009 Ninguna 1,2,1 0,99 0,001 0,043 -15,528 18,00 0,534 2012 Ninguna 1,1,1 1,00 0,001 0,058 -15,219 17,00 0,663

CENTRO DE ALTO

RENDIMIENTO


CARVAJAL 2012 Ninguna 2,1,2 1,00 0,001 0,049 -13,731 14,00 0,120 2013 Raíz cuadrada 2,1,2 1,00 0,001 0,056 -13,948 14,00 0,055 2015 Ninguna 1,1,2 1,00 0,001 0,036 -14,654 15,00 0,364


6.2.2.5 MODELOS ARIMA PARA SO2

Como se observa en la tabla 26, los modelos mensuales para el contaminante SO2

identificados por cada estación, que satisficieron en mayor medida la modelación al

considerar sus criterios estadísticos, tuvieron un comportamiento autoregresivo (AR) con

valores bajos, del orden p = 1 para dos estaciones; relacionándose con lo expuesto por

Musso & Ávila (2013), quienes modelaron con este mismo componente los promedios

mensuales de este contaminante en la ciudad de Salta (Argentina). Sin embargo, las

estaciones de Centro de Alto Rendimiento y Las Ferias obtuvieron p = 2, indicando una

influencia más prolongada del contaminante sobre los valores de concentración en estas

zonas, sin ser superior a dos meses. Tabla 26. Modelos mensuales de SO2.





Cristóbal

SO2 p - 1 - 2 2 - 1 - 1 - d - 1 - 1 1 - 1 - 1 - q - 14 - 2 1 - 15 - 14 -

Léase CNT: Contaminante T: Término. Nota: se identifican con (-) aquellos parámetros no estimados por carencia o inexistencia de datos. Fuente: Los autores

78

Para todas las estaciones fue necesaria la aplicación de un primer grado de diferencia (I,

“d”) para garantizar la estacionariedad de la serie. Con respecto a los promedios se

evidenciaron parámetros bajos de medias móviles (MA) q = 1-2 para dos estaciones

ubicadas en una zona más central de la ciudad respecto a aquellas que obtuvieron valores

altos (q > 8), sin embargo, lo cual pudo ser indicativo de la alta variabilidad de

concentraciones en estas zonas, en especial de la zona suroccidental según el parámetro q =

15 de la estación de Kennedy y q = 14 de la estación Tunal.

Respecto a la bondad de ajuste, en la Tabla 27 se muestran algunos modelos que al igual

que los anteriores cumplen con los diferentes parámetros estadísticos de los criterios de

validación. Estos modelos mensuales presentaron coeficientes de determinación R2

mayores a 0,952 y las medidas de error arrojaron bajos porcentajes de error MAPE = 0,014-

0,089%, los cuales en comparación con los modelos semanales (MAPE = 0,175-0,323%) y

diarios (MAPE = 1,583-1,794%), confirmaron la superioridad de estos modelos al poseer

los valores más bajos.

Tabla 27. Muestra de modelos mensuales ARIMA válidos para SO2.


Q'

TUNAL 2017 Ninguna 1,1,0 0,98 0,001 0,060 -13,039 17,00 0,765 2013 Raíz cuadrada 1,1,12 1,00 0,002 0,066 -12,275 4,00 0,089 2011 Ninguna 1,1,8 1,00 0,007 0,057 -9,911 9,00 0,080

SUBA 2017 Ninguna 2,1,0 1,00 0,001 0,055 -13,217 15,00 0,492 2013 Ninguna 1,1,9 1,00 0,004 0,089 -11,080 14,00 0,302 2012 Ninguna 1,1,3 1,00 0,003 0,073 -11,884 14,00 0,054

PUENTE ARANDA


KENNEDY

2007 Raíz cuadrada 1,2,4 1,00 0,003 0,026 -11,972 13,00 0,055

2009 Logaritmo Natural 1,2,13 1,00 0,005 0,061 -10,729 4,00 0,095

2011 Ninguna 1,1,7 1,00 0,003 0,047 -11,796 11,00 0,150

LAS FERIAS 2007 Ninguna 1,2,2 1,00 0,002 0,025 -12,152 16,00 0,676 2008 Ninguna 1,2,1 0,95 0,002 0,036 -12,571 18,00 0,740 2015 Ninguna 1,1,4 1,00 0,001 0,065 -13,112 15,00 0,404

CENTRO DE ALTO

RENDIMIENTO

2013 Ninguna 2,1,1 1,00 0,001 0,051 -13,336 15,00 0,215 2014 Ninguna 1,1,10* 1,00 0,001 0,048 -13,284 5,00 0,131 2015 Raíz cuadrada 1,1,8 1,00 0,002 0,074 -12,834 9,00 0,108


79

6.2.2.6 MODELOS ARIMA PARA NOX

Partiendo de la validación de los modelos generados para estos contaminantes, en la tabla

28 se consignaron aquellos que según sus valores de verificación eran los más acertados

para cada serie de tiempo en cada estación. Los términos autorregresivos (AR, “p”) se

ubicaron en un rango bajo (1-3), al igual que el componente de medias móviles (MA, “q”);

lo cual indicó persistencia y fluctuaciones de estos contaminantes en el área de estudio no

mayor a tres meses. Exceptuando el valor q = 8 de la estación Carvajal para NO, el cual

indicó mayor variabilidad de esta partícula en esta área. Todas las estaciones requirieron la

aplicación de un operador de diferencia (I, “d”) de primer grado para los tres

contaminantes.

Tabla 28. Modelos mensuales de NO, NO2 y NOX.





Cristóbal

NO p - - - - 1 - 1 2 2 - d - - - - 1 - 1 1 1 - q - - - - 1 - 1 8 3 -

NO2 p - - - 3 3 1 1 - 1 1 d - - - 1 1 1 1 - 1 1 q - - - 1 2 3 2 - 1 2

NOX p - - - 2 2 1 1 - 1 1 d - - - 1 1 1 1 - 1 1 q - - - 1 1 3 2 - 1 2

Léase CNT: Contaminante T: Término, TF: Término más frecuente, F: Porcentaje de frecuencia Nota: se identifican con (-) aquellos parámetros no estimados por carencia o inexistencia de datos. Fuente: Los autores

Después del desarrollo de estos modelos, durante la verificación se observó que todos

cumplieron de manera superior con el ajuste de las series, al comparar las medidas de

bondad de estos con los contemplados en la tabla 29, los cuales, a pesar de ser modelos

válidos, no son superiores a los reportados en la tabla 28. Sin embargo, en todas las

estaciones y en los tres contaminantes el coeficiente de determinación R2 superó el 0,90. El

BIC fue el menor de todas las medias; para el NO entre -3,278 y -8,591, para el NOX entre -

3,879 y -7,389 y paro el NO2 los valores más pequeños, entre -5,934 y -10,335. Las

medidas de error arrojaron resultados positivos para todos los contaminantes, con valores

para NO de RMSE=0,014-0,192% y MAPE=0,041-0,116%; en el caso del NO2 los valores

fueron RMSE=0,001-0,037% y MAPE=0,027-0,060%. De igual forma, el NOX presenta los

80

mejores valores para estos criterios, en la RMSE de 0,024-0,210% y MAPE=0,041-

0,093%.

Tabla 29. Muestra de modelos mensuales ARIMA válidos para NO, NO2 y NOX.

ESTACION AÑO VAR. TRANS. ARIMA (p,d,q) R2 RMSE MAPE BIC DF SIG

Q'

TUNAL 2016

NO

Ninguna 1,1,15 1,00 0,027 0,116 -7,238 15,00 0,403 2015 Ninguna 1,1,1 1,00 0,029 0,096 -7,083 16,00 0,890 2012 Ninguna 1,1,15 1,00 0,192 0,104 -3,278 2,00 0,090

PUENTE ARANDA



CENTRO DE ALTO

RENDIMIENTO

2012 Raíz cuadrada 2,1,13 1,00 0,024 0,090 -7,414 3,00 0,050 2013 Ninguna 3,1,1 1,00 0,014 0,059 -8,591 15,00 0,068 2014 Ninguna 2,1,2 1,00 0,021 0,065 -7,712 14,00 0,130

CARVAJAL 2011 Ninguna 1,1,3 1,00 0,046 0,048 -6,171 12,00 0,156 2013 Ninguna 2,1,2 1,00 0,049 0,051 -6,030 14,00 0,132 2016 Ninguna 1,1,1 1,00 0,039 0,046 -6,467 17,00 0,366

KENNEDY 2007

NO2

Ninguna 1,2,1 0,96 0,005 0,027 -10,335 18,00 0,383 2008 Ninguna 2,1,1 0,99 0,007 0,032 -9,830 16,00 0,486 2015 Ninguna 1,1,1 0,00 0,001 0,060 -16,496 18,00 0,999

CENTRO DE ALTO

RENDIMIENTO


CARVAJAL 2008 Ninguna 1,1,3 1,00 0,045 0,037 -6,158 14,00 0,632 2009 Ninguna 3,1,1 1,00 0,051 0,040 -5,934 14,00 0,053 2012 Raíz cuadrada 1,1,5 1,00 0,037 0,031 -6,489 12,00 0,450

TUNAL

2016

NOX

Logaritmo natural 2,1,10 1,00 0,143 0,076 -3,879 6,00 0,366

2015 Ninguna 3,1,0 1,00 0,035 0,066 -6,701 15,00 0,418

2012 Logaritmo natural 2,1,11 1,00 0,034 0,061 -6,769 5,00 0,092

PUENTE ARANDA



GUAYMARAL 2014 Ninguna 1,1,1 1,00 0,210 0,092 -3,117 16,00 0,741 2015 Ninguna 2,1,1 1,00 0,058 0,076 -5,682 15,00 0,314 2017 Ninguna 1,1,1 1,00 0,039 0,079 -6,457 17,00 0,587

CENTRO DE ALTO

RENDIMIENTO



81

6.2.3 ANÁLISIS COMPARATIVO ENTRE MODELOS ARIMA

Partiendo de la moda (mayor frecuencia) de términos p, d y q de los modelos mensuales

para cada contaminante en cada una de las estaciones, como se observa en la tabla 30, se

identificó de manera general que todos los contaminantes presentaron baja persistencia

(términos autoregresivos AR, p = 1-2) y baja variabilidad (términos diferencia I, d = 1) en

sus concentraciones mensuales. El término de medias móviles (MA) fue q = 1 para la

mayoría de contaminantes exceptuando SO2, para el cual se determinó una moda q = 14,

indicando influencias superiores (escalas anuales) de este contaminante sobre sus

concentraciones en la ciudad.

Tabla 30. Modelos mensuales frecuentes.

CNT T TF F (%) ESTACIONES ZONA NORTE ESTACIONES ZONA SUR




Cristóbal

PM10 p 2 90 2 2 2 2 1 2 2 2 2 2 d 1 100 1 1 1 1 1 1 1 1 1 1 q 1 50 14 10 10 1 3 1 1 1 1 3

PM2.5 p 2 50 3 3 3 - 2 2 1 - 2 2 d 1 100 1 1 1 - 1 1 1 - 1 1 q 1 62,5 1 1 3 - 1 1 1 - 7 8

O3 p 1 57,1 1 2 2 - - 2 1 1 - 1 d 1 100 1 1 1 - - 1 1 1 - 1 q 1 57,1 2 10 1 - - 1 1 18 - 1

CO p 2 71,4 - 1 - 2 2 2 2 2 - 1 d 1 100 - 1 - 1 1 1 1 1 - 1 q 1 42,9 - 1 - 2 2 3 2 1 - 1

SO2 p 1 60 - 1 - 2 2 - 1 - 1 - d 1 100 - 1 - 1 1 - 1 - 1 - q 14 40 - 14 - 2 1 - 15 - 14 -

NO p 1 50 - - - - 1 - 1 2 2 - d 1 100 - - - - 1 - 1 1 1 - q 1 50 - - - - 1 - 1 8 3 -

NO2 p 1 66,7 - - - 3 3 1 1 - 1 1 d 1 100 - - - 1 1 1 1 - 1 1 q 2 50 - - - 1 2 3 2 - 1 2

NOX p 1 67 - - - 2 2 1 1 - 1 1 d 1 100 - - - 1 1 1 1 - 1 1 q 1 50 - - - 1 1 3 2 - 1 2

Léase CNT: Contaminante T: Término, TF: Término más frecuente, F: Porcentaje de frecuencia Nota: se identifican con (-) aquellos parámetros no estimados por carencia o inexistencia de datos. Fuente: Los autores.

A pesar de lo anterior, el emplear modelos únicos por contaminante para modelar su

comportamiento en toda la ciudad no sería adecuado, reconociendo modas débiles como la

de los términos de medias móviles (MA), la cual no superó el 62,5% en ninguno de los

contaminantes. Esto implica que el estudio y análisis de estos modelos debe realizarse de

82

manera diferencial a lo largo del área de estudio (la ciudad de Bogotá). Por ejemplo, se

reconocieron modelos con parámetros bajos para el PM10 en la zona centro y sur de la

ciudad (2,1,1-3), diferenciándose de la norte (estaciones de Guaymaral, Suba, Usaquén) con

modelos (2,1,10-14); los cuales indicaron mayor influencia de las concentraciones de meses

pasados sobre observaciones recientes, al poseer por ejemplo valores MA (q) altos. En

cuanto al PM2.5 se observó la dominancia del sur (estaciones Kennedy, Carvajal, Tunal y

San Cristóbal) en tener términos MA (q) altos.

En la figura 9 se observan espacializados los parámetros autorregresivos (AR, “p”) de los

modelos de todos los contaminantes, los cuales a pesar de encontrarse en un rango bajo,

implicando memorias cortas para todos los modelos; es decir, presentaron patrones de

dominancia. Tanto para el PM10 como para el PM2.5 predominaron valores p = 2, los cuales

fueron similares al comportamiento del CO, pero sólo en la zona centro y suroccidental. En

cuanto al NO2 y NOx estos presentaron valores p = 1 en la zona sur y valores p = 2 hacia el

centro, al igual que el SO2.

Figura 9. Variación espacial del término autoregresivo (AR) en modelos mensuales. Nota: en negro y gris se resaltan las estaciones con términos AR (P) más altos y más bajos, respectivamente. Fuente: Los Autores.

83

En cuanto a los parámetros de medias móviles (MA, “q”), los cuales resultaron ser los de

mayor variabilidad, estos se espacializaron en la figura 10; con la cual se identificaron

modelos con términos bajos (1-3) de manera regular en la zona centro y sur de la ciudad

para los contaminantes PM10, PM2.5, NO, NO2 y NOX, indicando menor cantidad de

fluctuaciones de estos contaminantes en estas zonas en comparación con el resto del área de

estudio. En cuanto al O3, se comportó de manera similar al NO en las estaciones en las que

estos fueron registrados. Por otra parte, el PM presentó comportamientos opuestos en los

extremos norte y sur de la ciudad, en aquellas estaciones con valores bajos q = 1-3 para

PM2.5 se obtuvieron q > 8 para el PM10 y viceversa, implicando una baja correlación entre

estos tamaños de partículas para esta área en términos de fluctuaciones; por lo que se pudo

inferir que en estas la fracción de PM > 2.5µm determina las fluctuaciones del PM10.

Figura 10. Variación espacial del término de medias móviles (MA) en modelos mensuales. Nota: en negro se resaltan las estaciones con MA (q) más altos. Fuente: Los Autores.

Con todo lo anterior, se identificaron la zona centro y sur de la ciudad como aquellas con

menor variación de parámetros de los modelos, implicando homogeneidad en el

comportamiento entre sus las respectivas series de datos de los contaminantes, en especial

del PM con NOX. Por lo anterior, la zona norte se estableció como aquella con mayor

84

variación en los parámetros de los modelos, lo cual podría estar relacionado con una

capacidad mayor de dispersar contaminantes en esta, según lo expuesto por quien reporta

registros superiores de humedad relativa y vientos para esta zona.

Por otro lado, el componente de medias móviles varió según la zona de la ciudad, el sur-

occidente presentó menor variabilidad con respecto al norte, una posible explicación se

relacionaría con en el comportamiento de la atmósfera, a diferencia del resto de la ciudad el

sur-occidente registro los mayores valores de precipitación y la menor temperatura en el

periodo de estudio (SDA, 2018). Las variables meteorológicas, como el viento (Li et al.,

2017) posiblemente influyeron en la dispersión de los contaminantes, lo cual pudo explicar

la alta fluctuación de las series, reflejadas en el componente de medias móviles, ya que en

esta zona se encontraron los valores más altos en la velocidad del viento (SDA, 2018).

6.3 EFECTIVIDAD DE LA NORMATIVIDAD PÚBLICA DE CALIDAD DEL AIRE

6.3.1 PROPUESTA METODOLÓGICA

En años recientes se han empleado diferentes metodologías para el estudio de la efectividad

de normativas en materia de calidad del aire, tales como aquellas que parten del análisis

multitemporal contrastado de índices de calidad del aire y de salud en modelos de costo-

efectividad, según lo expuesto por Fenget al (2019). Sin embargo, debido a la fluctuación

de los datos debido a variables no contempladas en dichos modelos estos no terminan

siendo aceptados por todas las partes interesadas, por lo que en algunos casos se ha optado

por sistemas participativos en los cuales partiendo de la discusión técnica y política de

actores frente a las medidas implementadas se atribuyen valores de efectividad relativa a las

medidas; y se reorientan los esfuerzos institucionales para el manejo de la calidad del aire,

como es el caso de Nairobi (India) frente a la influencia de la contaminación exterior en la

calidad del aire de hogares (Dianiti et al., 2019).

Otras metodologías incluyen modelos experimentales, en los cuales se comparan los

cambios presentados en las concentraciones de contaminantes en entornos afectados por

ciertas normas frente a otros en las que estas no rigen; como en el estudio de Lin & Zhu

(2019), quienes estudiaron la efectividad de la normativa fiscal china de ahorro de energía y

85

reducción de emisiones, comparando los niveles de contaminantes atmosféricos en las

ciudades que primero implementaron esta normativa frente aquellas ciudades que tardaron

en hacerlo, encontrando diferencias significativas entre estas, denotando la efectividad de

la política. Este tipo de metodologías se denominan difference-in-difference (DD), según Li

et al. (2016) la validez de estas radica en la suposición de que un entorno regulado funciona

como un contrafactual de uno sin regular; siempre y cuando se puedan considerar las

características propias de cada entorno en series estandarizadas.

Considerando los requerimientos de información de cada metodología expuesta, se

reconoció que ninguna de estas era adecuada para el presente estudio, por lo que se propuso

una metodología tipo DD, denominada en inglés Regression-Discontinuity Design (RD),la

cual implica la comparación de una serie de tiempo, antes y después de un momento dado,

orientada a identificar discontinuidades significativas en este punto (Yang et al., 2020); en

comparación con el resto, el diseño RD se configura como un experimento cuasialeatorio

con estimaciones más precisas ya que evita la endogeneidad de la estimación de parámetros

cuando el experimento aleatorio no está disponible (diferente a lo requerido al método DD),

lo que refleja realmente la relación causal de las variables de estudio (Lee, 2008), como lo

pueden ser la reglamentación de una normativa de calidad del aire y la concentración de

contaminantes atmosféricos.

Bajo esta metodología, la efectividad de la normatividad está dada por la disminución en la

concentración de contaminantes atmosféricos dentro de una ventana temporal estrecha

alrededor de la introducción gradual de cada regulación (Auffhammer & Kellogg, 2011).

En diferentes estudios como en el de Yang et al. (2020), en el cual estudiaron la efectividad

de la mejora de combustibles con respecto a la contaminación atmosférica en China, esta

ventana fue de cuatro meses una vez reglamentada la norma; argumentando este tiempo

como el suficiente para evidenciar resultados de la reglamentación y evitar fluctuaciones de

la serie a causa de factores como el cambio en la flota vehicular, flujos demográficos y la

implementación de otras normativas. Estos estudios al igual que el de Li et al. (2016) parten

de un modelo como el presentado en la ecuación 6.

𝑌𝑡 = 𝑎 + 𝛿𝑃𝑡 + 𝑏(𝑡 − 𝑧) + 𝑐(𝑡 − 𝑧)𝑃𝑡 + 𝑑𝑀𝑡 + 휀 Ecuación 6

86

En estos modelos la variable dependiente Yt representa la concentración del contaminante

en estudio, se manejan varios coeficientes relacionados a controles de variables (a, b, c y d),

al igual que variables ficticias que toman valores binarios (Pt) para denotar la entrada en

vigencia de una política; los cuales se activan dependiendo del momento de análisis (t)

respecto al momento de comparación o punto de corte (z). También manejan índices de

estabilidad atmosférica de llegar a tener los datos (Mt) y valores de error (ε). El término δ

representa la efectividad cuantificable de la norma estudiada según lo expuesto por Feng et

al. (2019), el cual se puede reordenar en un decrecimiento porcentual, como se observa en

la ecuación 7, la cual ha de ser negativa si el instrumento de gestión fue efectivo.

𝛿 = 𝐶𝑡 − 𝐶𝑍

𝐶𝑍∗ 100

Ecuación 7

El término δ se calcula entonces, a partir de la concentración del contaminante en estudio

en un momento t posterior a la entrada en vigencia de la norma (Ct), el cual no puede

sobrepasar la ventana temporal de estudio y la concentración del contaminante en estudio

en el momento de comparación o punto de corte (Cz). Partiendo de lo anterior, para el

presente estudio se consideró una ventana de estudio de seis meses a partir del punto de

corte, debido a ser este, como se observa en la figura 11, el valor promedio del tercer cuartil

(Q3 = 6,34 meses) de las diferencias en meses de la reglamentación de la normatividad

pública contenida en la tabla 15; evitando así el traslape temporal en el estudio de la

efectividad de los instrumentos (en el último cuartil se determinaron valores superiores a 12

meses que afectaban a varias normas). Además, a diferencia de los estudios citados se

propuso hallar los puntos de corte (z en la ecuación 6) empleando la herramienta de

identificación de datos atípicos incluida en el modelizador experto de series temporales de

IBM SPSSV 25, junto a los modelos ARIMA hallados a partir de las medias móviles

mensuales para cada estación (apartado 6.2.2).

Figura 11. Diferencia mensual de reglamentación de normas públicas. Fuente: Los Autores

87

Los puntos de corte se concibieron como datos atípicos de cambio de nivel e innovadores,

los cuales denotaron discontinuidades significativas prolongadas en las series. Estos datos

por lo general se presentaron dos semanas después de la entrada en vigencia de alguna

normatividad pública, por lo que una vez identificados se relacionaron, según las fechas

contenidas en la tabla 15, al instrumento normativo con las fechas de reglamentación más

próximas a estos; atribuyéndoles así una disminución porcentual del contaminante criterio

estudiado transcurrida la ventana temporal de estudio.

Con lo anterior, se ahorró el análisis independiente de cada política, enfocándose tan sólo

en aquellas que implicaron variaciones en las series de datos y se evitó la determinación

teórica de coeficientes para el control de variables (a, b, c y d en la ecuación 6), al

encargarle al software esta tarea. Por esta razón, una vez identificados los puntos de corte

según Li et al. (2016), tan solo restaba determinar la variación porcentual de la

concentración del contaminante (δ en la ecuación 6). A continuación, se presentan los datos

atípicos que según la definición de IBM (2014) fueron útiles para el presente estudio.

6.3.1.1 DATO ATÍPICO INNOVADOR

Este tipo de dato se caracteriza por un impacto inicial con efectos que se extienden sobre

las siguientes observaciones. La influencia de los valores atípicos puede presentarse a lo

largo de la serie, como se observa en la figura 12.

Figura 12. Comportamiento tipo de un dato atípico innovador (IBM, 2014). En rojo comportamiento de la serie con el dato atípico en mención, en azul una serie con ausencia del mismo.

En el marco de esta investigación, se consideró que un dato atípico innovador puede

relacionarse con una efectividad temporal de las normas de calidad del aire, las cuales por

88

factores como el aumento de la flota vehicular posiblemente disminuyeron su impacto en el

manejo y control de contaminación atmosférica a lo largo del tiempo. Es decir, este tipo de

datos podría dar cuenta de periodos en los cuales la normativa funcionó, pero por cambios

en los factores que determinaron su diseño dejó de ser efectiva. En este contexto y

partiendo de las series de datos con medias móviles mensuales de los contaminantes criterio

de las diferentes estaciones de la RMCAB se hallaron los datos innovadores (tablas 31 y

32).

Tabla 31. Cantidad de datos atípicos innovadores por estación de las series de contaminantes criterio con medias móviles mensuales.

AÑO

ESTACIÓN

Carvajal Centro de

Alto Rendimiento

Guaymaral Kennedy Las Ferias

Puente Aranda

San Cristóbal Suba Tunal Usaquén Total

Anual

2007 36 214 - 123 7 163 - 70 45 33 691 2008 74 219 19 67 1 180 - 154 43 81 838 2009 78 283 31 109 1 116 - 219 243 65 1145 2010 36 109 22 89 30 104 - 282 74 11 757 2011 25 156 23 116 35 98 33 132 169 128 915 2012 59 106 17 86 30 124 72 182 230 47 953 2013 47 167 40 97 67 179 41 151 185 78 1052 2014 42 234 70 73 43 144 82 132 158 42 1020 2015 2 41 16 12 8 259 14 21 36 14 423 2016 21 144 68 94 3 - 100 82 151 49 712 2017 9 185 40 39 - 139 64 162 136 39 813 Total 429 1858 346 905 225 1506 406 1587 1470 587 9319

Nota: Marcados en gris los datos mínimos y máximos de cada estación y los totales. Fuente: Los Autores

Tabla 32. Cantidad de datos atípicos innovadores por contaminante de las series de contaminantes criterio con medias móviles mensuales.

AÑO CONTAMINANTES

CO NO NO2 NOX O3 PM10 PM2.5 SO2 Total Anual

2007 101 70 35 89 - 102 44 250 691 2008 111 125 38 70 67 131 39 257 838 2009 145 121 75 122 77 158 52 395 1145 2010 93 78 39 64 65 80 22 316 757 2011 181 110 68 91 30 83 37 315 915 2012 115 118 54 98 59 104 58 347 953 2013 89 109 74 130 86 159 61 344 1052 2014 139 138 46 163 24 190 103 217 1020 2015 39 39 26 71 66 44 16 122 423 2016 91 84 17 101 112 182 100 25 712 2017 83 79 27 101 75 192 117 139 813 Total 1187 1071 499 1100 661 1425 649 2727 9319 Nota: Marcados en gris los datos mínimos y máximos de cada estación y los totales. Fuente: Los Autores

Se observa que el año 2009 fue aquel que presentó la mayor cantidad de datos innovadores

(1145), mientras que en el 2015 se observó la menor cantidad (423). La estación Centro de

89

Alto Rendimiento presentó más observaciones (1858) de este tipo durante el período de

estudio (2007-2017), y Las Ferias evidenció el menor reporte (255). En cuanto a los

contaminantes, aquel con mayor cantidad de reportes fue el SO2 (2722) y con menor el NO2

(499). En el reporte por estación (ver tabla 31.) se observa que los datos atípicos mínimos o

máximos generalmente se ubican un año después a los años identificados en el apartado

6.1.2 como periodos de renovación o ajuste de normas (2008, 2010, 2012, 2015 y 2017),

exceptuando el año 2015; lo cual según SDA (2016) pudo estar relacionado al déficit de

lluvias que presentó ese año causando variabilidad en las concentraciones.

6.3.1.2 DATO ATÍPICO DE CAMBIO DE NIVEL

Estos corresponden a fenómenos en los cuales aquellas observaciones que aparecen

después del valor atípico se desplazan a un nuevo nivel. A diferencia de los valores atípicos

innovadores o tradicionales (aditivos), afecta a diversas observaciones y tiene un efecto

permanente como observa en la figura 13.

Figura 13. Comportamiento tipo de un dato atípico de cambio de nivel (IBM, 2014). En rojo comportamiento de la serie con el dato atípico en mención, en azul una serie con ausencia del mismo.

En el marco de esta investigación, se consideró que un dato atípico de cambio de nivel

puede probablemente relacionarse con una norma efectiva desde su implementación hasta

el final del periodo de estudio. Es decir, este tipo de datos podría dar cuenta del momento

en el cual la normativa se hizo efectiva. Al igual que con los atípicos innovadores, se partió

de las series de datos con medias móviles mensuales de los contaminantes criterio de las

diferentes estaciones de la RMCAB para hallar los datos de cambio de nivel con el

90

modelizador experto de SPSS. La cantidad de estos datos atípicos por estación se relaciona

en la tabla 33 y por contaminante en la tabla 34.

Tabla 33. Cantidad de datos atípicos de cambio de nivel por estación de las series de contaminantes criterio con medias móviles mensuales.

AÑO

ESTACIÓN

Carvajal Centro de

Alto Rendimiento

Guaymaral Kennedy Las Ferias

Puente Aranda

San Cristóbal Suba Tunal Usaquén Total

Anual

2007 33 145 - 61 4 134 - 57 57 13 504 2008 48 148 30 50 1 186 - 102 31 28 624 2009 41 186 42 78 143 - 187 218 45 940 2010 37 100 21 88 14 130 - 118 100 49 657 2011 22 150 27 96 53 99 30 118 135 99 829 2012 35 103 21 87 20 110 109 125 209 61 880 2013 39 165 50 123 46 184 54 144 135 89 1029 2014 37 133 54 103 32 156 102 148 104 42 911 2015 3 29 10 6 3 246 11 28 36 16 388 2016 13 125 61 33 1 - 136 80 163 36 648 2017 10 150 51 58 - 207 123 149 94 67 909 Total 318 1434 367 783 174 1595 565 1256 1282 545 8319

Nota: Marcados en gris los datos mínimos y máximos de cada estación y los totales. Fuente: Los Autores

Tabla 34. Cantidad de datos atípicos de cambio de nivel por contaminante de las series de contaminantes criterio con medias móviles mensuales.

AÑO CONTAMINANTES

CO NO NO2 NOX O3 PM10 PM2.5 SO2 Total Anual

2007 79 51 18 44 - 110 30 172 504 2008 74 82 47 40 53 140 19 169 624 2009 114 98 40 90 59 171 46 322 940 2010 100 73 57 80 35 86 37 189 657 2011 154 91 72 81 37 101 21 272 829 2012 101 108 58 92 58 192 57 214 880 2013 104 106 98 126 67 220 48 260 1029 2014 122 98 51 110 39 219 96 176 911 2015 52 36 25 46 48 58 33 90 388 2016 55 73 13 86 67 196 146 12 648 2017 88 64 29 92 122 186 189 139 909 Total 1043 880 508 887 585 1679 722 2015 8319 Nota: Marcados en gris los datos mínimos y máximos de cada estación y los totales. Fuente: Los Autores

De manera general, se observa que para este tipo de datos la cantidad de observaciones es

menor que la de datos innovadores. El año 2013 fue aquel que presentó mayor cantidad de

datos de cambio de nivel (1029), mientras que en el año 2015 nuevamente se presentó la

menor cantidad (388). La estación Puente Aranda presentó más observaciones (1595) de

este tipo durante el período de estudio (2007-2017) y Las Ferias, al igual que para los datos

innovadores, obtuvo el menor reporte (174). En cuanto a los contaminantes, al igual que

con los innovadores, aquel con mayor cantidad de reportes fue el SO2 (2015) y con menor

91

el NO2 (508). En los reportes por estación y por contaminante, se observa una vez más que

los datos atípicos mínimos o máximos generalmente se ubican un año después a los años

identificados en el apartado 6.1.2 como periodos de renovación o ajuste de normas (2008,

2010, 2012, 2015 y 2017), exceptuando el año 2015.

6.3.2 ANÁLISIS DE EFECTIVIDAD DE LA NORMATIVIDAD PÚBLICA

Debido a la diversidad de la normativa identificada (ver tabla 15) y al tamaño de las bases

de datos empleadas en el presente estudio (RMCAB y datos atípicos), se priorizó el análisis

de las series de datos de las estaciones ubicadas en zonas denominadas de alta

contaminación por el Decreto Distrital 174 del 2006. Es decir, aquellas en las localidades

de Puente Aranda, Kennedy, Bosa y Tunjuelito (suroccidente de Bogotá). Esto bajo el

supuesto empleado por Auffhammer & Kellogg (2011) de que la efectividad de las normas

públicas en estas zonas, al ser las más contaminadas, podría ser equiparable al resto de la

ciudad. Como se observa en la figura 4, las estaciones ubicadas en estas zonas fueron:

Puente Aranda, Tunal, Kennedy, Carvajal y San Cristóbal. También se priorizó el análisis

de la variación de PM2.5, PM10 y O3, debido a lo expuesto en el apartado 6.1, en el cual estos

contaminantes se identificaron como los de mayor atención para la salud pública y, por lo

tanto, como los de mayor interés e influencia en la formulación de la normatividad en

materia de calidad de aire a nivel mundial, nacional y distrital.

Por lo anterior, para la verificación de este análisis aplicado al PM10 y O3 se partió de los

datos de la estación Carvajal, por ser esta la que poseía la mayor cantidad de datos

disponibles para estos contaminantes (93,1% y 83,8%, respectivamente) en el área

priorizada como se observa en la tabla 6. Para el PM2.5 se emplearon los registros de la

estación Kennedy (85,4% de datos disponibles). Con estas consideraciones y siguiendo lo

expuesto en el apartado 6.3.1, el análisis de datos atípicos evidenció que los contaminantes

priorizados presentaron tendencia a la baja en el periodo de estudio (2007-2017), lo cual

permitió inferir que las normas públicas para el manejo de la calidad del aire en la ciudad

de Bogotá fueron efectivas en el control de la contaminación atmosférica (PM2.5 = -26,2%,

PM10 = -0,68% y O3 = -15,19%).

92

El periodo comprendido entre los años 2008 y 2009 se destacó por ser aquel en el cual se

redujo en mayor medida los contaminantes priorizados (entre 14,1 y 15,1%), lo cual

permitió inferir que los instrumentos normativos implementados en dicho momento fueron

los más efectivos. Respecto a lo anterior, se identificó que este periodo contó con un

abordaje sistemático de la normatividad pública como el propuesto por Yang et al. (2020),

el cual contempló medidas para mitigar la contaminación atmosférica desde diferentes

sectores, incluyendo fuentes fijas, móviles y la calidad de combustibles. La Res. 2380 del

2007 y la Res. 910 del 2008 establecieron niveles máximos permisibles de emisión de

contaminantes para fuentes móviles; la Res. 909 del 2008 estableció este tipo de niveles

para fuentes fijas y la Ley 1205 del mismo año estableció el interés del estado por contar

con combustibles con mejores índices de calidad; acordes a niveles internacionales, que

implicaran menores impactos ambientales, reforzando esto los adelantos de instrumentos

como la Res. 180782 del 2007. Esta resolución fijó parámetros de calidad en la

composición de combustibles diésel fósil y el combustible diésel regular, y sus mezclas

para su uso en procesos de combustión.

Con el adelanto de la metodología propuesta se logró determinar la efectividad una vez

transcurrido un semestre tras su reglamentación, de 8 de las 34 normas públicas estudiadas

de orden distrital y nacional con impacto sobre la calidad del aire de la capital, vigentes

durante el periodo 2007-2017. Considerando la ventana de estudio propuesta (seis meses)

las otras 26 normas pudieron no figurar en este análisis según lo expuesto por Feng et al.

(2019) por presentar efectos sobre la contaminación después de esta ventana, lo que

conllevó a no determinar de manera concreta cierta reducción para cada una. Como se

observa en la tabla 35, las medidas más efectivas en la estación de Carvajal fueron la Res.

180782 del 2007 disminuyendo en un 46.95% la concentración atmosférica de PM2.5 y la

Res.1304 del 2012 reduciendo en 38,22% la de O3. La mayor reducción de PM10 se

presentó gracias al Decreto Distrital 623 del 2011 (δ = -2.83%) la cual, en comparación con

los otros contaminantes al ser significativamente menor denota mayor necesidad de gestión

para la reducción de este contaminante en la atmosfera.

De las ocho normas reportadas en la tabla 35, seis se orientaron a fuentes móviles y cuatro

establecieron metas cuantitativas claras para la reducción de la contaminación atmosférica,

93

permitiendo inferir que las normativas con estas características son más efectivas

estudiadas en ventanas de tiempo cortas. Todas fueron implementadas antes del año 2015 y

en comparación con el resto de instrumentos normativos estudiados, ninguna fue derogada

y los ajustes que sufrieron algunas, como la Res. 180782 del 2007 y el Decreto Distrital.

035 del 2009, obedecieron a dar claridad a la norma sin alterar su objeto o metas (ver figura

6), en otras palabras no estuvieron sometidas a cambios drásticos que afectaran su

efectividad. Considerando el caso de la Res. 1304 del 2012 la cual fue efectiva en mayor

medida reduciendo el O3 (δ = -38.22%) que el PM10 (δ = -0.03%), debido a reglamentar

sobre su fuente precursora como los NOX en los combustibles diésel, se evidenció la

selectividad de algunas normas en la reducción específica de un contaminante, por lo que a

partir de estos resultados se develó que un abordaje normativo efectivo para el PM10, el cual

cuenta con las tasas más bajas de efectividad, ha de considerar sus principales fuentes de

producción y mecanismos de transporte.

Reconociendo que todas las normas identificadas se establecieron antes del año 2015, se

debería determinar la razón por la que normatividad reglamentada después de este

momento como la Res. 789 del 2016, la cual estableció parámetros y requisitos de calidad

del Etanol Anhidro Desnaturalizado a utilizar como oxigenante de gasolinas; no han

generado cambios sustanciales en los niveles de contaminación y en conjunto con lo aquí

expuesto sobre mayor efectividad de normas que cuentan con menores cambios a lo largo

del tiempo, que regulan emisiones de fuentes móviles y que cuentan con medidas

cuantitativas claras, direccionar la toma de decisiones para próximas normativas.

94

Tabla 35. Efectividad en la reducción de carga contaminante atmosférica de PM10, PM2.5 y O3 a causa de normatividad pública identificada con la metodología propuesta.

δ (%) NORMA RELACIONADA OBJETO

FECHA REGLAMEN-

TACIÓN

FECHA AJUSTE

MEDIDA CUANTI-TATIVA

ORIENTADA A FUENTES

PM2.5

-46,95 R. 180782 del 2007

Modifica los parámetros de calidad en la composición de biocombustibles y mezclas de diésel fósil y regular.

30/05/2007 10/09/2014 R. 90963/2014 Si Móviles

-25,96 DD. 035 del 2009

Restringe circulación de motocicletas, cuatrimotos, mototri-ciclos, motociclos, ciclomotores y motocarros propulsados por motores de ciclo de dos tiempos en el Distrito Capital.

16/02/2009

11/11/2011 DD. 497/2011

11/07/2012 DD. 345/2012

30/04/2014 DD. 171/2014

No Móviles

PM10

-2.83 DD. 623 del 2011

Clasifica las áreas-fuente de contaminación ambiental Clase I, II y III de Bogotá. Establece: programas de Reducción de Emisiones, medidas de Contingencia para las áreas-fuente y establece suspensión de calderas y hornos.

28/12/2011 N.A No Fijas

-1.65 R. 646 del 2015

Adopta el plan para la mitigación de emisiones de los vehículos con motor de ciclo de dos tiempos que circulan en la ciudad de Bogotá.

16/09/2015 N.A No Móviles

-0.48 RC. 2410 del 2015

Define niveles de prevención, alerta o emergencia por contaminación atmosférica en Bogotá estableciendo el IBOCA.

18/12/2015 N.A Si Móviles /Fijas

-0.03 R.1304 del 2012

Establece niveles máximos de emisión y requisitos ambientales para fuentes móviles del sector de servicio público de transporte terrestre de pasajeros.

29/10/2012 N.A Si Móviles

-0.03 R. 2394 del 2011

Reglamenta el art. 4 de la D.035/2009 el cual restringe el tránsito de motocicletas y demás vehículos dos tiempos, además plantea fechas para salida de circulación de este tipo de automotores las cuales se derogan entre todas las modificaciones y/o derogaciones.

29/08/2012 N.A No Móviles

O3

-38,22 R.1304 del 2012

Establece niveles máximos de emisión y requisitos ambientales para fuentes móviles del sector de servicio público de transporte terrestre de pasajeros.

29/10/2012 N.A Si Móviles

-12.8 R. 909 del 2008

Establece las normas y estándares de emisión admisibles de contaminantes a la atmósfera por fuentes fijas y tipos de fuentes de combustión, y se dictan otras disposiciones.

15/07/2008 N.A Si Fijas

95

6.3.2.1 EFECTIVIDAD EN EL PM2.5

Según lo reportado en la tabla 36, el PM2.5 no presentó una tendencia específica en sus

niveles máximos anuales durante el periodo de estudio, estos valores se ubicaron en el

rango de 135 y 716,5 µg/m3 presentando un promedio de 268 µg/m3. Como se observa en la

figura 14, la concentración media anual tampoco presentó un comportamiento tipo, esta

decreció en promedio 0.48 µg/m3 por año, presentando un valor máximo de 38.7 µg/m3 en

el 2010, debido a registros entre 141.3 y 228.6 µg/m3 en el último trimestre de este año. El

mes de diciembre fue el de mayor número de casos (6 de 10) reportados entre las 22:00 y

2:00 horas de los días 7, 9, 10 y 15, lo cual pudo estar relacionado con la quema de pólvora

por fiestas decembrinas, como el caso del Valle de Aburra, en el cual se ha registrado el

aumento en 133% de PM2.5 en el aire en menos de 5 horas a causa del uso de explosivos

(Restrepo, 2016). Además, para dicho año se reportó la disminución de la velocidad

promedio de movilidad en 7,36%, un aumento del 11% del parque automotor (Sec.

Movilidad, 2010), y 73.75% más de motocicletas (Sec. Movilidad, 2016); lo cual en

conjunción con el aumento característico de viajes de esta época pudo afectar de manera

significativa a estas observaciones.

Tabla 36.Variaciones en la concentración de PM2.5 con media móvil mensual en la estación de Carvajal.

AÑO MÁXIMA (µg/m3)

VARIACIÓN ANUAL (µg/m3)

PROMEDIO ANUAL (µg/m3)


VARIACIÓN ANUAL (%)

2007 716,5 34,4 2008 154,3 -562,2 29,2 -5,2 -15,1 2009 241 86,7 27,7 -1,6 -5,4 2010 228,6 -12,4 38,7 11,0 39,9 2011 171,8 -56,8 31,0 -7,7 -20,0 2012 315 143,2 28,4 -2,6 -8,3 2013 146,6 -168,4 28,3 0,0 -0,1 2014 159 12,4 31,5 3,2 11,3 2015 135 -24 27,0 -4,5 -14,3 2016 216 81 30,1 3,1 11,5 2017 464 248 26,9 -3,2 -10,6

PROMEDIO 268,0 -25,3 30,3 -0,8 -1,1 Nota: Marcadas en gris las variaciones anuales porcentuales significativas.

96

Figura 14. Comportamiento anual de la concentración promedio con media móvil mensual de PM2.5 en la estación Carvajal. Fuente: Los autores.

En la tabla 37 se relacionaron varios instrumentos normativos reglamentados en Bogotá con

los datos atípicos de cambio de nivel identificados para este contaminante siguiendo la

propuesta metodológica expuesta en el apartado 6.3.1 (el único dato atípico identificado

está considerado en la ventana temporal de estudio del dato del 30 de junio de 2007).

También se evidencia la efectividad de los instrumentos (δ) transcurridos 6 meses del punto

de corte (z). El cálculo de la variación porcentual semestral (δ) indicó una reducción

promedio del -36,45% de la carga contaminante de PM2.5 durante el periodo de estudio

gracias a las normas relacionadas.

Tabla 37.Datos atípicos de PM2.5 con media móvil mensual para la estación Carvajal. DATO

ATÍPICO

PUNTO DE CORTE (z) NORMA

RELACIONADA

PM2.5 (µg/m3) δ

(%) FECHA HORA 0 1 2 3 Cambio de nivel

30/06/2007 4:00 a. m. R.180782 31,1 34,8 28 16,5 -46,95 15/02/2009 9:00 a. m. DD. 035 36,6 30,3 36,6 27,1 -25,96

PROMEDIO -36.45 Nota: Léase 0 = en z, 1 = al mes siguiente, 2 = al trimestre siguiente, 3 = pasado un semestre, δ= Variación Porcentual Semestral, R = Resolución y DD= Decreto Distrital. Fuente: Los Autores.

El instrumento normativo más efectivo fue la Res. 180782 de 2007 (δ = -46.95%), la cual

modificó los criterios de calidad de los biocombustibles para su uso en motores diésel como

componente de la mezcla con el combustible diésel de origen fósil en procesos de

combustión. Esto según lo expuesto por Llanes et al. (2017) se debe a que el biodiesel al ser

un combustible oxigenado sufre una combustión más completa que el diésel, reduciendo

por lo tanto la formación y emisión de partículas finas como el PM2.5; este autor también

menciona que la U.S. Environmental Protection Agency (EPA) en un estudio compilatorio

de diversas investigaciones sobre emisiones vehiculares con biodiesel, concluyó que las

25,0

30,0

35,0

40,0

2007 2009 2011 2013 2015 2017

PM

2.5

(µg/m

3)

Año

97

emisiones vehiculares de material participado se reducían en un 47% cuando se usaba

biodiesel, siendo este valor acorde al calculado en el presente estudio.

Por otra parte, el Decreto Distrital 035 del 2009, el cual restringió la matriculación y

circulación en la ciudad de automotores a dos tiempos como motocicletas, cuatrimotos,

moto triciclos, motociclos, ciclomotores y motocarros, arrojó una efectividad de reducción

de carga contaminante de aproximadamente -26%; lo cual posiblemente se relacionó con lo

expuesto por Cortés (2014), quien aseguró que luego de reglamentada la norma cerca de 31

mil automotores de este tipo dejaron de circular.

6.3.2.2 EFECTIVIDAD EN EL PM10

Como se observa en la tabla 38, el PM10 con el paso de los años presentó una disminución

tanto en sus niveles máximos (-13,8 µg/m3 por año) como en su concentración promedio

(-2,3 µg/m3 por año); los periodos con mayor reducción fueron del 2010 al 2012 y del 2015

al 2017, evidenciando así un comportamiento sinusoidal de este contaminante como se

observa en la figura 15. Excluyendo la variación anual porcentual de la concentración del

año 2008 y 2009, esta tuvo un promedio de -3,1%, por lo que se pudo inferir que desde el

año 2010 las acciones de reducción fueron más efectivas que la de años anteriores, siendo

el 2012 y 2016 los años con mayor reducción, y el 2014 el año con la menor. En este último

año se presentó la mayor concentración durante el periodo de estudio.

Tabla 38. Variaciones en la concentración de PM10 con media móvil mensual en la estación de Carvajal.

AÑO MÁXIMA (µg/m3)


PROMEDIO ANUAL (µg/m3)



2007 255,2 58,9 2008 506,5 251,3 86,5 27,6 46,8 2009 392,5 -114 91,8 5,3 6,1 2010 337,4 -55 90,2 -1,6 -1,8 2011 384 46,5 85,3 -4,9 -5,4 2012 319,3 -64,7 76,1 -9,2 -10,8 2013 364 44,7 80,5 4,5 5,9 2014 441 77 89,6 9,1 11,3 2015 448 7 86,1 -3,6 -4,0 2016 332 -116 73,1 -13,0 -15,1 2017 382 50 65,7 -7,4 -10,1

PROMEDIO 378,4 -13,8 80,3 -2,3 2,3 Nota: Marcadas en gris las variaciones anuales porcentuales significativas.

98

Figura 15. Comportamiento anual de la concentración promedio con media móvil mensual de PM10 en la estación Carvajal. Fuente: Los autores.

La mayor concentración en la serie de PM10 en la estación de Carvajal (441 µg/m3),

evidenciada a las 7:00 am del 27 de junio del 2014, se relacionó con los mencionado por el

IDEAM (2016), el cual sostuvo que el día 23 del mismo mes una corriente proveniente de

África Occidental inició su recorrido por el Océano Atlántico, ayudada por vientos

provenientes del este. En los días posteriores, se reportó que el fenómeno causó

afectaciones en la calidad del aire en áreas tan remotas como el sureste de Estados Unidos.

Esta corriente de polvo proveniente del Sahara se dirigió al norte de Suramérica el 25 de

junio. Los datos presentados para Bogotá y otras ciudades, indicaron que esta pluma de

contaminación llegó a Colombia en días cercanos al 27 de junio de 2014 ocasionando

niveles elevados de material particulado en todas las estaciones (IDEAM, 2016), entre ellas

la de Carvajal.


los datos atípicos innovadores y de cambio de nivel identificados para este contaminante,

siguiendo la propuesta metodológica expuesta en el apartado 6.3.1; también se evidencia la

efectividad de los instrumentos (δ) pasados 6 meses del punto de corte (z). Los resultados

mostraron que los datos atípicos se presentaron entre 4 a 15 días después de haberse

reglamentado los instrumentos normativos relacionados.

Tabla 39. Datos atípicos de PM10 con media móvil mensual para la estación Carvajal. DATO

ATÍPICO


RELACIONADA

PM10 (µg/m3) δ

(%) FECHA HORA 0 1 2 3

Cambio de nivel

31/07/2008 7:00 a. m. R. 909 R.910 97,52 - - - -

11/11/2012 7:00 a. m. R.1304 79,55 79,41 79,40 79,52 -0.03

04/01/2012 4:00 a. m. DD. 623 82,35 80,70 80,08 80,08 -2.83

Innovador 01/09/2012 8:00 a. m. R. 2394 79,48 79,34 79,33 79,45 -0.03

55,0

65,0

75,0

85,0

95,0

2007 2009 2011 2013 2015 2017

PM10

µg/

m3

Año

99

DATO

ATÍPICO


RELACIONADA

PM10 (µg/m3) δ

(%) FECHA HORA 0 1 2 3 09/11/2012 8:00 a. m. R. 1304 78,77 79,41 79,40 79,52 0.94

12/11/2015 1:00 p. m. R. 646 93,57 93,62 93,84 92,05 -1.65

24/12/2016 12:00 p. m. RC. 2410 87,66 87,40 87,38 87,24 -0.48

PROMEDIO -0.68 Nota: Léase 0 = en z, 1 = al mes siguiente, 2 = al trimestre siguiente, 3 = pasado un semestre, δ= Variación Porcentual Semestral, R = Resolución, RC = Resolución Conjunta y DD= Decreto Distrital. Fuente: Los Autores.

El cálculo de la variación porcentual semestral (δ) indicó una reducción promedio del

-0,68% de la carga contaminante de PM10 durante el periodo de estudio gracias a la

normatividad relacionada. Uno de los instrumentos normativos más efectivos fue el Decreto

Distrital 623 del 2011 (δ = -2.83%), por el cual se zonificó las áreas-fuente de

contaminación en la ciudad, se prohibió el uso de aceites usados en el funcionamiento de

calderas y hornos, y permitió suspender el funcionamiento de estos mismo cuando excedían

los niveles de emisión para fuentes fijas. La Resolución 646 también tuvo un desempeño

superior en comparación con el resto, reduciendo en 1,65% la concentración de PM10, al

mitigar emisiones de los vehículos con motor de ciclo de dos tiempos que circulan en la

ciudad.

Por otro lado, aquellos instrumentos con un enfoque más específico como la Res. 1304 del

2012, la cual estableció los niveles máximos de emisión y los requisitos ambientales a los

que están sujetas las fuentes móviles del sector de servicio público de transporte terrestre de

pasajeros en los sistemas colectivo, masivo e integrado que circulan en el Distrito; no

resultaron efectivos en los registros de esta estación (δ = 0.94%).

6.3.2.3 EFECTIVIDAD RELACIONADA CON LA CONCENTRACIÓN DE O3

A lo largo del periodo de estudio la concentración de O3 decreció tanto en sus niveles

promedio como en sus niveles máximos hasta el 2014, momento en el cual presentó un alza

del 40% hasta el 2016; para luego decrecer aproximadamente 19% durante el 2017 como se

observa en la tabla 40 y la figura 16. Los niveles máximos para el año 2008 no excedieron

las 110 ppb a finales de febrero e inicios de marzo, mientras que para los años 2009 y 2010

los picos se presentaron a inicios de enero sin exceder las 82 ppb. Durante el año 2012 los

valores extremos se acercaron a las 50 ppb, a diferencia de los valores de concentración en

100

el año 2014, los cuales superaron este valor, presentando un pico de 69,5 ppb en el 2016.

Esto tal vez relacionado con la poca calidad de datos pues la estación tan solo recolectó

35,5% de las observaciones de dicho año, razón por la cual esta estación no se incluyó en el

análisis anual de este contaminante considerado en el Informe anual de Calidad del Aire en

Bogotá adelantado por la RMCAB. Se reconoce además el comportamiento de este

contaminante a aumentar sus concentraciones en periodos secos y disminuirlas en periodos

lluviosos, lo cual rectifica que las condiciones meteorológicas y climatológicas de Bogotá

influyen en gran medida en la calidad del aire (SDA, 2018). Tabla 40. Variaciones en la concentración de O3 con media móvil mensual en la estación de Carvajal.

AÑO MÁXIMA (ppb)

VARIACIÓN ANUAL (ppb)

PROMEDIO ANUAL (ppb)

VARIACIÓN ANUAL (ppb)


2007 117,8 14,4 2008 105,1 -12,7 11,7 -2,7 -18,6 2009 81,8 -23,3 10,0 -1,7 -14,1 2010 81,3 -0,5 9,5 -0,5 -5,1 2011 57,8 -23,5 7,7 -1,8 -18,8 2012 51 -6,8 7,0 -0,7 -8,7 2013 49,8 -1,2 7,1 0,1 0,8 2014 53,8 4 6,9 -0,2 -2,5 2015 56,1 2,3 7,7 0,8 11,8 2016 69,5 13,4 9,7 2,0 25,3 2017 66,5 -3 7,9 -1,8 -18,9

PROMEDIO 71,9 -5,1 9,1 -0,7 -4,9 Nota: Marcadas en gris las variaciones anuales porcentuales significativas.

Figura 16. Comportamiento anual de la concentración promedio con media móvil mensual de O3 en la estación Carvajal. Fuente: Los Autores.


los datos atípicos innovadores y de cambio de nivel identificados para este contaminante,

siguiendo la propuesta metodológica expuesta en el apartado 6.3.1; también se evidencia la

efectividad de los instrumentos (δ) pasados 6 meses del punto de corte (z). Los resultados

mostraron que los datos atípicos se presentaron entre 4 a 15 días después de haberse

reglamentado los instrumentos normativos relacionados. Se calculó una reducción

6

8

10

12

14

2007 2009 2011 2013 2015 2017

O3 (

ppb)

Año

101

promedio del -15,2% en la concentración de O3 por las normas relacionadas durante el

periodo de estudio (2007-2017).

Tabla 41. Datos atípicos de O3 con media móvil mensual para la estación Carvajal. DATO

ATÍPICO


RELACIONADA

O3 (µg/m3) δ

(%) FECHA HORA 0 1 2 3 Cambio de

nivel 30/05/2009 12:00 a. m. R. 909 8,73 8,92 7,72 7,72 -11,58 05/03/2016 10:00 a. m. R. 646 11,02 12,65 12,59 12,59 14,27

Innovadores 30/05/2009 3:00 p. m. R. 909 8,77 9,04 7,57 7,54 -13,99 10/02/2013 10:00 a. m. R. 1304 9,54 9,25 9,25 5,89 -38,22

PROMEDIO -15.19 Nota: Léase 0 = en z, 1 = al mes siguiente, 2 = al trimestre siguiente, 3 = pasado un semestre, δ= Variación Porcentual Semestral, R = Resolución, RC = Resolución Conjunta y DD= Decreto Distrital. Fuente: Los Autores.

De acuerdo a las variaciones porcentuales semestral calculadas (δ), el instrumento con

mayor aporte a la reducción de la concentración de O3 en la estación Carvajal fue la Res.

1304 del 2012 (δ = -38.22); la cual estableció los niveles máximos de emisión y los

requisitos ambientales a los que estaban sujetas las fuentes móviles de servicio público de

transporte terrestre de pasajeros en los sistemas colectivo, masivo e integrado que

circulaban en el distrito; recordando que esta misma norma no tuvo gran efectividad para el

manejo de PM10, se develó que no todos los instrumentos normativos afectan en igual

proporción los contaminantes criterio y, que en este caso particular, los estándares de

opacidad impuestos a motores diésel que reglamentó la resolución, redujeron la liberación

de sustancias precursoras de O3 troposférico como los NOX. Esto implicó menores

concentraciones de este contaminante según lo expuesto por Yépez et al. (2017), sin llegar

a incidir de manera considerable sobre el PM.

La Res. 909 del 2008 también tuvo un desempeño superior (δ ≈ -12,8%) mediante la

reglamentación de estándares de emisión admisibles más estrictos de contaminantes

precursores de O3 a industrias de producción de ácido nítrico, llantas, cámaras de caucho

natural y sintético, mezclas asfálticas, fundición de acero, fabricación de vidrio y

fertilizantes entre otras. Sin embargo, la Res. 646 del 2015 por la cual se mitigan emisiones

de los vehículos con motor de ciclo de dos tiempos que circulan en la ciudad, no aportó a la

reducción de O3 tras su reglamentación.

102

7. CONCLUSIONES

En el periodo comprendido entre los años 2007 y 2017, se cuenta con 34 normas

públicas de orden distrital y nacional con impacto en la calidad del aire de Bogotá;

de estas 22 (64,7%) poseen metas cuantitativas, mientras que las otras 12 (35,3%)

tan sólo poseen objetivos cualitativos y 29 (85%) están dirigidas a la gestión de la

contaminación atmosférica en la ciudad a partir del manejo de fuentes móviles. En

cuanto a sus enfoques, 12 (35,3%) conducen a la mejora de combustibles, siete

(20,6%) fijan límites máximos permisibles de emisión, seis (17,5%) consideran de

manera conjunta estos dos últimos enfoques, cinco (14,7%) se orientan al

seguimiento de los niveles de concentración de contaminantes, dos (5,8%) plantean

recambio y mejoras tecnológicas para diferentes fuentes de emisión, dos (5,8%)

estipulan estrategias de ordenamiento territorial urbano para el manejo de la

contaminación atmosférica, y tan sólo una (3%) dicta niveles máximos de inmisión.

Durante este periodo dicha normatividad presenta una periodicidad de cambio o

ajuste normativo promedio de dos años, siendo 2008, 2010, 2012, 2015 y 2017

como aquellos años en los que más lanzamientos, ajustes o derogaciones de norma

existen; aspecto que en revisiones internacionales se señala como una desventaja

para la gestión de la calidad del aire. Se destaca que tanto la normativa

internacional, nacional y distrital utiliza los límites máximos de emisión como la

herramienta más acertada para la reducción de emisiones de diferentes fuentes, sin

embargo, en Bogotá no se contemplan instrumentos que permitan la compra y venta

de permisos de emisión de acuerdo con las necesidades y costos individuales de los

ciudadanos; siendo estos los mecanismos con mayor reporte de efectividad a nivel

internacional.

El estudio mediante modelos ARIMA (p,d,q) de la variación temporal de las

concentraciones de contaminantes criterio (CO, SO2, NO2, O3, PM10 y PM2.5) en la

ciudad de Bogotá durante en el periodo 2007-2017, resulta ser más acertado usando

modelos de medias móviles mensuales (i.e., es la mejor escala temporal), debido a

103

que estos son más simples al presentar BICs normalizados (Criterios de Información

Bayesiana) menores a los de modelos de medias móviles semanales o diarias. En

este estudio, los modelos ARIMA obtenidos poseen una memoria corta (1 ≤ p ≤ 3),

indicando que las concentraciones de cada contaminante criterio no se relacionan de

manera directa con sus observaciones inmediatamente anteriores (mes a mes).

Además, no poseen tendencias significativas (d ≈ 1) y los promedios móviles de

estas concentraciones poseen fluctuaciones constantes en comparación con datos

anteriores (5 ≤ q ≤ 14).

Se observa una zonificación de la ciudad a partir de las dinámicas de concentración

de los contaminantes, analizadas a través de los componentes de medias móviles

(MA), expresados en los modelos con el término q. Para algunos contaminantes

estos se relacionan de manera inversa con las zonas en donde se presentan mayores

concentraciones atmosféricas de los mismos. El PM10 y el O3 presentan registros

más elevados al suroccidente en donde los modelos arrojan q=1-3 y q=1

respectivamente y niveles más bajos al norte en donde se obtienen q=10-14 y q=3.

Los niveles de PM2.5 son más elevados en el centro oriente en donde se obtienen

modelos con q=1, respecto al norte q=1-3 y al suroccidente q=7-8. En cuanto al

NO2 y NOX al suroccidente se obtuvo q=1-3 y al centro oriente q=1-2. Respecto al

SO2, el CO y el NO, hubo gran variabilidad entre las modelos por estación, por lo

que se asume que la dispersión de estos es menor y su concentración está

influenciada en mayor medida por las fuentes circundantes a cada punto de

monitoreo, como el elevado tráfico vehicular y la actividad industrial.

Reconociendo al PM2.5, PM10 y O3 como los contaminantes determinantes a la fecha

para la formulación de normatividad en materia de calidad del aire a nivel mundial y

nacional debido a su incidencia sobre la salud, se determina que en áreas altamente

contaminadas de la ciudad de Bogotá se presenta una tendencia a la baja de las

concentraciones de estos compuestos durante el periodo 2007-2017 (PM2.5 = -

26,2%, PM10 = -0,68% y O3 = -15,19%). Empleando los modelos ARIMA

establecidos en este estudio, se establece que las normas más efectivas para el

104

manejo de contaminantes criterio son aquellas que restringen la generación de

sustancias precursoras de éstos. Se atribuye una disminución del 46,9% en la

concentración de PM2.5, tras los primeros seis meses de reglamentación de la

Resolución 180782 del 2007, debido a que esta al mejorar los parámetros de calidad

en la composición de biocombustibles y mezclas de diésel fósil y regular, permite

mayor oxigenación de estos en la combustión evitando generar material particulado

fino. De igual manera, se atribuye una reducción del 38,2% en los niveles de O3, tras

seis meses de reglamentada la Resolución 1304 del 2012, la cual modificó los

estándares de opacidad impuestos a motores diésel del sector de servicio público de

transporte terrestre de pasajeros, reduciendo la liberación de sustancias precursoras

de O3 troposférico como los NOX.

En cuanto al PM10, este contaminante no presenta gran reducción a causa de una

normativa concreta, implicando mayores retos para su manejo. Sin embargo, se le

atribuye al Decreto Distrital 623 del 2011 una efectividad de reducción del 2,83%

durante sus primeros seis meses, siendo el más efectivo hasta el momento para su

manejo, al clasificar las áreas-fuente de contaminación ambiental Clase I, II y III de

Bogotá y establecer programas de Reducción de Emisiones y medidas de

Contingencia para éstas. De las ocho normas a las que se les evaluó su efectividad,

seis (75%) se orientan al manejo de emisiones de fuentes móviles, cuatro (50%)

establecen metas cuantitativas claras para la reducción de la contaminación

atmosférica y ninguna fue derogada o ajustada.

105

8. RECOMENDACIONES

Expedir un acto administrativo único reglamentario o guía que compile todas las

normas con componentes para la mejora de la calidad del aire, expedidas, vigentes

y aplicables en la ciudad de Bogotá, como la mejora a combustibles, tecnologías

más eficientes, restricciones vehiculares, entre otras; con el fin de recoger en un

solo cuerpo normativo todos los instrumentos, herramientas y estándares

ambientales que permitan una comprensión rápida y acertada de las obligaciones y

actores que en materia de calidad del aire se tienen en la ciudad.

Incluir en el proceso de desarrollo y evaluación normativa, el análisis de las

tendencias de concentración de contaminantes criterio, mediante procesos

estadísticos como el aquí propuesto con los modelos ARIMA, para permitir el

seguimiento mediante indicadores cuantitativos de la efectividad de la normatividad

pública, generando información que conlleve a la creación y ajuste acertado de la

normatividad respecto a las metas de calidad del aire de la ciudad, reforzando

aquellas iniciativas con mejor desempeño en estos términos.

El presente estudio se puede emplear como línea base para el adelanto de futuros

proyectos de investigación en los cuales se ahonde en la efectividad de

normatividad públicas en materia de calidad del aire, se requieran datos estadísticos

que den cuenta del comportamiento de contaminantes criterio en la ciudad de

Bogotá o en aquellos que requieran de modelación o análisis contrastados de

instrumentos de control normativo con bases de datos epidemiológicas o

económicas para el análisis de costos y beneficios de estos instrumentos, obteniendo

indicios de la función ambiental y de utilidad de los mismos.

En cualquier caso en el que se emplee este estudio se debe tener presente que fue

adelantando con las series de datos de la RMCAB la cual no posee una distribución

homogénea en la ciudad, no en todas sus estaciones se miden el mismo tipo y

cantidad variables y sus registros históricos presentan vacíos de información

considerable en diferentes años por lo que se debe recurrir a métodos de

homologación y completación.

106

9. BIBLIOGRAFÍA

Abrams, J. Y., Klein, M., Henneman, L. R. F., Sarnat, S. E., Chang, H. H., Strickland, M. J., … Tolbert, P. E.

(2019). Impact of air pollution control policies on cardiorespiratory emergency department visits, Atlanta, GA, 1999–2013. Environment International, 126, 627–634. https://doi.org/10.1016/J.ENVINT.2019.01.052

Al., R. et. (2018). Chemical composition and source apportionment of PM10 at an urban background site in a high–altitude Latin American megacity. Environmental Pollution, 233, 142-155. Doi:Https://Doi.Org/10.1016/j.Envpol.2017.10.045.

Alcaldía Mayor de Bogotá. (2017). Plan de Ordenamiento Territorial de Bogotá. Revisión ordinaria. Bogotá. Auffhammer, M., & Kellogg, R. (2011). Clearing the air? the effects of gasoline content regulation on air

quality. American Economic Review, 101(6), 2687-2722. Arce, R. (2010). Modelos arima. U.D.I. Econometría e Informática, 31. Baklanov, A., Molina, L. T., & Gauss, M. (2016). Megacities , air quality and climate. Atmospheric

Environment Journal, 126, 235–249. https://doi.org/http://dx.doi.org/10.1016/j.atmosenv.2015.11.059 Baldasano, J. M., Valera, E., & Jimenez, P. (2003). Air quality data from large cities. The Science of the Total

Environment, 307, 141–165. Banco Mundial. (1997). Contaminación atmosférica por vehículos automotores. Experiencias recogidas en

siete centros urbanos de América Latina. Retrieved from http://documentos.bancomundial.org/curated/es/136631468263934974/pdf/WTP37310SPANISH.pdf

Bel, G., & Holst, M. (2018). Evaluation of the impact of Bus Rapid Transit on air pollution in Mexico City Germ. Transport Policy, 63(March 2017), 209–220. https://doi.org/https://doi.org/10.1016/j.tranpol.2018.01.001

Benavides, H., & León, G. (2007). INFORMACIÓN TECNICA SOBRE GASES DE EFECTO INVERNADERO Y EL CAMBIO CLIMÁTICO. Retrieved from http://www.ideam.gov.co/documents/21021/21138/Gases+de+Efecto+Invernadero+y+el+Cambio+Climatico.pdf/7fabbbd2-9300-4280-befe-c11cf15f06dd

Blackman, A., Osakwe, R., & Alpizar, F. (2010). Fuel tax incidence in developing countries: The case of Costa Rica. Energy Policy, 38(5), 2208–2215. https://doi.org/10.1016/J.ENPOL.2009.12.007

Bollen, J., & Brink, C. (2014). Air pollution policy in Europe: Quantifying the interaction with greenhouse gases and climate change policies. Energy Economics, 46, 202–215. https://doi.org/10.1016/J.ENECO.2014.08.028

Borge, R., Artíñano, B., Yagüe, C., Gomez-Moreno, F. J., Saiz-Lopez, A., Sastre, M., … Cristóbal, Á. (2018). Application of a short term air quality action plan in Madrid (Spain) under a high-pollution episode - Part I: Diagnostic and analysis from observations. Science of The Total Environment, 635, 1561–1573. https://doi.org/10.1016/J.SCITOTENV.2018.03.149

Borrego, C., Martins, H., Tchepel, O., Salmim, L., Monteiro, A., & Miranda, A. I. (2006). How urban structure can affect city sustainability from an air quality perspective. 21, 461–467. https://doi.org/10.1016/j.envsoft.2004.07.009

Buehn, A., & Farzanegan, M. R. (2013). Hold your breath: A new index of air pollution. Energy Economics, 37, 104–113. https://doi.org/10.1016/j.eneco.2013.01.011

Cabeza, O., & Torres, F. (2001). Compara��n de pron�sticos de series de tiempo ca�ticas, efectuados por redes neuro difusas y la metodolog� ARIMA. Universidad de los Andes.

Camacho García, M. O., & Flamand, L. (2008). Políticas intergubernamentales para controlar la contaminación del aire en ciudades mexicanas: Una evaluación. Gestión y política pública. Gestión y Política Pública, Vol. 17, pp. 261–313. Retrieved from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-10792008000200001

Cardona, I. (2014). Proyecciones de Población para localidades urbanas de Bogotá 2016-2020. (S. D. de Planeación, Ed.). Bogotá: Alcaldía de Bogotá.

Casas-Ledon, Y., Arteaga-Perez, L. E., Dewulf, J., Morales, M. C., Rosa, E., Peralta-Suáreza, L. M., & Van Langenhove, H. (2014). Health external costs associated to the integration of solid oxide fuel cell in a sugar-ethanol factory. Applied Energy, 113, 1283–1292. https://doi.org/10.1016/j.apenergy.2013.08.090

Castiblanco, C. (2008). MANUAL DE VALORACIÓN ECONÓMICA DEL MEDIO AMBIENTE. Bogotá: Universidad Nacional de Colombia, IDEA.

CCSSO. (2006). Respuestas OSH: Dióxido de Carbono - Efectos en la Salud. Retrieved November 27, 2018,

107

from http://www.ccsso.ca/oshanswers/chemicals/chem_profiles/carbon_dioxide/health_cd.html Chen, K., Guo, H., Hu, J., Kota, S., Deng, W., Ying, Q., … Zhang, H. (2019). Projected air quality and health

benefits from future policy interventions in India. Resources, Conservation and Recycling, 142, 232–244. https://doi.org/10.1016/J.RESCONREC.2018.12.008

Cifuentes, A., Krupnick, A., O’Ryan, R., & Toman, M. (2005). Urban Air Quality and Human Health in Latin America and the Caribbean. Inter-American Development Bank, (October), 86. Retrieved from http://www.cepal.org/ilpes/noticias/paginas/5/22145/Cifuentes et al. reporte - IADB.pdf

Cortés J. (2014). Contaminación de motos en Bogotá continúa disminuyendo. Retrieved from https://bogota.gov.co/mi-ciudad/ambiente/contaminacion-de-motos-en-bogota-continua-disminuyendo

De la Morena Carretero, B., Domínguez, D., Adame, J. A., Vaca, F., Contreras, J., Lozano, A., & Bolívar, J. P. (2006). Análisis de la concentración de O3 y NOx (NO + NO2) en Andalucía Occidental Autor principal: Otros autores.

Dholakia, H. H., Purohit, P., Rao, S., & Garg, A. (2013). Impact of current policies on future air quality and health outcomes in Delhi, India. Atmospheric Environment, 75, 241–248. https://doi.org/10.1016/J.ATMOSENV.2013.04.052

Dianati, K., Zimmermann, N., Milner, J., Muindi, K., Ezeh, A., Chege, M., y otros. (2019). Household air pollution in Nairobi's slums: A long-term policy evaluation using participatory system dynamics. Science of the Total Environment, 660, 1108-1134.

Díaz Jiménez, J., Alberdi Odriozola, J., Montero Rubio, J., & Mirón Pérez, I. (1998). Asociación entre la contaminación atmosférica por dióxido de azufre y partículas totales en suspensión y la mortalidad diaria en la ciudad de Madrid (1986-1992). In Gaceta sanitaria (Vol. 12). https://doi.org/10.1016/S0213-9111(98)76474-X

Díaz, L., & Galindo, J. (2015). EFECTIVIDAD DE LAS POLÍTICAS AMBIENTALES PARA CONTROLAR LA CONTAMINACIÓN DEL AIRE EN BOGOTÁ (p. 64). p. 64.

DNP. (2017). Los costos en la salud asociados a la degradación ambiental en Colombia ascienden a $20,7 billones. Retrieved August 6, 2018, from https://www.dnp.gov.co/Paginas/Los-costos-en-la-salud-asociados-a-la-degradación-ambiental-en-Colombia-ascienden-a-$20,7-billones-.aspx

Eidelwein, F., Collatto, D. C., Rodrigues, L. H., Lacerda, D. P., & Piran, F. S. (2018). Internalization of environmental externalities: Development of a method for elaborating the statement of economic and environmental results. Journal of Cleaner Production, 170, 1316–1327. https://doi.org/10.1016/j.jclepro.2017.09.208

Escudero, M., & Scheelje, J. (2003). El cambio climático principales causantes, consecuencias y compromisos de los países involucrados. Retrieved October 23, 2019, from http://www.fao.org/3/XII/0523-B2.htm

Fajardo, E., & Romero, H. (2017). Pronóstico de la concentración de ozono en el centro de Bucaramanga, Colombia:una aproximación desde la metodología Box-Jenkins. Simposio Internacional de Estadística., Vol. 27. Bucaramanga.

Feng, Y., Ning, M., Lei, Y., Sun, Y., Liu, W., & Wang, J. (2019). Defending blue sky in China: Effectiveness of the “Air Pollution Prevention and Control Action Plan” on air quality improvements from 2013 to 2017. Journal of Environmental Management, 252(October).

Fuente, S. (2008). MODELO ARIMA ( p , d , q ) ( P , D , Q ) s. Modelo ARIMA, 100. Gaitán, M., Cancino, J., & Behrentz, E. (2007). Análisis del estado de la calidad del aire en Bogotá.

Retrieved from http://www.scielo.org.co/pdf/ring/n26/n26a11.pdf Gallego-Álvarez, I., García-Rubio, R., & Martínez-Ferrero, J. (2018). Environmental performance concerns in

Latin America: Determinant factors and multivariate analysis. Revista de Contabilidad, 21(2), 206–221. https://doi.org/10.1016/j.rcsar.2018.05.003

Gemmer, M., & Bo, X. (2013). Air Quality Legislation and Standards in the European Union : Background , Status and Public Participation. ADVANCES IN CLIMATE CHANGE RESEARCH, 4(x), 50–59. https://doi.org/10.3724/SP.J.1248.2013.050

González, P. (2007). Análisis de series temporales económicas: modelos ARIMA. Universidad del País Vasco, España.

Guisande, C., Vaamonde, A., & Barreiro, A. (2011). Tratamiento de datos con R, STATISTICA Y SPSS. España.

Gwilliam, K., Kojima, M., & Johnson, T. (2004). Reducing Air Pollution from Urban Transport. In Technology. Washington: The world Bank.

Hanif, I., & Gago-de-Santos, P. (2017). The importance of population control and macroeconomic stability to

108

reducing environmental degradation: An empirical test of the environmental Kuznets curve for developing countries. Environmental Development, 23, 1–9. https://doi.org/10.1016/J.ENVDEV.2016.12.003

Hao, Y., Peng, H., Temulun, T., Liu, L., Mao, J., & Lu, Z. (2018). How harmful is air pollution to economic development ? New evidence from PM 2 . 5 concentrations of Chinese cities. 172. https://doi.org/https://doi.org/10.1016/j.jclepro.2017.10.195

Hernandez, J., Madrigal, D., & Morales, C. (2004). 263 C I E N C I A S D E La Tierra Y D E La Atmósfera The Relationship of Carbon Monoxide and Climate in the City of Toluca, Mexico, from. In CIENCIA ergo sum (Vol. 11).

IDEAM. (2016). Informe del Estado de la Calidad del Aire en Colombia 2011 – 2015. INECC. (2016). Análisis de las concentraciones de contaminantes ambientales en la zona urbana de

Salamanca, Gto. Retrieved from http://www.gob.mx/semarnat Kadiyala, A., & Kumar, A. (2017). Applications of Python to evaluate environmental data science problems.

Environmental Progress and Sustainable Energy, 36(6), 1580–1586. https://doi.org/10.1002/ep.12786 Kumar, K., Yadav, A., Singh, M., Hassan, H., & Jain, V. (2004). Forecasting Daily Maximum Surface Ozone

Concentrations in Brunei Darussalam—An ARIMA Modeling Approach. Journal of the Air & Waste Management, 7(54), 809-814. Doi:10.1080/10473289.2004.10470949.

Kumar, U., & Jain, V. K. (2010). ARIMA forecasting of ambient air pollutants (O 3, NO, NO 2 and CO). Stochastic Environmental Research and Risk Assessment, 24(5), 751–760. https://doi.org/10.1007/s00477-009-0361-8

Llane et al. (2017). Producción e Impacto del Biodiesel: Una Revisión. INNOVA Research Journal 2017, Vol 2, No. 7, 59-76.

Landrigan, P. J., Fuller, R., Acosta, N. J. R., Adeyi, O., Arnold, R., Basu, N. N., … Steiner, A. (2018). The Lancet Commissions The Lancet Commission on pollution and health. 391. https://doi.org/10.1016/S0140-6736(17)32345-0

Larsen, B. (2004). COST OF ENVIRONMENTAL DAMAGE : COST OF ENVIRONMENTAL DAMAGE: A Socio-Economic and Environmental Health Risk Assessment.

Lechón, Y., de la Rúa, C., Rodríguez, I., & Caldés, N. (2019). Socioeconomic implications of biofuels deployment through an Input-Output approach. A case study in Uruguay. Renewable and Sustainable Energy Reviews, 104(January), 178–191. https://doi.org/10.1016/j.rser.2019.01.029

Lee, D.S. (2008). Randomized experiments from non-random selection in U.S. House elections. J. Econom. 142, 675e697 Li, P., Lu, Y., & Wang, J. (2016). The Effects of Fuel Standards on Air Pollution: Evidence from China.

146(March). Lijteroff, R., Cortinez, V., & Raba, J. (1999). Urban development and air quality in san luis city, Argentina.

Environmental Monitoring and Assessment, (5700), 169–182. Lin, B., & Zhu, J. (2019). Is the implementation of energy saving and emission reduction policy really

effective in Chinese cities? A policy evaluation perspective. Journal of Cleaner Production, 220, 1111-1120.

Liu, T., Cai, Y., Feng, B., Cao, G., Lin, H., Xiao, J., … Ma, W. (2018). Long-term mortality bene fi ts of air quality improvement during the twelfth fi ve-year-plan period in 31 provincial capital cities of China. Atmospheric Environment Journal, 173(160), 53–61. https://doi.org/https://doi.org/10.1016/j.atmosenv.2017.10.054

Mardones, C., & del Rio, R. (2019). Correction of Chilean GDP for natural capital depreciation and environmental degradation caused by copper mining. Resources Policy, 60(September 2018), 143–152. https://doi.org/10.1016/j.resourpol.2018.12.010

Mayer, H. (1999). Air pollution in cities. Atmospheric Environment Journal, 33, 4029–4037. Ministerio de ambiente. (2010). Política de prevención y control de la contaminación del aire. Retrieved from

http://www.minambiente.gov.co/images/AsuntosambientalesySectorialyUrbana/pdf/Politìcas_de_la_Dirección/Política_de_Prevención_y_Control_de_la_Contaminación_del_Aire.pdf

Ministerio de Ambiente vivienda y Desarrollo Territorial, & Instituto de Hidrología Meteorología y Estudios Ambientales IDEAM. (2007). Informe Anual sobre el Estado del Medio Ambiente y los Recursos Naturales Renovables en Colombia: Calidad del Aire. Retrieved from http://www.sisaire.gov.co:8080/faces/docs/25-0-2017-10-12-6-578-1-01._Informe_anual_sobre_el_estado_del_M.A_y_R.N_Calidad_del_aire.compressed.pdf

Moran, J., NaSuwan, C., & Poocharoen, O.-O. (2019). The haze problem in Northern Thailand and policies to

109

combat it: A review. Environmental Science & Policy, 97, 1–15. https://doi.org/10.1016/J.ENVSCI.2019.03.016

Murillo, J., Rodríguez, S., & Rojas, J. (2011). Evolución de la contaminación del aire en la ciudad de San José , Costa Rica : Tecnología En Marcha, 24(506), 3–16.

Musso, H., & Ávila, O. (2013). el uso de perceptrones multicapa para la modelización estadística de series de tiempo no lineales de so2, en salta capital, argentina. Revista de Matematica: Teoría y Aplicaciones, 20(1), 61–78.

Nagpure, A., & Gurjar, B. (2014). UrbantrafficemissionsandassociatedenvironmentalimpactsinIndia. https://doi.org/10.1007/978-81-322-2211-8_17

Nations, U., Programme, E., This, R., United, T., Environment, N., Nations, U., y otros. (2018). Air Pollution in Asia and the Pacific: Science-based solutions (summary).

Neal Hickey, Ilan Boscarato, J. K. (2014). Air Pollution from Mobile Sources: Formation and Effects and Abatement Strategies. Retrieved from https://link.springer.com/chapter/10.1007/978-94-017-8777-2_2

Nunes, P., Pinheiro, F., & Brito, M. C. (2019). The effects of environmental transport policies on the environment, economy and employment in Portugal. Journal of Cleaner Production, 213, 428–439. https://doi.org/10.1016/j.jclepro.2018.12.166

Ocampo, D. M., Gonzalez, C. A., & Posada, J. J. (2019). Assessment of trucking bans in urban areas as a strategy to reduce air pollution. Journal of Transport & Health, 14, 100589. https://doi.org/10.1016/J.JTH.2019.100589

OMS. (2005). Guías de calidad del aire de la OMS relativas al material particulado, el ozono, el dióxido de nitrógeno y el dióxido. Retrieved from https://apps.who.int/iris/bitstream/handle/10665/69478/WHO_SDE_PHE_OEH_06.02_spa.pdf;jsessionid=59E30BC99CD6E0C031C280EE9A0C4C16?sequence=1

OMS. (2016). Calidad del aire ambiente y salud. Pachón, J. E. (2019). Fortalecimiento de las capacidades de modelación de calidad del aire en colombia. Pachon, J. E., Behrentz, E., & Rojas, N. Y. (2007). Challenges in Bogota air quality: Policies and technology.

100th Annual Conference and Exhibition of the Air and Waste Management Association 2007, ACE 2007, 1, 325–329.

Pascal, M., Corso, M., Chanel, O., Declercq, C., Badaloni, C., Cesaroni, G., … Medina, S. (2013). Assessing the public health impacts of urban air pollution in 25 European cities : Results of the Aphekom project ☆. Science of the Total Environment, 449(2007105), 390–400. https://doi.org/http://dx.doi.org/10.1016/j.scitotenv.2013.01.077

Pérez-Cirera, V., Schmelkes, E., López-Corona, O., Carrera, F., García-Teruel, A. P., & Teruel, G. (2018). Income and air quality in cities: Does a Kuznets curve exist for transport emissions in the valley of Mexico’s metropolitan area? Trimestre Economico, 85(340), 745–764. https://doi.org/10.20430/ete.v85i340.717

Pinzón, H. A. D., & Tique, O. V. (2018). ANÁLISIS DE SERIES DE TIEMPO DE CONTAMINANTES ATMOSFÉRICOS EN LA CIUDAD DE BOGOTÁ A PARTIR DEL DESARROLLO DE MODELOS ESTADÍSTICOS ARIMA. UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS.

Pozza, S. (2009). Características Temporais da Concentração de Material Particulado na Atmosfera na Cidade de São Carlos. Sao Carlos, Brasil.

Puerta, M., & Correal, M. (2011). Compara��n de modelos para los precios de la bolsa de energ� utilizando modelos ARIMA y redes neuronales. Universidad de los Andes.

Ramírez, C., Ortegón, A., Jorge, P., Bohórquez, A., Bocarejo, J. P., Juan, S., … Daza, P. (2013). Retrieved from https://prosperityfund.uniandes.edu.co/site/wp-content/uploads/Caracterización-de-la-contaminac ión-atmosférica-en-Colombia1.pdf

Restrepo J. (2016). UdeA alerta sobre efectos de la alborada. Universidad de Antioquia. Retrieved from http://www.udea.edu.co/wps/portal/udea/web/inicio/udea-noticias/udea-noticia/?page=udea.inicio.udea.noticias.noticia&urile=wcm%3Apath%3A%2FPortalUdeA%2FasPortalUdeA%2FasHomeUdeA%2FUdeA%2BNoticias%2FContenido%2FasNoticias%2FSociedad%2Fudea-alerta-alborada

Rizzi, L. I., & De La Maza, C. (2017). The external costs of private versus public road transport in the Metropolitan Area of Santiago, Chile. Transportation Research Part A: Policy and Practice, 98, 123–140. https://doi.org/10.1016/j.tra.2017.02.002

RMCAB. (2017). Informe anual de calidad del aire de Bogotá año 2016. Bogotá. Rojas, N. Y. . P. (2007). Aire y problemas ambientales de Bogotá. Retrieved from

110

oab.ambientebogota.gov.co/apc-aa.../aire_y_problemas_ambientales_de_bogota.pdf Saide, P., Mena-Carrasco, M., Tolvett, S., Hernandez, P., & Carmichael, G. (2016). Airquality forecasting for

winter-time PM2.5 episodes occurring in multiple cities in central and southern Chile. Journal of Geophysical Research Atmospheres, 121(1), 558-575. Doi:10.1002/2015JD023949.

Salazar, D. (2018). Análisis del comportamiento del Bióxido de Azufre (SO2) y su relación con la temperatura: Caso Zona Metropolitana del Valle de Toluca (ZMVT) 2011-2016. UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO.

Sarigiannis, D. A., Kontoroupis, P., Nikolaki, S., Gotti, A., Chapizanis, D., & Karakitsios, S. (2017). Benefits on public health from transport-related greenhouse gas mitigation policies in Southeastern European cities. Science of the Total Environment, 579, 1427–1438. https://doi.org/http://dx.doi.org/10.1016/j.scitotenv.2016.11.142

Schucht, S., Colette, A., Rao, S., Holland, M., Schöpp, W., Kolp, P., … Rouïl, L. (2015). Moving towards ambitious climate policies: Monetised health benefits from improved air quality could offset mitigation costs in Europe. Environmental Science & Policy, 50, 252–269. https://doi.org/10.1016/J.ENVSCI.2015.03.001

SDA. (2018). Informe Anual de Calidad de Aire en Bogotá 2017. Publicaciones Del IDEAM. Bogotá D.C. Secretaria Distrital de movilidad. (2010). Movilidad en cifras. Retrieved from

https://www.simur.gov.co/portal-simur/wp-content/uploads/2019/files/datos-abiertos/movilidad-cifras/movilidad-cifras-2010-min.pdf

Secretaria Distrital de movilidad. (2015). Movilidad en cifras. Secretaria Distrital de movilidad. (2016). Movilidad en cifras. Retrieved from

https://www.simur.gov.co/portal-simur/wp-content/uploads/2019/files/datos-abiertos/movilidad-cifras/movilidad-cifras-2016-min.pdf

Secretaría Distrital de ambiente. (2011). RED DE MONITOREO DE CALIDAD DEL AIRE DE BOGOTÁ RMCAB. Retrieved from https://www.car.gov.co/index.php?idcategoria=11161&download=Y

Secretaría Distrital de Ambiente. (2009). Elementos técnicos del plan decenal de descontaminación de Bogotá. Parte 2: Inventario de Emisiones Provenientes de Fuentes Fijas y Móviles. Bogotá.

Slovic, A. D., de Oliveira, M. A., Biehl, J., & Ribeiro, H. (2016). How Can Urban Policies Improve Air Quality and Help Mitigate Global Climate Change: a Systematic Mapping Review. Journal of Urban Health, 93(1), 73–95. https://doi.org/10.1007/s11524-015-0007-8

Slovic, A. D., & Ribeiro, H. (2018). Policy instruments surrounding urban air quality: The cases of São Paulo, New York City and Paris. Environmental Science & Policy, 81, 1–9. https://doi.org/10.1016/J.ENVSCI.2017.12.001

Tischer, V., Fountas, G., Polette, M., & Rye, T. (2019). Environmental and economic assessment of traffic-related air pollution using aggregate spatial information: A case study of Balneário Camboriú, Brazil. Journal of Transport & Health, 14(February), 100592. https://doi.org/10.1016/j.jth.2019.100592

Tsai, Y.-T., Zeng, Y.-R., & Chang, Y.-S. (2018). Air Pollution Forecasting Using RNN with LSTM. 2018 IEEE 16th Intl Conf on Dependable, Autonomic and Secure Computing, 16th Intl Conf on Pervasive Intelligence and Computing, 4th Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress(DASC/PiCom/DataCom/CyberSciTech), 1074–1079. https://doi.org/10.1109/DASC/PiCom/DataCom/CyberSciTec.2018.00178

Valmassoi, A., Gharbia, S., Stibe, S., Di Sabatino, S., & Pilla, F. (2017). Future Impacts of the Reforestation Policy on the amospheric parameters: a sensitivity study over Ireland. Procedia Computer Science, 109, 367–375. https://doi.org/10.1016/J.PROCS.2017.05.403

Vedrenne, M., Borge, R., Lumbreras, J., Conlan, B., Rodríguez, M. E., de Andrés, J. M., … Narros, A. (2015). An integrated assessment of two decades of air pollution policy making in Spain: Impacts, costs and improvements. Science of The Total Environment, 527–528, 351–361. https://doi.org/10.1016/J.SCITOTENV.2015.05.014

World Bank Group. (2016). Análisis Ambiental Argentina. Yang, G., Zhang, Y., & Li, X. (2020). Impact of gasoline upgrade policy on particulate matter pollution in

China. Journal of Cleaner Production, 262, 121336. Yepez et al. (2017). Cuantificación de la opacidad en motores electrónicos diésel usando diésel y biodiésel.

Ingenus. https://doi.org/10.17163/ings.n19.2018.10 Ying Siew, L., Ying Chin, L., & Mah Jin Wee, P. (2008). ARIMA AND INTEGRATED ARFIMA MODELS

FOR FORECASTING AIR POLLUTION INDEX IN SHAH ALAM, SELANGOR. In The Malaysian Journal of Analytical Sciences (Vol. 12).

ANÁLISIS DE NORMATIVIDAD PÚBLICA EN MATERIA DE CALIDAD …

Documents

Transcript of ANÁLISIS DE NORMATIVIDAD PÚBLICA EN MATERIA DE CALIDAD …